مقایسه پارامترهای تاثیرگذار در شدت تصادفات کاربران آسیب پذیر اسلامشهر با استفاده از مدل یادگیری ماشین XGBoost

ایمنی ترافیک درون شهری یکی از موضوعات کلیدی در مهندسی حمل ونقل است که کاهش شدت تصادفات به عنوان یکی از اهداف اصلی آن مطرح می شود. در این پژوهش، با استفاده از مدل XGBoost، شدت تصادفات عابران پیاده و موتورسیکلت سواران مقایسه و تحلیل شده است. این مدل که یکی از روش های کارآمد یادگیری ماشین محسوب می شود، برای داده های تصادفات شهر اسلامشهر مورداستفاده قرار گرفته است. در مرحله نخست، داده های تاریخی تصادفات درون شهری گردآوری و متغیرهای موثر بر شدت تصادفات عابران پیاده و موتورسیکلت سواران شناسایی شدند. در این فرایند، ۶ متغیر کلیدی از میان داده ها انتخاب و پیش پردازش شدند. سپس، مدل XGBoost توسعه یافت و برای تاثیر متغیرها بر مدل مورد تحلیل قرار گرفت و امکان ارزیابی میزان تاثیرگذاری متغیرهای مستقل بر شدت تصادفات و نمایش بصری روابط میان متغیرها فراهم شد. مدل پیشنهادی بر روی داده های مطالعه موردی مربوط به شهر اسلامشهر اجرا و عملکرد آن ارزیابی گردید. نتایج تحلیل ها نشان داد که عواملی نظیر نوع راه، وسیله مقصر و وضعیت روشنایی بیشتر اثر را بر شدت تصادفات کاربران آسیب پذیر دارند؛ همچنین، یافته های این پژوهش نشان می دهد پارامترهای تاثیرگذار بر شدت تصادفات کاربران آسیب پذیر راه، موتورسواران و عابران، با هم تفاوتی ندارد.

کلیدواژه ها:

شدت تصادف ، کاربران آسیب پذیر ، یادگیری ماشین ، مدل XGBoost