کاهش متغیرهای ورودی در فرآیند مدل سازی تصادفات آزادراهها با استفاده از روش تجزیه و تحلیل مؤلفه های اصلی
محل انتشار: فصلنامه مهندسی حمل و نقل، دوره: 3، شماره: 4
سال انتشار: 1391
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 944
فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JTE-3-4_003
تاریخ نمایه سازی: 8 خرداد 1396
چکیده مقاله:
هدف اصلی در این مقاله استفاده از روش تجزیه و تحلیل مؤلفه های اصلی برای شناسایی متغیرهای تأثیرگذاردر فرآیند مدل سازی تصادفات در آزادراههای برون شهری است. با توجه به توانایی مدل شبکه های عصبیدر پیش بینی تصادفات رانندگی، مدل تعداد تصادفات آزادراههای برون شهری کشور با استفاده از مدلهای شبکه های عصبی توسعه داده شده و متغیر های مربوط به جریان تراف کی، سهمیه بندی بنزین و متغیرهایمحیطی نیز به عنوان متغیر های مستقل در نظر گرفته شده اند. در فرآیند تع یین متغیرهای مستقل جهت ورود به مدل روش تجزیه و تحلیل مولفههای اصلی و تجزیه و تحلیل عامل اصلی با بکارگیری معیارهای KMO وبارتلت، مورد استفاده قرار گرفته است. ضمن بررسی کارآیی مدل شبکه عصبی مصنوعی در برابر مدل رگرسیون لگاریتم طبیعی در مدل سازیتصادفات آزادراههای برون شهری، دقت مدلهای ساخته شده در تصادفات آزادراهها شامل مدلهای شبکه عصبی مصنوعی و رگرسیون لگاریتم طبیعی نیز قبل و بعد از حذف متغیر های با اهمیت کمتر مورد بررسی قرار گرفته و نتایج نشان دهنده آن است که حذف متغیرهای کم اهمیت از طریق آنالیز مؤلفه های اصلی در فرآیند مدل سازی دقت مدلهای ساخته شده را با تغییرات اساسی رو برو نکرده و ثابت شده است که میانگین حجم تردد روزانه و متوسط سرعت وسایل نقلیه بیشترین نقش را در تصادفات آزادراهها ایفا میکنند
کلیدواژه ها:
مدل پی شبینی تصادفات ، تجزیه و تحلیل مؤلف ههای اصلی ، شبکه عصبی مصنوعی ، رگرسیون لگاریتم طبیعی ، آزادراه
نویسندگان
عبدالرضا شیخ الاسلامی
استادیار، دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران، تهران، ایران
فاطمه باقری خلیلی
دانش آموخته کارشناسی ارشد، دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران، تهران، ایران
عباس محمودآبادی
دانشجوی دکتری، دانشکده فنی و مهندسی، دانشگاه پیام نور، تهران، ایران