مقایسه عملکرد چهار الگوریتم یادگیری ماشین در مدل سازی شدت تصادفات

تصادفات جاده ای خسارات اجتماعی و اقتصادی زیادی را به جوامع تحمیل می کنند. از این حیث مطالعات ایمنی ترافیک در دهه های اخیر مورد توجه قرار گرفته است. در این راستا 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 یادگیری ماشین 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 یادگیری ماشین این فرضیات را نداشته و از این حیث نسبت به روش های آماری برتری دارند. طیف وسیعی از روش های یادگیری ماشین می توانند در امر مدل سازی شدت تصادفات مورد استفاده قرار گیرند، از این حیث پژوهش پیش رو به بررسی عملکرد چهار مدل مبتنی بر یادگیری ماشین شامل روش درخت تصمیم، شبکه عصبی مصنوعی، ماشین بردار پشتیبان و نزدیک ترین همسایگی پرداخته است. نتایج نشان دادند عملکرد درخت تصمیم هم از حیث دقت مدل و هم از حیث دسته بندی تصادفات جرحی/فوتی بهتر بوده است. همچنین پژوهش حاضر با استفاده از روش SHAP به بررس تاثیر متغیر های مختلف پرداخته. نتایج نشان دادند متغیر های سن راننده مقصر، روشنایی راه و سرعت مجاز در تمامی مدل ها تاثیر گذاری معناداری داشته اند.

کلیدواژه ها:

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