بررسی مقایسه ای الگوریتم های شبکه عصبی کانولوشن و ماشین بردار پشتیبان در پیش بینی شدت تصادفات آزادراه های برون شهری

در مقایسه با تکنیک های معمولی یاد گیری ماشی ن که در پردازش داده های طبیعی به شکل خام محدود بودند، یادگیری عمیق به مدل های محاسباتی حوزه حمل ونقل و ایمنی اجازه می دهد تا داده ها را با سطوح مختلف انتزاع تلفیق نمایند. پیش بینی دقیق و به موقع شدت تصادفات رانندگی در آزادراه های برون شهری برای کاهش زمان پاسخگویی به واحدهای امدادرسان اضطراری به منظور افزایش ایمنی و کاهش ترافیک عبوری از راه های برون شهری حائز اهمیت است. هدف از این مقاله توسعه مدلی مبتنی بر شبکه عصبی کانولوشن ( CNN ) جهت پیش بینی شدت تصادفات آزادراه ها و مقایسه عملکرد آن در فرآیند پیش بینی با الگوریتم ماشین بردار پشتیبان ( SVM ) است. داده های تصادفات شش ساله آزادراه برون شهری لوشان-قزوین بمنظور آزمون مدل ها به کار گرفته شده است. نتایج نشان داد مدل شبکه عصبی کانولوشن با ۹۶ / ۰ فراخوانی نسبت به مدل ماشین بردار پشتیبان با ۲۱ / ۰ فراخوانی عملکرد بهتری در پیش بینی شدت تصادفات منجر به فوت دارد. برابر نتایج این تحقیق تحلیل شدت تصادف رانندگی با استفاده از مدل های مبتنی بر هوش مصنوعی منجمله شبکه عصبی کانولوشن می تواند تاثیر بسزایی در تصمیم گیری به منظور ارائه راهکارها ایمنی در راستای کاهش شدت تصادفات در راه های برون شهری داشته باشد