ارزیابی استفاده از الگوریتم های یادگیری ماشین در مدل سازی شدت تصادفات رانندگی در مسیرهای برون شهری

تصادفات در مسیرهای برون شهری دارای سهم قابل توجهی در آمار حوادث سالیانه هستند، با توجه به اهمیت این موضوع میتوان در نظر گرفت مدل سازی شدت تصادفات رانندگی یکی از ارکان اصلی تحلیل ایمنی ترافیک و تصمیم سازی مبتنی بر شواهد در شبکه های حمل ونقل برون شهری است. روش های آماری کلاسیک اگرچه تفسیرپذیری مناسبی دارند، اما در مواجهه با روابط غیرخطی پیچیده و ناهمگنی رفتار رانندگان با محدودیت هایی روبه رو هستند. در این مطالعه، استفاده از روش های آماری و الگوریتم های یادگیری ماشین در پیش بینی شدت تصادفات رانندگی در مسیرهای برون شهری ارزیابی و با یکدیگر مقایسه شده اند. داده های مورد استفاده در مدل سازی شامل اطلاعات و تعداد تصادفات، مشخصات مسیر، ویژگی های وسایل نقلیه و عوامل انسانی بوده و شدت تصادفات به عنوان متغیر وابسته معرفی شده است. با پیشرفت الگوریتم های یادگیری ماشین، این روش ها مورد استفاده قرار گرفته اند. این روش ها در استخراج الگوهای غیرخطی عملکرد بهتری دارند و دارای دقت مناسبی در پیش بینی شدت تصادفات می باشند اما تفسیرپذیری آنها نیاز به استفاده از روش هایی مانند SHAP و LIME دارد. مدیریت عدم توازن داده ها نیز می تواند در بهبود عملکرد مدل ها تاثیرگذار باشد. همچنین استفاده از روش های ترکیبی نیز برای مدل سازی شدت تصادفات می تواند مورد استفاده قرار گیرند. بهبود عملکرد مدل ها در پیش بینی و شناسایی عوامل موثر در میزان شدت تصادفات، نقش قابل توجهی در افزایش ایمنی ترافیک مسیرهای برون شهری دارند.

کلیدواژه ها:

مدل سازی شدت تصادفات ، ایمنی ، مسیرهای برون شهری ، الگوریتم های یادگیری ماشین