بهبود دقت پيش بيني تصادفات عابران پياده با استفاده از روش اكتشافي خوشه‌بندي در شبكه هاي عصبي مصنوعي

ارزيابي خطر برخورد بين عابران پياده و خودروها ابزار قدرتمند و آموزنده در برنامه‌هاي برنامه ريزي شهري است و مي توان آن را براي اطلاع رساني مناسب از پيشرفت‌ها و پروژه‌هاي درماني براي بهبود ايمني عابر پياده استفاده كرد. عابران پياده به دليل فقدان محافظت، از آسيب پذيرترين عوامل حاضر در جاده‌هاي درون و برون شهري محسوب مي‌شوند. اين ويژگي‌ها با توجه به شرايط فيزيكي افراد و يا شرايط جاده و وضعيت ترافيكي مي‌تواند متفاوت باشد. هدف اين پژوهش كشف عوامل موثر بر تصادفات عابران پياده و بررسي عملكرد روش ابتكاري خوشه‌بندي در شبكه‌هاي عصبي مصنوعي در پيش بيني تصادفات عابران پياده در ايران طي سال هاي 90 تا 92 است. براي دستيابي به اهداف اين پژوهش از الگوريتم‌هاي داده كاوي خوشه‌بندي و شبكه‌هاي عصبي با استفاده از نرم افزار داده كاوي وكا استفاده شد. به دليل وجود روش‌هاي متعدد در خوشه بندي، اين پژوهش تمركز خود را بر روي روش خوشه‌بندي كا- ميانگين قرار داد. همچنين از روش پرسپترون چندلايه در شبكه‌هاي عصبي استفاده گرديد. نتايج نشان داد كه نيازمند رسيدگي سريع به آموزش به رانندگان به خصوص به رانندگان جوان و آموزش به شهروندان هستيم. اين آموزش بايد بر رانندگي در جاده‌هاي برون شهري كه اكنون مغفول واقع شده نيز تمركز كند. همچنين مشخص گرديد، كه در اغلب موارد عابران پياده مقصر اصلي در اين تصادفات نيستند. دقت و صحت پيش بيني در مدل پيشنهادي خوشه بندي در شبكه هاي عصبي نسبت به روش معمولي بهبود قابل توجهي ايجاد نمود. ولي از طرف ديگر براي رسيدن به نتايج حاصله زمان محاسبه افزايش 300 درصدي يافت. در نهايت نتايج بررسي مدل، نشان از برتري روش اكتشافي پيشنهادي در همه ابعاد نسبت به روش ساده دارد.