محسن آرامی شام اسبی - Master's degree, Biostatistics, Mazandaran University of Medical Sciences, Sari, Iran
جمشید یزدانی چراتی - Professor, Department of Biostatistics, Faculty of Health, Mazandaran University of Medical Sciences, Sari, Iran
رضاعلی محمدپور - Professor, Department of Biostatistics, Faculty of Health, Mazandaran University of Medical Sciences, Sari, Iran

سابقه و هدف: حوادث ترافیکی یکی از مهم ترین دلایل مرگ و میر و به وجود آمدن ناتوانی در جهان است که سالانه آسیب های فراوانی را به کشورها و میلیون ها انسان تحمیل میکند. سری های زمانی ناشی از ابعاد مختلف این حوادث مورد توجه پژوهشگران بسیاری قرار میگیرد. یکی از سری های زمانی متداول و پرکاربرد در مدلبندی و پیش بینی سری های زمانی، مدل های باکس- نکینز هستند که شرط استفاده از آن ها ایستایی مدل است. با پیشرفت فناوری و ظهور مدل های شبکه عصبی و گسترش کاربرد انواع آن ها در سری های زمانی، بحث مقایسه قدرت پیش بینی این مدل ها با مدل های سنتی سری زمانی پیش آمده است. در این مطالعه، سری زمانی تعداد فوتی ها و مجروحین حوادث ترافیکی در ایران در سال های ۱۳۹۰ تا ۱۴۰۰ بررسی شده است. مواد و روش ها: تحلیل های آماری مربوط به مدل سری زمانی SARIMA با استفاده از نرم افزار Minitab و EViews و مدل شبکه عصبی LSTM با استفاده از نرم افزارهای Python و Visual Studio Code انجام شده است. یافته ها: در بازه زمانی مطالعه، روند تعداد فوتی ها همواره کاهشی ولی مصدومان تا پیش از همهگیری کرونا افزایشی و پس از آن کاهشی شده و همواره بیش ترین تعداد فوتی و مصدوم در شهریورماه هر سال بوده و ماه های با تعطیلی نه روز به شکل معنی داری فوتی کم تر و مصدوم بیش تری داشتند. به ترتیب ۲۱/۳۸ درصد و ۲۷/۵۶ درصد از فوتی ها و مصدومان زنان بودند. سنین ۲۰ تا ۲۹ سال بیش ترین تعداد فوتی و مصدوم را داشتند اما کودکان و افراد مسن آسیب پذیرتر بودند و سهمشان در فوتی ها بیش تر از مصدومان است. بنابه نتایج، هرچه هوا بدتر شده است سهم حوادث منجر به فوت بیش تر شده است. در مقایسه SARIMA و LSTM یافتهها حاکی از برتری مدل LSTM در برآورد بهتر روند دادهها بودند. پیش بینی صورت گرفته نشان از روند افزایشی تعداد فوتی ها و مصدومان طی سال های آتی دارد. استنتاج: مدل LSTM در مقایسه با مدل SARIMA عملکرد بهتری را در پیش بینی روند و تغییرات موجود در سری زمانی از خود نشان داد.

Box-Jenkins, LSTM, Neural Network, SARIMA, Time Series, Traffic Accidents, سری زمانی, باکس-جنکینز, SARIMA, شبکه عصبی, LSTM, حوادث ترافیکی