پیش بینی شدت تصادفات ترافیکی در کشور انگلستان با استفاده از یادگیری ماشین: رویکردهای مبتنی بر SVM و ANN

یکی از مضلات اجتماعی که در سطح جهان، هر ساله تعداد زیادی از مردم در جاده های خود را از دست می دهند، تصادفات وسایل نقلیه است. تصادفات با در نظر گرفتن ویژگی های جغرافیایی، سرعت، روسازی آب و هوایی، تعدات اجتماعی و فرهنگی، جوامع بشری را تحت تاثیر قرار می دهند. در این مقاله پرداخته شد. مشخصات وسایل نقلیه و طبقه بندی شدت تصادفات 'خفیف' و 'شدید' منجر به فوت ۲۵۳ هزار رکورد در کشور انگلستان شد. راستا بعد در دریافت داده های مربوطه از سایت Kaggle بین سال های ۲۰۱۰-۲۰۱۳ از الگوریتم های یادگیری ماشین با زبان پایتون استفاده شد. نتایج نشان دادند، ماشین بردار پشتیبان با دقت ۷۶.۸۹% و شبکه عصبی با دقت ۷۵.۸۵% در طبقه بندی شدت تصادفات موثر بوده اند. معیارهای ارزیابی شامل دقت، فراخوانی و امتیاز F۱ بوده و شرایط در زیرساخت ها، اجرای محدودیت ها و هشدارهای ایمنی موثر باشند.

کلیدواژه ها:

طبقه بندی شدت تصادفات ، یادگیری ماشین ، شبکه عصبی ماشین بردار پشتیبان ، پایتون