شناسایی مقاطع پرتصادف با استفاده از الگوریتم‌های خوشه‌بندی

دلشاد, منا; رضاییان, هانی; سدیدی, جواد; دانش, اکبر

doi:10.22119/jte.2025.495110.2724

شناسایی مقاطع پرتصادف با استفاده از الگوریتم‌های خوشه‌بندی

نوع مقاله : علمی - پژوهشی

نویسندگان

منا دلشاد ¹

هانی رضاییان ²

جواد سدیدی ³

اکبر دانش ⁴

¹ کارشناس ارشد، دانشکده سنجش از دور و سیستم اطلاعات جغرافیایی(GIS)، دانشگاه خوارزمی، تهران، ایران

² استادیار، دانشکده سنجش از دور و سیستم اطلاعات جغرافیایی(GIS)، دانشگاه خوارزمی، تهران، ایران

³ دانشیار، دانشکده سنجش از دور و سیستم اطلاعات جغرافیایی(GIS)، دانشگاه خوارزمی، تهران، ایران

⁴ دکتری تخصصی مهندسی عمران گرایش راه و ترابری، دانشگاه تهران، تهران، ایران

10.22119/jte.2025.495110.2724

چکیده

شناسایی مقاطع پرتصادف جاده ای، امکان درک بهتر الگوهای تصادف برای کارشناسان ایمنی راه فراهم می آورد تا ایمنی راه ها را بهبود دهند، این پژوهش کاربردی، با هدف بررسی امکان شناسایی مقاطع پرتصادف با استفاده از الگوریتم‌های خوشه‌بندی مکانی شامل تخمین تراکم هسته (KDE)، خودهمبستگی موران محلی (Moran-I) و K-Means انجام شده است. در این راستا، دستورالعمل تجربی ارائه شده برای مقاطع پرتصادف از سوی وزارت راه و شهرسازی، بعنوان مرجع مقایسه الگوریتم ها و صحت‌سنجی نتایج درنظرگرفته شده است. نمونه مطالعاتی تحقیق، داده‌های تصادفات جادهای محور مشهد-بجنورد در بازه زمانی 1401-1398 است. آماده سازی دادههای با یکپارچه سازی محور و استخراج کیلومتراژبرای تصادفات انجام می شود. پس از استخراج مقاطع با استفاده از الگوریتم های عنوان شده در فرمت رستری، میزان همپوشانی آنها با مقاطع پرتصادف مرجع محاسبه شده است. بدین ترتیب الگوریتم KDE با 55/82% و 96/70% انطباق در مسیر رفت و برگشت بیشترین انطباق را با مقاطع پرتصادف مرجع دارد. ضمنا در بررسی نحوه توزیع تراکم مقاطع پرتصادف با مناطق سکونتگاه هایی مشخص شد که در مسیر رفت و برگشت در 30 کیلومتر ابتدایی شهر مشهد و در حدفاصل دو شهر فاروج و شیروان، 14 کیلومتر بعد از خروجی شهر شیروان در مسیر رفت و 8 کیلومتر ابتدایی شهر بجنورد بیشترین تراکم تصادفات را دارند،

کلیدواژه‌ها

الگوریتم K-Means

الگوریتم تخمین تراکم هسته (KDE)

الگوریتم خودهمبستگی موران محلی (Moran-I)

تصادف جادهای

خوشه‌بندی

موضوعات

تصادفات

عنوان مقاله English

Identifying Blackspot Sections of Accident Using Clustering Algorithms

نویسندگان English

Mona Delshad ¹

Hani Rezayan ²

Javad Sadidi ³

Akbar Danesh ⁴

¹ M.Sc., Department of Remote Sensing and Geographical Information System, Kharazmi University, Tehran

² Assistant Professor, Department of Remote Sensing and Geographical Information System, Kharazmi University, Tehran

³ Associate Professor, Department of Remote Sensing and Geographical Information System, Kharazmi University, Tehran

⁴ PhD., Department of Civil Engineering, University of Tehran, Tehran, Iran

چکیده English

Identifying road accident hotspots enables better understanding of accident patterns for road safety experts to improve roads safety. This study as an applied research, analyzes road accidents to identify blackspots using clustering algorithms: Kernel Density Estimation (KDE), Local Moran's I, and K-Means. The Iranian Ministry of Roads and Urban Development's definition of blackspots was used as the reference for algorithms comparison and results validation. The study examined road accident data on the Mashhad-Bojnord road from 2019-2022. After extracting blackspots using the mentioned algorithms in raster format, their overlap with the reference blackspots was calculated. The KDE algorithm showed the highest match with the blackspots, with 82.55% and 70.96% overlap in forward and return directions, respectively. Analysis of blackspots and accidents distributions near settlements revealed that the highest accident density occurs in the first 30 kilometers of Mashhad city, between Farooj and Shirvan cities, 14 kilometers after Shirvan city exit in the forward direction, and the first 8 kilometers of Bojnord city.

کلیدواژه‌ها English

K-Means Algorithm

Kernel Density Estimation (KDE) Algorithm

Local Moran Autocorrelation (Moran-I) Algorithm

Road Accident

Clustering

- زینلی، سایه، حسینعلی، فرهاد، صادقی نیارکی، ابوالقاسم، کاظمی بیدختی، محمد، عفتی، میثم. (1393). تحلیل مکانی تصادفات در تقاطع‌های برون‌شهری با به‌کارگیری روش‌های خودهمبستگی مکانی و برآورد تراکم کرنل. سال سوم، شماره دوم.

- زینلی، سایه. (۱۳۹۳). "تحلیل تصادفات جاده‌ای در تقاطع‌ها بر‌مبنای رویکرد مکان‌مبنا"، پایان‌نامه کارشناسی ارشد، دانشکده مهندسی عمران، دانشگاه تربیت دبیر شهید رجایی.

- حق شنو، آرزو. (1393). بررسی عوامل مؤثر بر شدت تصادفات برون شهری و ارائه مدل مناسب(مطالعه موردی استان تهران)، گزارش پژوهشی شماره7، پلیس راهنمایی و رانندگی ناجا مرکز تحقیقات کاربردی.

- صادقی، علی اصغر، آیتی، اسماعیل، پیرایش نقاب، محمد علی، (1391) شناسایی و اولویت بندی قطعات حادث هخیز راه با رویکرد قطعه بندی مسیر و تحلیل پوششی داد هها، فصلنامه مهندسی حمل و نقل، 3 (1)، 55-68.

- صیدایی، اسکندر، جهانگیر، ابراهیم، دارابخانی، رسول، پناهی، علی. (1399). شناخت مقاطع پرتصادف محورهای استان البرز با استفاده از روش تخمین تراکم کرنل، پژوهش های‌جغرافیای‌انسانی، ‌دوره 52، شماره 3، ص 951-939.

- عاقلی مقدم، هادی، محمدی، حسین، کلانتری، محسن. (1399). تحلیل مکانی مقاطع پرتصادف محور شاهرود-کاهک، پژوهشنامه جغرافیای انتظامی، سال هشتم، شماره سی ام، ص 62-35.

- عفتی، میثم، رمضانپور، امیرمحمد (1402) ارائه رویکردی مکانمند جهت قطعه‌بندی و تحلیل فراوانی تصادفات در راه‌های دوخطه دوطرفه برون‌شهری با استفاده از الگوریتم رگرسیون پواسون ، فصلنامه مهندسی حمل و نقل، 16 (1-62)، 4301-4316.

- قدسی نژاد، مهدیه. (1391). "طراحی و پیاده‌سازی یک وب سرویس مکانی آنتولوژی مبنا (مطالعه موردی: شناسایی و اطلاع‌رسانی مقاطع حادثه‌خیز جاده‌ها)"، پایان‌نامه کارشناسی ارشد، دانشکده نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی.

- میرزایی، مسعود، یزدان پناه، مهدی، دهقان بنادکی، علی (1402) طبقه‌بندی تصادفات جاده‌ای با استفاده از شبکه عصبی مصنوعی (مطالعه موردی آزادراه تهران - پردیس) فصلنامه مهندسی حمل و نقل، 14 (4-57)، 2999-3019.

- مسن آبادی، نگین، حسینعلی، فرهاد، بهرامیان، زهرا. (1400). توسعه یک الگوریتم خوشهبندی مبتنی بر تراکم مکانی و زمانی برای استخراج مکانهای توقف از خط سیر کاربر، نشریه علمی مهندسی فناوری اطلاعات مکانی، سال نهم، شماره دوم، تابستان‌‌ 1400.

- وزارت راه و شهرسازی (1401)، دستورالعمل شناسایی و اولویت بندی نقاط پرتصادف راه ها، بخش نامه شماره 002/100/13756 مورخ 04/02/1401، وزارت راه و شهرسازی.

- Aamri, A., Hornby, G.M., Zhang, L., Al-Maniri, A., Padmadas, S. (2021), Mapping road traffic crash hotspots using GIS-based methods: A case study of Muscat Governorate in the Sultanate of Oman, Spatial Statistics, 42(5):100458.

- Afolayan, A., Easa, S. M., Abiola, O. S., Alayaki, F. M., & Folorunso, O. (2022). GIS-based spatial analysis of accident hotspots: A Nigerian case study. Infrastructures, 7(8), 103.

- Agyakwah, M. (2018). Spatio-temporal patterns of vehicular accidents in Accra (Ghana). University of Twente.

- Aksoy, E. (2006). Clustering with GIS: An attempt to classify Turkish district data. In XXIII FIG Congress, Germany.

- Anderson, T. K. (2009). Kernel density estimation and K-means clustering to profile road accident hotspots. Accident Analysis & Prevention, 41(3), 359–364.

- Baral, S. S. (2021). GIS-Based Spatial and Temporal Analysis of Older People-Involved Crashes: A Case Study of Illinois. Southern Illinois University at Edwardsville.

- Gao, C. X., Dwyer, D., Zhu, Y., Smith, C. L., Du, L., Filia, K. M., Bayer, J., Menssink, J. M., Wang, T., Bergmeir, C., Wood, S. An overview of clustering methods with guidelines for application in mental health research, Psychiatry Res., 327 (2023) 115265.

- Han, J., Pei, J., Kamber, M. (2023) Data Mining: Concepts and Techniques, Fourth ed., Morgan Kaufmann.

- Harirforoush, H., Bellalite, L., & Bénié, G. B. (2019). Spatial and temporal analysis of seasonal traffic accidents. Am. J. Traffic Transp. Eng, 4(7), 10–11648.

- Impresimi, E. (2022). Spatial-temporal analysis of traffic accidents in Athens: The case of pedestrians.

- Khatun, M. S., Hossain, M. A., Kabir, M. A., & Rahman, M. A. (2024). Identification and analysis of accident black spots using Geographic Information System (GIS): A study on Kushtia-Jhenaidah national highway (N704), Bangladesh. Heliyon, 10(3).

- Kundakçı, E. (2014). Identification of traffic accident hotspots and their characteristics in urban area by using GIS. Middle East Technical University.

- Le, K.G., Huong, H, T, L., Do, V, M., Tran, Q, H. (2024). Applying a two-step cluster algorithm in traffic accident data analysis. Transport and Communications Science Journal, Vol. 75, Issue 04, 1673-1687.

- Le, K. G., Liu, P., & Lin, L.-T. (2020). Traffic accident hotspot identification by integrating kernel density estimation and spatial autocorrelation analysis: a case study, International Journal of Crashworthiness.

- Le, K. G., Liu, P., & Lin, L. T. (2019). Determining the road traffic accident hotspots using GIS-based temporal-spatial statistical analytic techniques in Hanoi, Vietnam. Geo-Spatial Information Science, 23(2), 153–164.

- Manap, N., Borhan, M. N., Yazid, M. R. M., Hambali, M. K. A., & Rohan, A. (2021). Identification of hotspot segments with a risk of heavy-vehicle accidents based on spatial analysis at controlled-access highway. Sustainability, 13(3), 1487.

- Mesquitela, J., Elvas, L. B., Ferreira, J. C., & Nunes, L. (2022). Data analytics process over road accidents data—a case study of Lisbon city. ISPRS International Journal of Geo-Information, 11(2), 143.

- Miaou SP, Song JJ. (2005) Bayesian Ranking of Sites for Engineering
Safety Improvements: Decision Parameter, Treatability Concept, Statistical Criterion, and Spatial Dependence. Accident Analysis and Prevention. 37:699–720.

- Ouni, F., & Belloumi, M. (2018). Spatio-temporal pattern of vulnerable road user’s collisions hot spots and related risk factors for injury severity in Tunisia. Transportation Research Part F: Traffic Psychology and Behaviour, 56, 477–495.

- Punhani, A., Faujdar, N., Mishra, K. K., & Subramanian, M. (2022). Binning-based silhouette approach to find the optimal cluster using K-means. IEEE Access, 10, 115025–115032.

- Sae-Ngow, P., Kulpanich, N., Worachairungreung, M., Ngansakul, P., & Prasert, T. (2024). Geospatial Analysis for Identifying Blackspots on National and Rural Highways in Thailand. International Journal of Geoinformatics, 20(4).

- Shariat, A., Shahri, M., Mirbagheri, (2013), GIS-based method for detecting high-crash-risk road segments using network kernel density estimation, Geo-spatial Information Science, 2013.

- Shannon, C. E. (1948). A Mathematical Theory of Communication. Bell System Technical Journal, 27(3).

- Sheikholeslami, S., MirzaBoroujerdian, A., 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(13):1-8.

- Vemulapalli, S. S. (2015). GIS-based spatial and temporal analysis of aging-involved crashes in Florida. The Florida State University.

- Wang, M., Yi, J., Chen, X., Zhang, W., & Qiang, T. (2021). Spatial and Temporal Distribution Analysis of Traffic Accidents Using GIS‐Based Data in Harbin. Journal of Advanced Transportation, 2021(1), 9207500.

- Zhang, C., Huang, W., Niu, T., Liu, Z., Li, G., Cao, D. (2023). Review of Clustering Technology and Its Application in Coordinating Vehicle Subsystems. Automot. Innov., 6 , 89-115.