ارزیابی تطبیقی مدل های بر پایه درخت در دسته بندی و پیش بینی وضعیت های بحرانی ایمنی راه ها مطالعه موردی محورهای استان اصفهان

ایمنی راه ها یکی از مهمترین مولفه های مدیریت حمل و نقل جاده ای است و شناسایی به موقع وضعیت های بحرانی می تواند نقش موثری در کاهش ریسک، تصادفات، بهبود مدیریت ترافیک و تخصیص هدفمند منابع ایمنی داشته باشد. در این پژوهش منظور از وضعیت بحرانی شرایطی از جریان ترافیک است که بر اساس الگوهای سرعت، حجم تردد، تخلف سرعت و ترکیب وسایل نقلیه دارای احتمال بالاتر بروز ریسک ایمنی بوده و در مقابل وضعیت عادی قرار می گیرد. در این پژوهش عملکرد سه الگوریتم یادگیری ماشین بر پایه درخت شامل XGBoost، Random Forest و LightGBM در دسته بندی و پیش بینی وضعیت های بحرانی ایمنی راه ها در محورهای استان اصفهان ارزیابی شد. داده های مورد استفاده مربوط به بازه زمانی ۱۳۹۵ تا ۱۴۰۳ بوده و شامل متغیرهای زمانی، حجمی، سرعتی و ترکیب وسایل نقلیه از جمله حجم کل تردد، میانگین سرعت، حجم وسایل نقلیه در کلاس های مختلف، ماه، روز، نسبت وسایل نقلیه سنگین و شاخص تخلف سرعت بود. کلیه مراحل آماده سازی داده ها، آموزش مدل ها، اعتبارسنجی، محاسبه شاخص های عملکرد و ترسیم نمودارها در محیط Python و Jupyter Notebook انجام شد. مسئله پژوهش به صورت طبقه بندی دودویی شامل دو وضعیت عادی و بحرانی تعریف شد. بر اساس مجموعه آزمون از مجموع ۷۰۲۰۰ مشاهده، ۶۳۱۸۰ مشاهده در طبقه عادی و ۷۰۲۰ مشاهده در طبقه بحرانی قرار گرفتند که نشان دهنده سهم حدود ۱۰ درصدی وضعیت های بحرانی و وجود عدم توازن طبقاتی در داده هاست. بنابراین علاوه بر Accuracy از شاخص هایی مانند Score، Recall، Precision، AUC-ROC – منحنی ROC، منحنی ماتریس آشفتگی استفاده شد. نتایج اعتبارسنجی متقاطع پنج تایی نشان داد که هر سه مدل از قدرت تفکیک و پایداری بالایی برخوردارند؛ به گونه ای که میانگین CV AUC برای Random Forest، LightGBM به ترتیب برابر با ۰.۹۵۷۴، ۰.۹۵۸۲ و ۰.۹۵۸۴ به دست آمد. در ارزیابی نهایی LightGBM با Accuracy برابر با ۰.۹۴۸۴، AUC-ROC برابر با ۰.۹۵۷۳، Score-۱ برابر با ۰.۶۹۱۸ و AP برابر با ۰.۸۰۲۹ بهترین عملکرد کلی را ارائه داد. Random Forest با Precision برابر با ۰.۸۷۹۹ کمترین هشدار کاذب را ایجاد کرد، در حالی که XGBoost و LightGBM در شناسایی وضعیت های بحرانی واقعی عملکرد بهتری داشتند. تحلیل اهمیت متغیرها نشان داد که میانگین سرعت مهم ترین متغیر در پیش بینی وضعیت بحرانی است. همچنین بیشترین احتمال وضعیت بحرانی در ماه تیر با مقدار ۱۱.۷ درصد مشاهده شد. نتایج نشان می دهد مدل های درختی به ویژه LightGBM، می توانند به عنوان ابزار پشتیبان تصمیم گیری و هشدار زودهنگام در مدیریت ایمنی محورهای استان اصفهان مورد استفاده قرار گیرند.

کلیدواژه ها:

ایمنی راه ، وضعیت بحرانی ، یادگیری ماشین ، XGBoost ، Random Forest ، Precision-Recall ، XGBoost و LightGBM