كاهش متغيرهاي ورودي درفرآيند مدل‌سازي تصادفات آزادراههابا استفاده از روش تجزيه و تحليل مولفه‌هاي اصلي

Application of Principal Component Analysis as a Variables Reduction Technique in Freeway Accident Prediction Models (A Case Study)

هدف اصلي در اين مقاله استفاده از روش تجزيه و تحليلمولفه‌هاي اصلي براي شناسايي متغيرهاي تاثيرگذار در فرآيند مدل‌سازي تصادفات در آزادراههاي برون‌شهري است. با توجه به تواناييمدل شبكه‌هاي عصبي در پيش‌بيني تصادفات رانندگي، مدل تعداد تصادفات آزادراههاي برون‌شهري كشور با استفاده از مدلهاي شبكه‌هاي عصبي توسعه داده شده و متغير‌هاي مربوط به جريان ترافيك، سهميه‌بندي بنزين و متغيرهاي محيطي نيز به عنوان متغير‌هاي مستقل در نظر گرفته شده‌اند.در فرآيندتعيين متغيرهاي مستقل جهت ورود به مدل روش تجزيه و تحليل مولفه‌هاي اصلي و تجزيه و تحليلعاملاصلي با بكارگيري معيارهاي KMO و بارتلت، مورد استفاده قرار گرفته است. ضمن بررسي كارآيي مدل شبكه عصبي مصنوعيدر برابر مدل رگرسيون لگاريتم طبيعي در مدل‌سازي تصادفات آزادراههاي برون‌شهري،دقت مدلهاي ساخته شده در تصادفات آزادراههاشامل مدلهاي شبكه عصبي مصنوعي و رگرسيون لگاريتم طبيعي نيزقبل و بعد از حذف متغير هاي با اهميت كمتر مورد بررسي قرار گرفته و نتايج نشاندهنده آن است كه حذف متغيرهاي كم اهميت از طريق آناليز مولفه‌هاي اصلي در فرآيند مدل‌سازي دقت مدلهاي ساخته شده را با تغييرات اساسي رو برو نكرده و ثابت شده است كه ميانگين حجم تردد روزانه و متوسط سرعت وسايل نقليه بيشترين نقش را در تصادفات آزادراههاايفا مي‌كنند.

Traffic accidents are one of the most substantial concerns that call for improving road safety. In this paper, research work was performed to recognize the factors affecting crash frequency in rural freeway. Therefore crash data of Tehran-Ghom freeway were used as a case study. In this research, artificial neural network and Log-Normal model were proposed to estimate the number of road accidents in Tehran-Qom freeway. Average daily traffic volume, percentage of heavy vehicle, average speed and environmental effects were considered as independent variables. Thirty four-month period of accident data and parameters, were collected to use in analytical process of modeling and validation of them. To address influences of the main contributing factors on accident frequency, Principal Component Analysis (PCA) and Factor Analysis (PFA) techniques appeared to be useful l in analyzing variables in order to identify the most significant in accident-prediction model. Also sampling adequacy was measured by the Kaiser-Meyer-Olkin (KMO) and Bartlet test statistics in PCA technique. With the aim of evaluating efficiency of artificial neural network model against Log-Normal model in crashes modeling on rural freeways, these models were compared and the results revealed that artificial neural network model was more capable to estimate the number of road accidents in freeways. Results also showed that average speed of vehicles and average daily traffic volume were the most effective parameters in freeway accidents.