پژوهشگاه حمل و نقل طراحان پارسه فصلنامه مهندسی حمل و نقل 2008-6598 17 4 2026 06 22 Driver Lane-Change Prediction on Freeways Using Long Short-Term Memory Network and Support Vector Machines Based on Microscopic Data پیش‌بینی تغییر خط راننده در آزادراه‌ها با استفاده از شبکه عصبی بازگشتی با حافظه بلندمدت و ماشین بردار پشتیبان بر اساس داده‌های میکروسکوپی 5635 5651 236802 10.22119/jte.2025.534186.2742 FA محمد منیعات گروه مهندسی عمران، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران 0000-0002-0515-4821 محمود صفارزاده استاد، دانشکده مهندسی عمران و محیط زیست، دانشگاه تربیت مدرس، تهران، ایران 0000-0002-9713-2776 حسن ذوقی استادیار، گروه مهندسی عمران، واحد کرج، دانشگاه آزاد اسلامی، تهران، ایران علیرضا سرکار استادیار، گروه مهندسی عمران، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران 0000-0003-4449-544X Journal Article 2025 07 13 Lane changing is one of the most critical driving maneuvers, playing a significant role in both traffic safety and flow efficiency. The aim of this study is to develop and compare machine learning models for short-term prediction of drivers’ lane-change behavior on freeways. For this purpose, high-resolution microscopic data from the Next Generation Simulation (NGSIM) dataset were utilized, and two predictive models—Long Short-Term Memory (LSTM) neural networks and Support Vector Machines (SVM), were designed and evaluated. Predictions were performed for time horizons ranging from 1 to 5 seconds prior to the lane-change maneuver in order to assess the effect of prediction horizon on model performance. Evaluation metrics, including Mean Squared Error (MSE), Recall, and F1-score, were applied to assess model accuracy. The results indicate that the LSTM model significantly outperformed SVM across all evaluation criteria and achieved the highest accuracy with the lowest error in short-term horizons (1–5 seconds). Furthermore, statistical analysis revealed that lane-change maneuvers were more frequent in the right lanes of the freeway. The findings of this study can contribute to the design of advanced driver-assistance systems (ADAS) and the development of accurate predictive algorithms for semi-autonomous and autonomous vehicles. تغییر خط یکی از مانورهای حیاتی در رانندگی است که نقش مهمی در ایمنی و روانی جریان ترافیک دارد. هدف این پژوهش، توسعه و مقایسه مدل‌های یادگیری ماشین برای پیش‌بینی کوتاه‌مدت تغییر خط رانندگان در آزادراه است. بدین منظور، از داده‌های میکروسکوپی مجموعه‌داده شبیه‌سازی نسل آینده (NGSIM) استفاده شد و دو مدل شامل شبکه عصبی بازگشتی با حافظه بلندمدت (LSTM) و ماشین بردار پشتیبان (SVM) طراحی و ارزیابی گردیدند. پیش‌بینی‌ها در بازه‌های زمانی ۱ تا ۵ ثانیه پیش از وقوع مانور انجام شد تا اثر افق زمانی بر عملکرد مدل‌ها بررسی شود. برای ارزیابی، معیارهایی نظیر میانگین مربع خطا (MSE)، بازخوانی (Recall) و امتیاز F1 مورد استفاده قرار گرفتند. نتایج نشان داد مدل LSTM در تمامی شاخص‌ها نسبت به SVM برتری معناداری دارد و در بازه‌های کوتاه‌مدت (۱ تا 5 ثانیه) به بالاترین دقت و کمترین خطا دست یافت. همچنین تحلیل آماری نشان داد که در خطوط راست آزادراه تمایل به تغییر خط بیشتر است. یافته‌های این پژوهش می‌تواند در طراحی سیستم‌های کمک‌راننده پیشرفته و توسعه الگوریتم‌های پیش‌بینی دقیق در خودروهای نیمه‌خودران و خودران مورد استفاده قرار گیرد.

https://jte.sinaweb.net/article_236802_aaa1b825df9ce04f2b502c4896f66518.pdf

پژوهشگاه حمل و نقل طراحان پارسه فصلنامه مهندسی حمل و نقل 2008-6598 17 4 2026 06 22 Examining Behavioral Factors Affecting the Frequency of Motorcycle Accidents and Near-Crash Events (Case Study: Isfahan) بررسی عوامل رفتاری مؤثر بر فراوانی تصادفات و رویداد‌های نزدیک به تصادف موتورسیکلت‌سواران (مطالعه موردی: شهر اصفهان) 5653 5674 244129 10.22119/jte.2025.535016.2743 FA مهدی فلاح تفتی دانشیار، دانشکده مهندسی عمران، دانشگاه یزد، یزد، ایران 0000-0001-6844-3316 مجتبی رجبی بهاءآبادی استادیار، دانشکده مهندسی عمران، دانشگاه یزد، یزد، ایران 0000-0002-1392-5729 احمد مهاجری دانشجوی دکترای راه و ترابری، دانشکده مهندسی عمران، دانشگاه یزد، یزد، ایران محمد امین جزی فازغ التحصیل کارشناسی ارشد راه و ترابری، دانشکده مهندسی عمران، دانشگاه یزد، یزد، ایران Journal Article 2025 07 30 Understanding the behavioral patterns that influence motorcyclist accidents plays a significant role in developing traffic safety programs. The objective of this research was to investigate the relationship between motorcyclists' behavioral factors and the rate of accidents and near-miss incidents among riders in Isfahan. The standard "Motorcycle Rider Behavior" questionnaire was revised, with several items added to suit Iranian conditions. After data collection, Exploratory Factor Analysis identified four main factors: "Risky, Showy, and Impulsive Behaviors", "Intentional Violations", "Non-adherence to Safety Equipment Principles," and "Perceptual and Cognitive Errors". To evaluate the impact of these factors, two count regression models namely, "number of accidents in the last two years" and "number of near-miss incidents in the last three months," were developed. The results indicated that in both models, all behavioral factors were significant. However, the "Intentional Violations" and "Risky, Showy, and Impulsive Behaviors" factors had the greatest impact, with standardized coefficients of 0.8 and 0.6 in the first model, and 0.49 and 0.44 in the second. Among the 24 behaviors examined, "Failure to use turn signals" and "Changing lanes without checking mirrors" (with an average score of 3.3 out of 5) were identified as the most common high-risk behaviors. Behaviors such as "Using a mobile phone," "Failure to observe the speed limit," "Overtaking from the right," and "Weaving between lanes" (with an average score of 2.9 out of 5) ranked next. The findings of this research can be used to develop educational interventions, oversight measures, and policy-making for enhancing the safety of motorcyclists. شناخت الگوهای رفتاری مؤثر بر تصادفات موتورسواران، می‌تواند نقش مهمی در تدوین برنامه‌های ایمنی ترافیک داشته باشد. هدف از این پژوهش، بررسی رابطه میان عوامل رفتاری راکبان موتورسیکلت و میزان تصادفات و رویدادهای نزدیک به تصادف موتورسواران در شهر اصفهان است. در این راستا، پرسشنامه استاندارد «رفتار موتورسواری راکبان موتورسیکلت» بازنگری و چند گویه‌ متناسب با شرایط ایران به آن افزوده شد. پس از جمع‌آوری داده‌ها، با استفاده از تحلیل عاملی اکتشافی، چهار عامل اصلی شامل: «رفتارهای پرخطر نمایشی و تکانشی»، «تخلفات عمدی»، «بی‌توجهی به اصول استفاده از تجهیزات ایمنی» و «خطاهای ادراکی و شناختی» شناسایی گردید. برای ارزیابی تأثیر این عوامل، دو مدل‌ رگرسیون شمارشی بترتیب برای متغیر وابسته «تعداد تصادفات در دو سال اخیر» و «تعداد رویداد‌های نزدیک به تصادف در سه ماه گذشته» پرداخت شدند. نتایج مطالعه نشان داد که در هر دو مدل، تمامی عوامل رفتاری معنادارند. لکن، دو عامل «تخلفات عمدی» و «رفتارهای پرخطر نمایشی و تکانشی» بیشترین تأثیر را با ضرایب استاندارد شده به ترتیب برابر با 8/0 و 6/0 در مدل اول، و 49/0 و 44/0 در مدل دوم، بر بروز رویدادها نشان دادند. از میان ۲۴ رفتار بررسی‌شده، «عدم استفاده از چراغ راهنما» و «تغییر خط بدون بررسی آینه» (میانگین ۳.۳ از ۵) شایع‌ترین رفتارهای پرخطر شناخته شدند. رفتارهایی مانند «استفاده از تلفن همراه»، «عدم رعایت سرعت مجاز»، «سبقت از راست» و «حرکت مارپیچ» (میانگین ۲.۹ از ۵) در رتبه بعدی قرار گرفتند.. نتایج این پژوهش می‌تواند در تدوین برنامه مداخلات آموزشی، نظارتی و سیاست‌گذاری‌های ارتقای ایمنی موتورسواران مورد استفاده قرار گیرد.

https://jte.sinaweb.net/article_244129_ca7e21a36d12fff53ec69d904179aca4.pdf

پژوهشگاه حمل و نقل طراحان پارسه فصلنامه مهندسی حمل و نقل 2008-6598 17 4 2026 06 22 Developing Graph Centrality Concepts in Analyzing and Prioritizing Transportation Network Components توسعه مفاهیم مرکزیت گراف در تحلیل و اولویت‌بندی اجزاء شبکه‌های حمل‌ونقلی 5675 5698 245514 10.22119/jte.2026.536860.2744 FA امیر حسین پناهی دانشجوی دکتری، گروه مهندسی عمران، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران علیرضا ماهپور برنامه‌ریزی حمل‌ونقل، دانشکده مهندسی عمران، آب و محیط زیست، دانشگاه شهید بهشتی، تهران، ایران 0000-0001-9454-5906 هومن رحیمی گروه مهندسی عمران، واحد شهرقدس، دانشگاه آزاد اسلامی، شهرقدس، ایران حسن دیواندری گروه مهندسی عمران، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران Journal Article 2025 07 25 Identifying key components of urban transportation networks to enhance resilience, reduce vulnerability, and optimize traffic flow is a fundamental issue in transportation planning. In this study, an analytical framework based on graph-theoretical centrality concepts and matrix–tensor structures was developed to determine and prioritize the relative importance of network components. To this end, three incidence matrices—route–street, street–intersection, and route–intersection—were defined, and a three-dimensional tensor was constructed to represent the multilayer relationships of the network simultaneously. Degree, betweenness, and eigenvector centrality measures were then computed based on these structures and integrated through normalization and weighted aggregation. The proposed framework was implemented on the benchmark Nguyen–Dupuis network consisting of 13 nodes and 38 links. The results indicated that nodes 6, 11, and 5 exhibit the highest composite centrality values, and selecting the top five nodes covers 92.3% of the network routes. Sensitivity analysis further revealed that the tensor-based criterion can highlight inter-layer nodes that are not identified by classical methods. The findings suggest that the combined use of incidence matrices and tensor structures provides deeper insight into the functional organization of transportation networks and can support more effective strategies for maintenance prioritization, alternative route design, and system resilience enhancement. شناسایی اجزای کلیدی شبکه‌های حمل‌ونقل شهری، به‌منظور ارتقای تاب‌آوری، کاهش آسیب‌پذیری و بهینه‌سازی جریان ترافیک، از موضوعات بنیادی در برنامه‌ریزی حمل‌ونقل است. در این پژوهش، چارچوبی تحلیلی مبتنی بر مفاهیم مرکزیت در نظریه گراف و ساختارهای ماتریسی–تانسوری توسعه داده شده است تا اهمیت نسبی اجزای شبکه‌های حمل‌ونقلی تعیین و اولویت‌بندی شود. برای این منظور، سه ماتریس وقوع شامل مسیر–خیابان، خیابان–تقاطع و مسیر–تقاطع تعریف و سپس یک تانسور سه‌بعدی جهت نمایش هم‌زمان روابط چندلایه‌ای شبکه تشکیل شد. معیارهای مرکزیت درجه، بینابینی و بردار ویژه بر مبنای این ساختارها محاسبه و با روش نرمال‌سازی و ترکیب وزنی تلفیق گردید. چارچوب پیشنهادی در شبکه‌ی معیار Nguyen–Dupuis با 13 گره و ۳۸ یال پیاده‌سازی شد. نتایج نشان داد گره‌های شماره‌ی 6، 11 و 5 بالاترین مقادیر مرکزیت ترکیبی را دارند و انتخاب پنج گره‌ی برتر موجب پوشش ۹۲٫۳ درصد از مسیرهای شبکه می‌شود. همچنین تحلیل حساسیت نشان داد معیار تانسوری قادر است گره‌هایی با نقش میان‌لایه‌ای را که در روش‌های کلاسیک شناسایی نمی‌شوند، برجسته کند. یافته‌ها نشان می‌دهد که استفاده‌ی هم‌زمان از ماتریس وقوع و تانسور می‌تواند به درک عمیق‌تر از ساختار عملکردی شبکه‌های حمل‌ونقل و ارائه‌ی راهکارهایی برای اولویت‌بندی نگهداری، طراحی مسیرهای جایگزین و افزایش تاب‌آوری سیستم منجر شود.

https://jte.sinaweb.net/article_245514_4ef1830e8ed513b6733808be56492598.pdf

پژوهشگاه حمل و نقل طراحان پارسه فصلنامه مهندسی حمل و نقل 2008-6598 17 4 2026 06 22 Identifying and Segmentation Key Customers Based on Value Creation Criteria in Industrial Markets (Case Study: International Road Transport Companies) شناسایی و خوشه‌بندی مشتریان کلیدی مبتنی بر معیارهای خلق ارزش در بازارهای صنعتی (مطالعه موردی: شرکت‌های حمل و نقل بین‌المللی جاده‌ای) 5699 5726 244130 10.22119/jte.2026.550543.2747 FA ناصر شیخ گروه مدیریت بازرگانی، واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران حمیدرضا یزدانی گروه رهبری و سرمایه انسانی، دانشکدگان مدیریت، دانشگاه تهران، تهران، ایران عبدالحسین کرم‌پور گروه مدیریت بازرگانی، واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران Journal Article 2025 10 02 The international road transport industry, as one of the core pillars of the global supply chain, is facing challenges in terms of competitiveness and customer relationship management. In this context, identifying and clustering key customers based on value creation criteria represents an innovative approach to enhancing efficiency and strengthening companies’ competitive advantage. However, the multi-layered dimensions of customer value creation have received limited attention from researchers. Accordingly, the purpose of this study was to identify and cluster key customers in industrial markets based on value creation criteria. This research is considered a mixed-method study. In the qualitative phase, customer value creation criteria were elicited, while in the quantitative phase, the customer lifetime value (CLV) of key industrial customers was first calculated using a formulated equation, and subsequently, clustering was performed based on the elicited criteria. In the qualitative section, the sample consisted of 14 experts selected through purposive non-probability sampling. In the quantitative section, purposive and convenience sampling was employed to calculate the CLV of key customers, involving 42 companies. The K-Means method was then applied for clustering. The findings revealed that key industrial customers were grouped into three clusters: (1) Golden Low-Interaction Customers—customers with high revenue per transaction but fewer transactions compared to other clusters; (2) Silver Growth-Potential Customers—customers with a high number of transactions and continuous engagement, generating moderate revenue yet demonstrating a high renewal rate; and (3) Bronze High-Interaction Customers—customers with the highest number of transactions but very low revenue. صنعت حمل‌ونقل بین‌المللی جاده‌ای به‌عنوان یکی از ارکان اصلی زنجیره تأمین جهانی، با چالش‌هایی در زمینه رقابت‌پذیری و مدیریت روابط مشتری مواجه است. در این میان، شناسایی و خوشه‌بندی مشتریان کلیدی با توجه به معیارهای خلق ارزش، رویکردی نوین برای ارتقاء کارایی و افزایش مزیت رقابتی شرکت‌ها محسوب می‌شود. اما این در حالی است ‌که ابعاد چندلایه ارزش‌آفرینی مشتری کمتر مورد توجه محققین قرار گرفته است. لذا هدف از ارائه این مقاله شناسایی و خوشه‌بندی مشتریان کلیدی مبتنی بر معیارهای خلق ارزش در بازارهای صنعتی بود. این تحقیق یک پژوهش ترکیبی قلمداد می‌شود. در فاز کیفی معیارهای خلق ارزش مشتری احصاء شدند و در فاز کمی، نخست ارزش طول عمر مشتریان صنعتی کلیدی از طریق فرمول تدوین شده محاسبه و سپس بر اساس معیارهای احصاء شده به خوشه‌بندی آنان اقدام شد. در بخش کیفی، نمونه شامل ۱۴ خبره با روش غیراحتمالی هدفمند بود؛ در بخش کمی نیز برای محاسبه ارزش طول عمر مشتریان کلیدی، از نمونه‌گیری غیراحتمالی هدفمند و در دسترس استفاده شد که شامل ۴۲ شرکت بود. سپس روش کا – میانگین برای خوشه‌بندی مورد استفاده قرار گرفت. نتایج تحقیق نشان داد مشتریان صنعتی کلیدی در سه خوشه قرار گرفتند که عبارتنداز مشتریان طلایی کم‌تعامل (مشتریانی با درآمد بالا در هر تراکنش اما با تعداد تراکنش کمتر نسبت به سایر خوشه‌ها)، مشتریان نقره‌ای قابل رشد (مشتریانی با تعداد تراکنش بالا و تعامل مستمر، اما با درآمد متوسط و در عین حال، نرخ تمدید همکاری بالا)، و مشتریان برنزی پرتعامل (مشتریانی با بیشترین تعداد تراکنش، اما با درآمد بسیار پایین).

https://jte.sinaweb.net/article_244130_b9ade1dadf155b75c9b7cf62777a6898.pdf

پژوهشگاه حمل و نقل طراحان پارسه فصلنامه مهندسی حمل و نقل 2008-6598 17 4 2026 06 22 Investigating the Impact of Music on Driver Safety with a Focus on Biometric Indicators and Personality Traits ارزیابی اثر ویژگی‌های موسیقی بر عملکرد رانندگی و برانگیختگی فیزیولوژیک در محیط شبیه‌ساز 5727 5740 236803 10.22119/jte.2025.553437.2750 FA علیرضا صادقی دانش آموخته کارشناسی ارشد برنامه ریزی حمل‌ونقل دانشگاه تربیت مدرس، تهران، ایران سعید شرافتی پور استادیار گروه برنامه ریزی حمل‌ونقل دانشگاه تربیت مدرس، تهران، ایران 0009-0004-2291-1718 حجت اله فراهانی دانشیار گروه روانشناسی دانشگاه تربیت مدرس، تهران، ایران 0000-0002-9799-7008 Journal Article 2025 10 15 This research investigates driving performance and physiological arousal as influenced by structural features of music using a within-subject design with 50 licensed participants. Fifteen music trials, created using fractional factorial design with factors including manipulated musical emotion, musical tempo, and volume, are conducted in the BeamNG-Drive simulator. The physiological measure SR was logged and scaled to create a common Arousal Index. The driving variables logged include driving errors, speeding pattern, lateral deviation from lanes, and reaction time. PCA on music-attitude data validated data adequacy, while k-means clustering extracted five distinct types of attitudes on music. Cluster analysis on features related to performance and physiology also extracted four stable patterns of responses from “low-error/low-arousal” to “high-error/high-arousal.” On within-subject statistical tests, musical condition had significant effects on both error rates and levels of arousal, and highest arousal and number of errors occurred for anxiety-inducing musical content, followed by “happy” music, with “sad” music in between. This research has important implications for how music can affect behavioral safety systematically through physiological arousal, and how inter-individual differences are important to this process. Their work directly applies to developing intelligent in-car music recommendation systems, physiological detection technologies to prevent excessive arousal, and procedures for safe management of audio content, especially in challenging driving environments. این پژوهش اثر مؤلفه‌های ساختاری موسیقی را بر عملکرد رانندگی و برانگیختگی فیزیولوژیک در یک طرح درون‌سوژه‌ای با ۵۰ راننده بررسی می‌کند. پانزده سناریوی موسیقایی، بر اساس یک طرح فاکتوریل کسری شامل سه متغیر احساس القاشده، سرعت ضرب‌آهنگ و شدت صدا، در شبیه‌ساز BeamNG-Drive اجرا شد. شاخص فیزیولوژیک از مقاومت پوست ثبت و پس از تبدیل لگاریتمی و استانداردسازی، به شاخص یکپارچه Arousal Index نگاشت شد. سنجه‌های عملکردی شامل تعداد خطا، الگوی سرعت، انحراف جانبی مسیر و زمان واکنش استخراج گردید. تحلیل نگرش موسیقایی با PCA کفایت داده‌ها را تأیید کرد و خوشه‌بندی k-means پنج تیپ نگرشی متمایز را شناسایی نمود. خوشه‌بندی داده‌های عملکردی–فیزیولوژیکی نیز چهار الگوی پاسخ پایدار (از «خطای کم/برانگیختگی کم» تا «خطای زیاد/برانگیختگی بالا») را آشکار ساخت. آزمون‌های درون‌سوژه‌ای نشان دادند که نوع موسیقی تفاوت‌های آماری معناداری در میزان خطا و سطح برانگیختگی ایجاد می‌کند؛ موسیقی اضطراب‌برانگیز بیشترین برانگیختگی و خطا و موسیقی شاد کمترین آن‌ها را ایجاد کرد، در حالی‌که موسیقی غمگین در بینابین قرار داشت. این نتایج نشان می‌دهد که موسیقی از طریق تعدیل برانگیختگی فیزیولوژیک می‌تواند بر ایمنی رفتاری اثرگذار باشد و تفاوت‌های فردی نقش کلیدی در این فرآیند دارند. یافته‌ها کاربرد مستقیمی در طراحی سامانه‌های هوشمند انتخاب و تنظیم موسیقی در خودرو، توسعه سیستم‌های پایش فیزیولوژیک راننده برای هشداردهی به افزایش برانگیختگی، و تدوین دستورالعمل‌های ایمنی برای مدیریت محتوای شنیداری به‌ویژه در شرایط بحرانی رانندگی دارند.

https://jte.sinaweb.net/article_236803_74d36491a242241fa16be110179563a8.pdf

پژوهشگاه حمل و نقل طراحان پارسه فصلنامه مهندسی حمل و نقل 2008-6598 17 4 2026 06 22 Traffic Safety Assessment in Combined Road and Land Use Sections سنجش ایمنی ترافیک در قطعات ترکیبی معبر و کاربری 5741 5757 245409 10.22119/jte.2026.562456.2754 FA غزال احمدعلی نژاد کارشناس ارشد، گروه مهندسی ژئوتکنیک و حمل و نقل، دانشکده مهندسی عمران، اب و محیط زیست، دانشگاه شهید بهشتی، تهران، ایران مرتضی اسدامرجی استادیار، گروه مهندسی ژئوتکنیک و حمل و نقل، دانشکده مهندسی عمران، اب و محیط زیست، دانشگاه شهید بهشتی، تهران، ایران 0000-0003-2799-4052 Journal Article 2025 11 26 Urban road design is in a reciprocal relationship with land use, the existence of each land use brings its own trip generation and attraction. Any change in land use characteristics can change the trip pattern. Optimal distribution of land uses can affect traffic safety of the land use area and the adjacent road. Multi-purpose land uses are considered important land uses due to their high trip attraction and generation. In this paper, the CODAS model has been used to evaluate the traffic safety effects of multi-purpose land uses. The CODAS model has the ability to combine and analyze different data. Also, the additional control performed in the CODAS method helps to increase the accuracy of modeling. From the combination of different land use groups and different functional categories, 20 cases of multi-purpose land uses in Tehran were selected and examined. After classifying the criteria related to land use and road, the Shannon entropy and best-worst combined methods have been used to weight the criteria. According to the results, the highest weight in the use section was assigned to "use infrastructure area" (0.324) and in the road section to "crash severity index" (0.226). Then, the road sections including the uses were ranked in terms of traffic safety with the combined CODAS model. This study is based on the combination of land uses. According to the results, multi-purpose land uses in the vicinity of the highway functional category with building group D have a higher safety risk, followed by group C in the vicinity of highway roads. The results of this study can be used in prioritizing and securing the area of multi-purpose uses, allocating safety budgets in the relevant area, and in implementing code 23 of the National Building Regulations in the field of traffic requirements for buildings. طراحی معبر شهری در ارتباط متقابل با کاربری‌ قرار دارد، وجود هر کاربری‌ تولید و جذب سفر مخصوص به خود را به همراه دارد. هر گونه تغییر در ویژگی‌های کاربری‌ زمین می تواند الگوی سفر را تغییر دهد. توزیع بهینه کاربری‌‌ها می تواند بر ایمنی ترافیک محدوده کاربری‌ و معبر مجاو تاثیر بگذارد. کاربری‌های چند منظوره به دلیل جذب و تولید سفر بالا جزو کاربری‌‌های مهم به حساب می آیند. در این مقاله به منظور ارزیابی تاثیرات ایمنی ترافیکی کاربری‌های چند منظوره از مدل کوداس استفاده شده است. مدل کوداس توانایی ترکیب و تحلیل داده های مختلف را دارد همچنین کنترل مضاعفی که در روش کوداس انجام میشود به افزایش دقت مدل سازی کمک می کند. از ترکیب گروه کاربری‌‌های مختلف و رده‌های عملکردی مختلف و 20 مورد از کاربری‌‌های چند منظوره شهر تهران انتخاب و مورد بررسی قرار گرفتند. پس از دسته بندی معیار‌های مربوط به کاربری و معبر، برای وزن دهی معیا‌رها از روش ترکیبی آنتروپی شانون و بهترین-بدترین استفاده شده است. طبق نتیجه بیشترین وزن در بخش کاربری به «مساحت زیربنای کاربری» (۰.۳۲۴) و در بخش معبر به «شاخص شدت تصادف» (۰.۲۲۶) تعلق گرفته است. در ادامه قطعات معبر شامل کاربری‌ها به لحاظ ایمنی ترافیک با مدل ترکیبی کوداس رتبه‌بندی شدند. این مطالعه بر مبنای ترکیب کاربری‌ها در نظر گرفته‌شده‌است. طبق نتایج کاربری‌‌های چندمنظوره در مجاورت رده عملکردی بزرگراه با گروه ساختمانی د ریسک ایمنی بیشتری دارند و پس از آن گروه ج در مجاورت معابر بزرگراهی قرار داشتند. از نتایج این پژوهش می‌توان در اولویتبندی و ایمن سازی محدوده ی کاربری‌‌های چند منظوره، تخصیص بودجه ی ایمنی در محدوده ی مربوطه و در اجرایی شدن مبحث 23 مقررات ملی ساختمان در زمینه ی الزامات ترافیکی ساختمان‌ها استفاده نمود.

https://jte.sinaweb.net/article_245409_ba2eafde95295b784d07b3a81080daf5.pdf

پژوهشگاه حمل و نقل طراحان پارسه فصلنامه مهندسی حمل و نقل 2008-6598 17 4 2026 06 22 Causal Modeling of Factors Affecting the Performance of Autonomous Vehicles in Intelligent Transportation Systems (ITS) مدل‌سازی علی عوامل مؤثر بر کارایی خودروهای خودران در سیستم‌های حمل‌ونقل هوشمند (ITS) 5759 5771 248167 10.22119/jte.2026.575462.2761 FA الهام اسدامرجی استادیار، گروه مدیریت فناوری اطلاعات، واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران 0000-0003-4453-9879 Journal Article 2026 02 22 Autonomous vehicles, as one of the key components of Intelligent Transportation Systems (ITS), play a significant role in enhancing the safety, efficiency, and sustainability of urban transportation networks. Despite considerable technological advancements in automation, sensor technologies, and communication systems, a comprehensive understanding of the causal relationships among the technical, human, infrastructural, and institutional factors influencing the performance of autonomous vehicles remains limited. The present study aims to develop and empirically test a comprehensive causal–statistical model within the ITS framework. The research data were collected from 320 experts and potential users through purposive and convenience sampling methods. Based on the 10-times rule in Partial Least Squares Structural Equation Modeling (PLS-SEM), the sample size was considered adequate for accurate parameter estimation. Data analysis was conducted using the PLS-SEM approach. The findings revealed that the level of autonomy, sensor reliability, and the quality of ITS communications have a positive and significant effect on transportation system efficiency through the mediating variables of trust, perceived safety, and technology acceptance. Furthermore, the results indicate that user trust and perceived safety play a decisive role in the acceptance and effective utilization of autonomous vehicles. Overall, the findings of this study provide a scientific and practical framework to support policymaking, infrastructure planning, and the successful development of intelligent transportation systems based on autonomous vehicles. خودروهای خودران به‌عنوان یکی از مؤلفه‌های کلیدی سیستم‌های حمل‌ونقل هوشمند(ITS) ، نقش مهمی در ارتقای ایمنی، کارایی و پایداری شبکه‌های حمل‌ونقل شهری ایفا می‌کنند. با وجود پیشرفت‌های قابل‌توجه فناورانه در حوزه‌های خودکارسازی، حسگرها و سامانه‌های ارتباطی، درک جامعی از روابط علّی میان عوامل فنی، انسانی، زیرساختی و نهادی مؤثر بر عملکرد خودروهای خودران همچنان محدود است. پژوهش حاضر با هدف توسعه و آزمون تجربی یک مدل علی–آماری جامع در چارچوب ITS انجام شده است. داده‌های پژوهش با استفاده از روش نمونه‌گیری هدفمند و در دسترس، از ۳۲۰ نفر از متخصصان و کاربران بالقوه گردآوری گردید؛ این حجم نمونه با استناد به قاعده ده‌برابری (10-times rule) در روش PLS-SEM، از کفایت لازم برای برآورد دقیق پارامترهای مدل برخوردار است. تحلیل داده‌ها با رویکرد مدل‌یابی معادلات ساختاری بر مبنای حداقل مربعات جزئی (PLS-SEM) انجام شد . نتایج پژوهش نشان داد که سطح خودرانگی، قابلیت اطمینان حسگرها و کیفیت ارتباطات ITS از طریق متغیرهای میانجی اعتماد، ایمنی ادراک‌شده و پذیرش فناوری، تأثیر مثبت و معناداری بر کارایی سیستم حمل‌ونقل دارند. در مجموع، یافته‌های این پژوهش چارچوبی علمی و کاربردی برای پشتیبانی از سیاست‌گذاری، برنامه‌ریزی زیرساختی و توسعه موفق سیستم‌های حمل‌ونقل هوشمند مبتنی بر خودروهای خودران ارائه می‌دهد.

https://jte.sinaweb.net/article_248167_aa1f76a9d323c6d1af8cdf2e53353c26.pdf