مقايسه مدل‌هاي SARIMA و LSTM در برآورد سري زماني فوتي‌ها و مصدومان حوادث ترافيكي سال‌هاي 1390 تا 1400

سابقه و هدف: حوادث ترافيكي يكي از مهم‌ترين دلايل مرگ و مير و به وجود آمدن ناتواني در جهان است كه سالانه آسيب‌هاي فراواني را به كشورها و ميليون‌ها انسان تحميل مي‏كند. سري‌هاي زماني ناشي از ابعاد مختلف اين حوادث مورد توجه پژوهشگران بسياري قرار مي‏گيرد. يكي از سري‌هاي زماني متداول و پركاربرد در مدل‏بندي و پيش‌بيني سري‌هاي زماني، مدل‌هاي باكس- نكينز هستند كه شرط استفاده از آن‌ها ايستايي مدل است. با پيشرفت فناوري و ظهور مدل‌هاي شبكه عصبي و گسترش كاربرد انواع آن‌ها در سري‌هاي زماني، بحث مقايسه قدرت پيش‌بيني اين مدل‌ها با مدل‌هاي سنتي سري زماني پيش آمده است. در اين مطالعه، سري زماني تعداد فوتي‌ها و مجروحين حوادث ترافيكي در ايران در سال‌هاي 1390 تا 1400 بررسي شده است. مواد و روش‌ها: تحليل‌هاي آماري مربوط به مدل سري زماني SARIMA با استفاده از نرم‌افزار Minitab و EViews و مدل شبكه عصبي LSTM با استفاده از نرم‌افزارهاي Python و Visual Studio Code انجام شده است. يافته‌ها: در بازه زماني مطالعه، روند تعداد فوتي‌ها همواره كاهشي ولي مصدومان تا پيش از همه‏گيري كرونا افزايشي و پس از آن كاهشي شده و همواره بيش‌ترين تعداد فوتي و مصدوم در شهريورماه هر سال بوده و ماه‌هاي با تعطيلي نه روز به شكل معني‌داري فوتي كم‌تر و مصدوم بيش‌تري داشتند. به ترتيب 21/38 درصد و 27/56 درصد از فوتي‌ها و مصدومان زنان بودند. سنين 20 تا 29 سال بيش‌ترين تعداد فوتي و مصدوم را داشتند اما كودكان و افراد مسن آسيب‌پذيرتر بودند و سهمشان در فوتي‌ها بيش‌تر از مصدومان است. بنابه نتايج، هرچه هوا بدتر شده است سهم حوادث منجر به فوت بيش‌تر شده است. در مقايسه SARIMA و LSTM يافته‏ها حاكي از برتري مدل LSTM در برآورد بهتر روند داده‏ها بودند. پيش‌بيني صورت گرفته نشان از روند افزايشي تعداد فوتي‌ها و مصدومان طي سال‌هاي آتي دارد. استنتاج: مدل LSTM در مقايسه با مدل SARIMA عملكرد بهتري را در پيش‌بيني روند و تغييرات موجود در سري زماني از خود نشان داد.