درارائه چارچوبی برای ارتقا فرهنگ ایمنی ترافیک با استفاده از داده های شبکه های اجتماعی

با فرهن گ ایمنی ترافیک به عنوان یک عامل مهم در حمایت از به رسمیت شناختن سیاست ها و برنامه های ایمنی ترافیک موجود از یکسو و درک باورها و نگرش های مردم درخصوص ایمنی ترافیک از سوی دیگر، فرآیندی در هم تنیده و دشوار است. استقبال روزافزون افراد از شبکه های اجتماعی هم از نظر تعداد و هم از نظر ارتباط با یک نرخ تصاعدی در حال افزایش است که منجر به تولید داده های بزرگ می شود و لذا جمع آوری گسترده داده ها و استفاده از آنها در انجام تجزیه و تحلیل جامع از نظرات مردم در مورد یک موضوع خاص را برانگیخته است. این مطالعه در بستر مدلهای فرآیند همجوشی داده برای روشن کردن نحوه استفاده از داده های شبکه های اجتماعی در فرهن گ ایمنی ترافیک بنا شده است. به همین منظور برای استخراج احساسات در پیام ها، یک روش ترکیبی از دو معماری یادگیری عمی ق یعنی شبکه عصبی کانولوشن (CNN) و حافظه کوتاه مدت طولانی (LSTM) برای طبقه بندی احساسات پیام های ارسال شده در حوزه های مختلف پیشنهاد شده است. چارچوب تولید شده در جلوگیری از حوادث رانندگی مرگبار در سراسر کشور و ایجاد راه حل هایی برای غلبه بر آنها را تسهیل می کند.

کلیدواژه ها:

استخراج داده های شبکه های اجتماعی ، تجزیه و تحلیل احساسات ، فرهنگ ایمنی ترافیک ، مدل فرآیندی Omnibus ، یادگیری عمیق