شناسايي پارامترهاي موثر بر شدت تصادفات بزرگراهي در شهر تهران

Identifying the factors affecting accidents severity at 5 highways in Tehran City

اكتشاف و تجزيه وتحليل پارامترهاي مهمي كه باعث وقوع تصادفات در بزرگراه ها مي شوند، مي تواند به بهبود ترافيك كمك كنند. اين مقاله به يك مسئله بهينه سازي چندپارامتري در راستاي شناسايي پارامترهاي موثر بر شدت تصادفات بزرگراهي در شهر تهران اشاره دارد و از يك مدل تركيبي شبكه عصبي و الگوريتم ژنتيك براي انجام تجزيه وتحليل استفاده مي كند. روش اين پژوهش، توصيفي- مقطعي است. جامعه آماري اين پژوهش را داده هاي تصادفات در بزرگراه هاي شهر تهران در طول سال هاي 1394 تا 1396 تشكيل مي دهند. در اين پژوهش سعي شده است با استفاده از مدل تركيبي شبكه عصبي و الگوريتم ژنتيك، پارامترهاي موثر بر شدت تصادفات در شهر تهران شناسايي و اولويت بندي گردند. به اين منظور در مدل تركيبي، ميزان شدت تصادف به عنوان متغير وابسته و 4 دسته كلي از متغيرها يعني آب وهوا، جاده، وسيله نقليه و راننده به عنوان متغير مستقل در نظر گرفته شده است. سپس با استفاده از روش هوش مصنوعي و پيش پردازش داده ها، ساختار بهينه مدل شبكه عصبي تعيين و در نهايت، نتيجه مدل شبكه عصبي به عنوان ورودي الگوريتم ژنتيك در نظر گرفته شد. يافته ها علاوه بر تعيين پارامترهاي اصلي موثر بر شدت تصادفات (رفتار راننده، چگونگي حركت وسيله نقليه، نوع وسيله نقليه و وضعيت ايمني سطح سواره رو بزرگراه ها) نشان مي دهد كه الگويتم تركيبي، عملكرد خوبي در شناسايي پارامترهاي موثر بر شدت تصادفات دارد و مي تواند يك بينش جديد را در راستاي طراحي الگو در جهت درك بهتر و پيشگيري از حوادث مرتبط با آسيب هاي تصادفات در آينده فراهم سازد.

Identifying and analyzing crucial parameters that cause accidents in highways,can help improving traffic. This paper addresses a multi-parameteroptimization problem in order to identify the parameters affecting the severityof accidents on highways in Tehran city and uses a combination model ofNeural Network and Genetic Algorithm to perform the analysis. The methodof this research is descriptive-cross-sectional. The statistical population of thisstudy is the accidents data on the highways of Tehran during 2015-2016. Inthis research, it is attempted to identify and prioritize the parameters affectingthe severity of accidents in Tehran city using a combination model of neuralnetwork and genetic algorithm. For this purpose, in the hybrid model, theseverity of the accident is considered as the dependent variable and the fourgeneral categories of variables namely climate, road, vehicle and driver areconsidered as independent variables. Then, using artificial intelligence methodand data preprocessing, the optimal structure of the neural network model wasdetermined and finally, the result of the neural network model was consideredas the input of the genetic algorithm. The results not only determines andprioritizes the main parameters affecting the severity of accidents inTehran(including: 1- driver behavior, 2- how the vehicle is moving, 3- type ofvehicles and 4- highways safety status), but also Indicates that the combinationmodel of Neural Network and Genetic Algorithm has a good performance inidentifying the parameters affecting crash severity in Tehran, an‎d couldprovide a new insight into designing a pattern to understand better and preventfuture accident-related accident injuries.