مدیریت ریسک سوانح ریلی مبتنی بر یادگیری ماشین: شناسایی نواحی پرخطر و پیش بینی هزینه های سانحه (مطالعه موردی در ایالت تگزاس)

ایمنی در حمل ونقل ریلی یکی از مولفه های اساسی در کاهش تلفات جانی، خسارات مالی و افزایش بهره وری شبکه های ریلی به شمار می رود. با توجه به پیچیدگی ساختاری و عملیاتی این شبکه ها، تحلیل نظام مند سوانح و پیش بینی هزینه های ناشی از آن ها نقش مهمی در پشتیبانی از تصمیم گیری های مدیریتی و راهبردی ایفا می کند. در این پژوهش، با بهره گیری از تکنیک های پیشرفته داده کاوی و یادگیری ماشین، سوانح ریلی ایالت تگزاس به عنوان حادثه خیزترین ایالت ایالات متحده در بازه زمانی پنج ساله مورد بررسی قرار گرفته است؛ به طوری که این ایالت با ثبت ۱۳۹۲ سانحه، بالاترین فراوانی حوادث ریلی را به خود اختصاص داده است. به منظور شناسایی نواحی پرریسک، از الگوریتم خوشه بندی مبتنی بر چگالی به عنوان یک روش بدون نظارت استفاده شد. با انجام تحلیل حساسیت، مقادیر بهینه پارامترهای الگوریتم تعیین گردید و نتایج نشان داد که سوانح عمدتا در بخش های جنوبی و مرکزی تگزاس، به ویژه در کلان شهرهایی نظیر دالاس و هوستون، متمرکز هستند. این نواحی به صورت دقیق بر روی نقشه های مکانی نمایش داده شدند تا مبنایی برای مدیریت منابع ایمنی فراهم شود. در گام بعد، به منظور مدیریت موثر هزینه های سوانح، از مدل پیش بینی مبتنی بر رگرسیون جنگل تصادفی استفاده گردید. تحلیل اهمیت ویژگی ها نشان داد که هزینه آسیب تجهیزات، هزینه آسیب خط ریلی و سرعت قطار و همچنین علت حادثه بیشترین تاثیر را بر هزینه نهایی سانحه دارند. ارزیابی مدل با اعتبارسنجی متقاطع ده زیرمجموعه ای انجام شد که میانگین دقت ۸۴ درصد را نشان می دهد. نتایج این پژوهش می تواند به تقویت ایمنی، افزایش تاب آوری شبکه ریلی در برابر بحران ها و بهبود برنامه ریزی های پیشگیرانه در آینده کمک شایانی نماید.

کلیدواژه ها:

حمل ونقل ریلی ، داده کاوی ، ماشین لرنینگ ، خوشه بندی ، پیش بینی