اولویت‌بندی پارامترهای رفتاری قابل ارزیابی با شبیه‌ساز رانندگی برای خودروهای سواری در کلان‌شهر تهران

اسدامرجی, مرتضی; رسولی, امیر

doi:10.22119/jte.2023.379133.2639

اولویت‌بندی پارامترهای رفتاری قابل ارزیابی با شبیه‌ساز رانندگی برای خودروهای سواری در کلان‌شهر تهران

نوع مقاله : علمی - پژوهشی

نویسندگان

¹ استادیار، دانشکده مهندسی عمران، آب و محیط‌زیست، دانشگاه شهید بهشتی، تهران، ایران

² کارشناس ارشد سازمان راهداری و حمل و نقل جاده‌ای، تهران، ایران

10.22119/jte.2023.379133.2639

چکیده

عوامل بروز تصادفات ترافیکی شامل انسان، جاده، محیط و وسیله نقلیه است که در این میان نیز بیش‌ترین سهم، مربوط به عامل انسانی است، درنتیجه در حین مطالعات ایمنی ترافیک عوامل انسانی باید در اولویت قرار گیرند. امروزه یکی از فناوری‌های مهمی که در زمینه بررسی پارامترهای رفتاری رانندگان مورد استفاده قرار میگیرد شبیه‌سازهای رانندگی است. علاوه بر آن استفاده از شبیه‌سازهای رانندگی با هدف کاهش حوادث از طریق افزایش مهارت رانندگان و صلاحیت سنجی رانندگان از جمله موارد مهم آموزشی است که میزان خطاهای انسانی را کاهش می‌دهد. در این پژوهش شبیه‌سازهای رانندگی خودرو سواری مورد بررسی و ارزیابی قرار گرفتند تا مهم‌ترین پارامترهای رفتاری که به‌وسیله این دستگاه‌ها قابلیت برداشت و ارزیابی دارند اولویت بندی شوند. بدین منظور دو معیار تخلف و تصادف در بین رانندگان خودروی سواری در شهر تهران انتخاب شدند. در راستای وزن دهی معیارها از روش میانگین حسابی ساده و با توجه به میزان اثرگذاری بر ایمنی و نظرات متخصصان دارای تخصص و سابقه حرفه ای مرتبط با حمل و نقل و شبیه سازهای رانندگی استفاده شد. برای اولویت بندی نهایی پارامتر‌های رفتاری قابل ارزیابی به‌وسیله دستگاه شبیه‌ساز از روش‌ کوداس استفاده شد که بر اساس یک روش کنترل مضاعف و براساس شاخص ارزیابی حاصل از فواصل اقلیدسی و تاکسی از ایده آل منفی رتبه بندی را انجام می دهد. در نهایت تحلیل ها نشان داد درک خطر و انتخاب سرعت مهم‌ترین پارامترهای رفتاری هستند که باید در شهر تهران مدنظر قرار گیرند. از نتایج این پژوهش می توان در آموزش و آزمون مهارت های رانندگی و جمع آوری پارامترهای رفتاری رانندگان خودروهای سواری استفاده نمود.

کلیدواژه‌ها

20.1001.1.20086598.1402.14.3.15.4

موضوعات

ایمنی

عنوان مقاله [English]

Prioritization Evaluable Behavioral Parameters with Driving Simulators for Tehran Metropolis

نویسندگان [English]

Morteza Asadamraji ¹
Amir Rasouli ²

¹ Assistant Professor, Department of Geotechnics and Transportation, Faculty of Civil Engineering, Water and Environment, Shahid Beheshti University, Tehran, Iran

چکیده [English]

The main causes of traffic accidents include human, road, environment and vehicle, among which the largest share is related to the human factor. So human factors should be prioritized during traffic safety studies. Despite the relatively large investment in two sectors that affect accidents, which are roads and vehicles, the efficiency corresponding to these costs is not achieved In Iran. One of the issues and problems of traffic safety studies is the behavioral evaluation of vehicle drivers, which has been replaced by the use of car driving simulators due to the dangers in the actual process. In this research, car driving simulators were investigated in order to identify the most important indicators that can evaluated by these devices. This process helps to improve and systematically control the use of existing simulators, and to build and provide suitable new simulations in accordance with the needs and priorities of the city of Tehran. The analysis of factors that can be evaluated by the simulator device through multi-criteria methods revealed that risk perception and speed selection are among the most important factors, and eye movements and visual search, as well as the driver's behavior when facing a traffic light, will be among the least important ones.

کلیدواژه‌ها [English]

Traffic
Human Factor
Driving Simulator
Prioritization

مراجع

- اخضری بابکی، ندا و مختاریان، حمیدرضا،1399، معرفی شبیه‌ساز آموزش رانندگی و نقش آن در کاهش تصادفات ناشی از عامل انسانی، کنفرانس بین المللی عمران، معماری، توسعه و بازآفرینی زیرساخت‌های شهری در ایران، تهران.

- نقوی محسن، اکبری محمد اسماعیل، همه‌گیری‌شناسی آسیب‌های ناشی از علل خارجی (حوادث) در جمهوری اسلامی ایران، چاپ اول، فکرت، تهران ۱۳۸۱.

- رحمانی فیروزجاه، علی.، و سهرابی، سعیده. (1391). بررسی جامعه‌شناختی رابطه میان کیفیت زندگی و سرمایه اجتماعی (مطالعه موردی شهر تهران). مطالعات توسعه اجتماعی - فرهنگی، 1(2), 157-175.

- Kotliarenko, V. I. (2020, April). Some aspects of modern automobile transport development. In IOP Conference Series: Materials Science and Engineering (Vol. 819, No. 1, p. 012013). IOP Publishing.

- Peden, M. M., & Puvanachandra, P. (2019). Looking back on 10 years of global road safety. International health, 11(5), 327-330.

- Owsley C, McGwin G, McNeal SF. Impact of impulsiveness, venturesomeness, and empathy on driving by older adults. Journal of safety Research. 2003 Dec 31;34(4):353-9.

- Wismans, J., Granström, M., Skogsmo, I., & Kronberg, P. (2019). ROAD TRAFFIC SAFETY SCENARIOS.‌

- ESCAP, U. (2019). Road safety in the Asia-Pacific region.‌

- Deppermann, A. (2018). Instructions in driving lessons.‌

- Rauniomaa, M., Lehtonen, E., & Summala, H. (2018). Noticings with instructional implications in post‐licence driver training. International Journal of Applied Linguistics, 28(2), 326-346.‌

- Senserrick, T., & Haworth, N. (2005). Review of literature regarding national and international young driver training, licensing and regulatory systems (No. 239).

- Redelmeier, D. A., Tibshirani, R. J., & Evans, L. (2003). Traffic-law enforcement and risk of death from motor-vehicle crashes: case-crossover study. The Lancet, 361(9376), 2177-2182.‌

- Palumbo, A. J., Pfeiffer, M. R., Metzger, K. B., & Curry, A. E. (2019). Driver licensing, motor-vehicle crashes, and moving violations among older adults. Journal of safety research, 71, 87-93.‌

- Habib, M. N., Jamal, W., & Manzoor, H. (2019). Mapping public sector reforms through thematic networks: A case of computerized driving licensing authority, Khyber Pakhtunkhwa. Abasyn University Journal of Social Sciences, 12(2), 298-322.‌

- Kingham, S., Pearce, J., Dorling, D., & Faulk, M. (2008). The impact of the graduated driver licence scheme on road traffic accident youth mortality in New Zealand. Journal of Transport Geography, 16(2), 134-141.‌

- Akbari, M., Lankarani, K. B., Heydari, S. T., Motevalian, S. A., Tabrizi, R., & Sullman, M. J. (2021). Is driver education contributing towards road safety? a systematic review of systematic reviews. Journal of injury and violence research, 13(1), 69.

- Wu, C., Le Vine, S., & Sivakumar, A. (2021). Exploratory analysis of young adults’ trajectories through the UK driving license acquisition process. Traffic injury prevention, 22(1), 37-42.

-Asadamraji, M., Saffarzadeh, M., Borujerdian, A., & Ferdousi, T. (2018). Hazard detection prediction model for rural roads based on hazard and environment properties. Promet-Traffic&Transportation, 30(6), 683-692.

- Keshavarz Ghorabaee, M., Zavadskas, E. K., Turskis, Z., & Antucheviciene, J. (2016). A new combinative distance-based assessment (CODAS) method for multi-criteria decision-making. Economic Computation & Economic Cybernetics Studies & Research, 50(3).

- Simsekoglu, Ö., & Suzen, E. (2021). What predicts the number of attempts to pass the driving test? A case from Norwegian driving education model. IATSSresearch, 45(3),382-388.

- Asadamraji, M. (2022). Novel Index of Budget Allocation to Practical Projects of Intelligent Transportation Systems in a Transit Corridor. International Journal of Transportation Engineering, 9(3), 735-747. doi: 10.22119/ijte.2021.309448.1592

- Sheikholeslami, S., Saffarzadeh, M., Mamdoohi, A. R., & Asadamraji, M. (2023). How does a driver feel behind the wheel? An exploratory study of drivers’ emotions and the effect of their sociodemographic background. Accident Analysis & Prevention, 183, 106974.

- Sheikholeslami, S., Boroujerdian, A. M., & Asadamraji, M. (2020). A rural road accident probability model based on single-vehicle hazard properties including hazard color and mobility: a driving simulator study. Journal of advanced transportation, 2020, 1-8.

- Asadamraji, M., Saffarzadeh, M., Ross, V., Borujerdian, A., Ferdosi, T., & Sheikholeslami, S. (2019). A novel driver hazard perception sensitivity model based on drivers’ characteristics: A simulator study. Traffic injury prevention, 20(5), 492-497.

- Üzümcüoğlu, Y., Özkan, T., Wu, C., & Zhang, H. (2020). Traffic climate and driver behaviors: The moderating role of driving skills in Turkey and China. Journal of safety research, 75, 87-98.‌

- Rayed, A. M., Tariq, M. A. U. R., Rahman, M., Ng, A. W. M., Nahid, M. K. A., Mridul, M & Mohiuddin, M. (2022). An analysis of driving behavior of educated youth in Bangladesh considering physiological, cultural and socioeconomic variables. Sustainability, 14(9), 5134.‌

-Cheng, Y. Q., Mansor, S., Chin, J. J., & Karim, H. A. (2022). Driving Simulator for Drivers Education with Artificial Intelligence Traffic and Virtual Reality: a Review. In Proceedings of the 8th International Conference on Computational Science and Technology (pp. 483-494). Springer, Singapore.‌

- Senserrick, T. M. (2007). Recent developments in young driver education, training and licensing in Australia. Journal of Safety Research, 38(2), 237-244.‌

- Nadimi, N., NaserAlavi, S. S., & Asadamraji, M. (2022, December). Calculating dynamic thresholds for critical time to collision as a safety measure. In Proceedings of the Institution of Civil Engineers-Transport (Vol. 175, No. 7, pp. 403-412). Thomas Telford Ltd.

- Pambuditomo, P. A. D., & Widayati, W. (2020). Driving License Management Services In Preventing Traffic Accidents. Law Development Journal, 2(3), 419-425.‌

- Crundall, D., Van Loon, E., Baguley, T., & Kroll, V. (2021). A novel driving assessment combining hazard perception, hazard prediction and theory questions. Accident Analysis & Prevention, 149, 105847.‌

- Horswill, M. S., Hill, A., & Wetton, M. (2015). Can a video-based hazard perception test used for driver licensing predict crash involvement? Accident Analysis & Prevention, 82, 213-219.‌

- Vlakveld, W. P. (2014). A comparative study of two desktop hazard perception tasks suitable for mass testing in which scores are not based on response latencies. Transportation research part F: traffic psychology and behaviour, 22, 218-231.

- Lim, W. Y., Kim, T. H., Lim, S. H., Wang, S. W., & Lee, J. P. (2020). Development of Driving License Education System based on Multidimensional Preference Analysis. In Proceedings of the Korean Society of Computer Information Conference (pp. 133-134). Korean Society of Computer Information.‌

- Bromiley, P. A., Thacker, N. A., & Bouhova-Thacker, E. (2004). Shannon entropy, Renyi entropy, and information. Statistics and Inf. Series (2004-004), 9.‌

- Zargari, S. A., Dehghani, N., & Mirzahossein, H. (2018). Optimal traffic lights control using meta heuristic algorithms in high priority congested networks. Transportation letters, 10(3), 172-184.