گسترش مدل نوین مبتنی بر شبکه عصبی پیچشی و نظم دهی حذف تصادفی تغییراتی در برآورد شدت تصادفات

مطالعات شدت ترافیک از جهت تلفات و خسارات ناشی از تصادفات جاده ای از اهمیت زیادی برخوردار هستند. مطالعات مختلفی در راستای مدل سازی شدت ترافیک انجام شده که اکثریت این مدل ها از روش های آماری استفاده کرده اند و استفاده از روش های مبتنی بر شبکه های عصبی در این زمینه محدود بوده است. روش های آماری فرضیات مشخصی در رابطه با داده ها و متغیر ها دارند که در صورت تخطی مساله از آنها، استنباط آماری تحت تاثیر قرار خواهد گرفت. این در حالی است که روش های مبتنی بر شبکه های عصبی این فرضیات را نداشته و از این حیث نسبت به روش های آماری برتری دارند. اگرچه که برخی مشکلات در زمینه بکار گیری شبکه های عصبی وجود دارد. یکی از این اشکالات سختی بهینه سازی ابر پارامتر نظم دهی به علت زمان محاسباتی بالا در شبکه های عصبی است. در این راستا پژوهش پیش رو مدلی بر مبنای شبکه عصبی عمیق پیچشی بیزی ارایه کرده است و با استفاده از روش نظم دهی حذف تصادفی تغییراتی، نیاز به روش های جستجوی شبکه ای و اعتبار سنجی متقابل برای یافتن مقدار بهینه ابر پارامتر نظم دهی را از بین برده است. این مدل، روشی ساختار مند برای پیدا کردن ابرپارامتر نظم دهی توامان با آموزش مدل ارایه کرده است. بدین منظور داده های تصادفات جاده های دو خطه دو طرفه جدا نشده کشور ایران مورد استفاده قرار گرفته اند. مدل پیشنهادی با مدل لوجیت ترکیبی و دو مدل دیگر مبتنی بر شبکه عصبی پیچشی بدون نظم دهی و با نظم دهی حذف تصادفی مقایسه شده است. نتیاج نشان می دهند که عملکرد مدل پیشنهادی در تمامی شاخص های مقایسه به نسبت سایر مدل ها بهتر بوده است.

کلیدواژه ها:

مدل سازی شدت تصادفات ، یادگیری عمیق ، شبکه عصبی پیچشی بیزی ، نظم دهی حذف تصادفی تغییراتی