تحليل عوامل مكاني مؤثر بر تمركز تصادفات در راه‌هاي برون‌شهري با استفاده از GIS و داده‌كاوي

Analysis of Spatial Factors Contributing on Concentration of Highway Corridors Crashes Using GIS and Data Mining

یكی از مشكلات اصلی حمل‌ونقل جاده‌ای در كشور، تصادفات است. جهت مدیریت و كاهش تصادفات در یك محور برون‌شهری لازم است كه متولیان ایمنی راه اطلاعات كاملی از عوامل تأثیرگذار بر تصادفات آن محور در اختیار داشته باشند. با توجه به تحقیقات صورت گرفته، شناسایی انواع تصادفات یك محور و عوامل مؤثر بر وقوع آن‌ها یكی از راهكارهای مؤثر در كاهش تصادفات جاده‌ای برون‌شهری است. این مطالعه یك استراتژی تلفیقی را جهت بررسی انواع تصادفات و عوامل مكانی مؤثر بر تمركز تصادفات در راه‌های دوخطه دوطرفه برون‌شهری با استفاده از تحلیل‌های مكانی و روش خوشه‌بندی تجمعی سلسه‌مراتبی بر پایه Mean-K، ارائه می‌نماید. روش پیشنهادی با ایجاد یك پایگاه داده مكانمند متشكل از داده‌های تصادفات و اطلاعات راه و محیط مجاور آن در محور قزوین- رشت (ایران) مورد بررسی و ارزیابی قرار می‌گیرد. نتایج نشان می‌دهد كه دقت خوشه‌بندی داده‌های تصادفات به ‌روش پیشنهادی، 7/6 درصد بیش از روش تجمعی سلسه‌مراتبی و حدوداً 10 درصد بیشتر از روش Mean-K است. تحلیل خروجی روش پیشنهادی با استفاده از توابع مكانی و الگوریتم‌های استخراج الگوی داده‌كاوی ضمن بیان نوع و خصوصیات تصادفات محور در نواحی تمركز تصادفات، تأثیرات طرح هندسی راه، ترافیك، توسعه شهری، كاربری‌ها و عوارض اطراف راه را بر تصادفات آشكار می‌سازد.

Motor vehicle crashes is one of the main problems of road transportation network in Iran. Exploring the significant variables related to concentration of motor vehicle crashes is vitally important in reducing crashes on a highway corridor. This study integrates spatial analysis with a K-Mean-based Hierarchical Agglomerative Clustering method to identify the correlation between major crash types at the concentration points of crashes and explore the most spatial factors that may lead to crashes. An experiment is designed and conducted on Qazvin-Rasht highway corridor using real crash records and spatial factors related to roadway geometry and its proximity features. Results showed that clustering crash records using the proposed method is 6.7 percent better than hierarchical agglomerative clustering and approximately 10 percent better than k-mean clustering method. Moreover, analyzing the concentration points of crashes using spatial functions and discovery of patterns and rules data mining approach explored type and specification of each clusterʹs crashes and revealed the impact of road geometry, traffic, urban development, activities and land uses in the proximity of highway corridors on increasing the rate and severity of motor vehicle crashes.