مقایسه مدل های SARIMA و LSTM در برآورد سری زمانی فوتی ها و مصدومان حوادث ترافیکی سال های ۱۳۹۰ تا ۱۴۰۰
- سال انتشار: 1402
- محل انتشار: مجله دانشگاه علوم پزشکی مازندران، دوره: 33، شماره: 227
- کد COI اختصاصی: JR_JMUMS-33-227_018
- زبان مقاله: فارسی
- تعداد مشاهده: 55
نویسندگان
Master's degree, Biostatistics, Mazandaran University of Medical Sciences, Sari, Iran
Professor, Department of Biostatistics, Faculty of Health, Mazandaran University of Medical Sciences, Sari, Iran
Professor, Department of Biostatistics, Faculty of Health, Mazandaran University of Medical Sciences, Sari, Iran
چکیده
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.کلیدواژه ها
Box-Jenkins, LSTM, Neural Network, SARIMA, Time Series, Traffic Accidents, سری زمانی, باکس-جنکینز, SARIMA, شبکه عصبی, LSTM, حوادث ترافیکیاطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.