خوشه بندی مبتنی بر مشخصه های تصادفات و داده های مکانی: مطالعه موردی شهر اصفهان

تصادفات ترافیکی، یک چالش جهانی ناخوشایند است که برای شناسایی الگوها و هدایت استراتژی های پیشگیری، به رویکردهای تحلیلی پیشرفته نیاز دارد. روش های آماری سنتی اغلب در مدیریت داده های پیچیده تصادفات با چالش روبرو هستند، در حالیکه روش های یادگیری ماشین همانند تکنیک های خوشه بندی به طور موثر حوادث مشابه را گروه بندی کرده و از تصمیمات مبتنی بر داده پشتیبانی می کنند. این مطالعه یک چارچوب خوشه بندی دو مرحله ای جدید برای تجزیه و تحلیل تصادفات درون شهری شهر اصفهان، ایران، طی یک دوره سه ساله (شش ماهه دوم سال ۱۴۰۰ تا شش ماهه اول ۱۴۰۳) ارائه می دهد که داده های غیرمکانی (مشخصات تصادفات) و مکانی را ادغام می کند. در مرحله اول، از الگوریتم نقشه خودسازمانده (SOM) برای خوشه بندی ویژگی های غیرمکانی استفاده می شود. در مرحله دوم، الگوریتم DBSCAN، برای خوشه بندی داده های مکانی اعمال می گردد. نتایج این تحقیق نشان می دهد که چارچوب پیشنهادی SOM-DBSCAN به طور موثر خوشه های تصادفات معنادار را شناسایی می کند، نقاط حادثه خیز را برجسته می کند و دیدگاه های استراتژیک برای ارتقای سطح ایمنی راه ها ارائه می دهد. روش پیشنهادی نه تنها دقت تشخیص الگوی تصادف در شبکه راه ها را افزایش می دهد، بلکه یک چارچوب جامع و داده محور برای سیاست گذاران و مسئولین فراهم می کند تا تصمیمات راهبردی برای ایمنی جاده ها اتخاذ گردد و منابع به صورت هدفمند تخصیص یابد.

کلیدواژه ها:

خوشه بندی ، داده مکانی ، الگوریتم های یادگیری ماشین