خلاصة:
زمینه و هدف: با توجه به این‌که تصادفات مبادی ورودی شهرها در راه‌های چندخطه برون‌شهری سهم قابل ملاحظه ای در تصادفات جاده ای دارند، به‌عنوان چالش دهه اخیر، کاهش این نوع تصادفات و ارائه راه‌کارهای متناسب برای افزایش ایمنی این نوع جاده ها ضروری است؛ بنابراین اهداف پژوهش حاضر عبارت‌انداز: شناسایی و اولویت بندی عوامل مؤثر در تصادفات ورودی جاده های چندخطه برون‌شهری و سپس ارائه مدل استراتژیکی کنترلی مبتنی بر عوامل مؤثر اولویت بندی‌شده در تصادفات این نوع راه‌ها با درجه عملکردی مختلف است.روش: ابتدا به تعداد تصادفات و متغیرهای مرتبط در محورهای مورد مطالعه در محدوده شهرها در استآن های تهران، اصفهان و یزد پرداخته می‌شود و سپس اولویت بندی متغیرها با استفاده از مدل شبکه عصبی پرسپترون مبتنی بر ریشه دوم میانگین مربعات خطا و تحلیل حساسیت و مدل رگرسیون پواسون منطبق بر ضریب اهمیت و مقدار آماری t صورت می‌گیرد. درنهایت مقایسه عملکردی مدل های پیشنهادی در اثرگذاری عوامل مؤثر برای استراتژی های پیشنهادی به دست می آید.یافته ها: نتایج حاصل از پژوهش حاضر نشان داد که برترین مدل، شبکه عصبی پیش‌خور با تابع آموزشی لِوِنبرگ- مارکوادت دارای 7 متغیر ورودی و 5 نورون پنهان دارای مقدار ریشه میانگین مربعات خطای 020/1 است که به‌ترتیب متغیرهای شیب طولی، سرعت عملکردی، تغییر تعداد خطوط راه، درصد خودروهای سنگین، درجه عملکردی راه، دوربین کنترل سرعت و عرض راه مهم‌ترین عوامل مژثر بر تعداد تصادفات در راه ها با درجه عملکردی مختلف است. درحالی‌که، براساس مدل رگرسیون پواسون 6 متغیر مؤثر به‌ترتیب شامل: سرعت عملکردی، شیب طولی، عرض راه، تغییر تعداد خطوط راه، درجه عملکردی و درصد خودروهای سنگین هستند. هم‌چنین نتایج اثرگذاری متغیرها و عوامل اثرگذار براساس دو مدل پیشنهادی نشان داد که شیب طولی مسیر در مدل شبکه عصبی و رگرسیون پواسون توانسته به ترتیب 40 درصد و 45 درصد برای راه‌های اصلی درجه یک نسبت به بقیه متغیرهای مؤثر تعداد تصادفات را کاهش دهد.نتیجه گیری: مقایسه عملکردی دو مدل پیشنهادی شبکه عصبی و رگرسیون پواسون نیز در اثرگذاری عوامل مؤثر برای استراتژی های پیشنهادی نشان داد که مدل رگرسیون پواسون با خطای پیش بینی کمتر، قابلیت زیادی در شناسایی و اثربخشی استراتژی های ایمنی نسبت به مدل شبکه عصبی دارد.
Due to the fact that accidents at cities entrance roads have a significant role in road accidents. Accordingly, this issue has been one of the challenges of the last decade to reduce accidents and provide appropriate strategies for increasing the road safety. Thus, the objectives of the present study are first to identify and prioritize the factors affecting the accidents of cities entrance roads in 26 different types of roads in Tehran, Isfahan and Yazd provinces using artificial neural network - multilayer perceptron (ANN-MLP) and Poisson Regression (PR) models. Then, the study presents a road safety strategy model for controlling accidents regarding effective factors prioritized with various degrees of road performance. The results of the present study showed that the best model is the feed-neural network with Levenberg-Marquadt training function with 7 input variables, and 5 hidden neurons which the root mean square error (RMSE) of this model is 1.020 which includes longitudinal slope, operating speed, change the number of lanes, the percentage of heavy vehicles, degree of road performance, speed control camera, and road width. However, PR model indicated that operating speed, longitudinal slope, road width, change the number of lanes, degree of road performance, and the percentage of heavy vehicles. Further, the results of the proposed strategies to reduce the accident based on ANN-MLP, and PR models showed that longitudinal slope among all variables decreased number of accidents by 40%, and 45% for arterial roads class I, respectively.
ملخص الجهاز:
hadadi١٣٧٠ يافته ها: نتايج حاصل از پژوهش حاضر نشان داد که برترين مدل ، شبکه عصبي پيش خور با تابع آموزشي لونبرگ - مارکوادت داراي ٧ متغير ورودي و ٥ نورون پنهان داراي مقدار ريشه ميانگين مربعات خطاي ١/٠٢٠ است که به ترتيب متغيرهاي شيب طولي ، سرعت عملکردي ، تغييرتعداد خطوط راه ، درصد خودروهاي سنگين ، درجه عملکردي راه ، دوربين کنترل سرعت و عرض راه مهم ترين عوامل مژثر بر تعداد تصادفات در راه ها با درجه عملکردي مختلف است .
هم چنين نتايج اثرگذاري متغيرها و عوامل اثرگذار براساس دو مدل پيشنهادي نشان داد که شيب طولي مسير در مدل شبکه عصبي و ١٣٠ رگرسيون پواسون توانسته به ترتيب ٤٠ درصد و ٤٥ درصد براي راه هاي اصلي درجه يک نسبت به بقيه متغيرهاي مؤثر تعداد تصادفات را کاهش دهد.
روش در پژوهش حاضر به منظور ارائه مدل استراتژي ايمني در راه هاي چندخطه برون شهري در مبادي ورودي شهرها، ابتدا عوامل مؤثر در محورهاي مورد مطالعه با در نظرگرفتن متغيرهاي مرتبط بررسي مي شوند و سپس به منظور اولويت بندي عوامل مؤثر با استفاده از مدل شبکه عصبي پرسپترون و مدل رگرسيون پواسون منطبق بر معيارهاي ريشه دوم ميانگين مربعات خطا، تحليل حساسيت و مقدار آماري t و ضريب اهميت پرداخته مي شود و سپس استراتژي هاي کنترلي و کاهش تعداد تصادفات مبتني بر مدل هاي پيشنهادي مطابق شکل ١ ارائه مي شود.
Predicting road traffic accidents using artificial neural network models.
(
, 
, 
)
