ارزیابی و اولویت بندی روش های پیش بینی نقاط تصادف خیز راه های بین شهری با رویکرد AHP-TOPSIS

تصادفات جاده ای در ایران سالانه بیش از ۲۰ هزار کشته و ۷ درصد تولید ناخالص داخلی را به خود اختصاص می دهند. شناسایی نقاط تصادف خیز (مکان های دارای پتانسیل بالای وقوع تصادف) یکی از موثرترین راهکارهای کاهش خسارات است. روش های متنوعی از سه دسته ی آماری سنتی، یادگیری ماشین و یادگیری عمیق برای پیش بینی این نقاط ارائه شده اند، اما فقدان مقایسه ی نظام مند، انتخاب روش مناسب برای راه های ایران را دشوار ساخته است. روش شناسی: ۱۵ روش پیش بینی شامل ۳ روش آماری (فراوانی، نرخ تصادف، بیز تجربی)، ۴ روش یادگیری ماشین (جنگل تصادفی، ماشین بردار پشتیبان، XGBoost، درخت تصمیم) و ۸ روش یادگیری عمیق (CNN، LSTM، CNN-LSTM، GCN، GAT، STGNN، Transformer، Ensemble) در ۷ معیار (دقت، حساسیت، سرعت، حجم داده، تفسیرپذیری، تعمیم پذیری، نیاز به تخصص فنی) ارزیابی شدند. داده ها از مرور سیستماتیک ۹۰ مقاله (۲۰۲۵-۲۰۱۹) استخراج گردید. وزن دهی با AHP و رتبه بندی با TOPSIS انجام شد. یافته ها: CNN-LSTM ترکیبی با امتیاز ۰.۸۵۲ بالاترین رتبه را کسب کرد. XGBoost با ۰.۷۹۵ بهترین روش یادگیری ماشین بود. روش های آماری با میانگین ۰.۲۷۵در رتبه ی آخر قرار گرفتند. میانگین امتیاز یادگیری عمیق (۰.۶۵۲)، یادگیری ماشین (۰.۶۳۴) و آماری (۰.۲۷۵) است. تحلیل حساسیت پایداری نتایج را تایید کرد. نتیجه گیری: روش CNN-LSTM ترکیبی به عنوان روش برتر در پیش بینی نقاط تصادف خیز راه های بین شهری ایران انتخاب شد. در شرایط داده ی بسیار محدود (کمتر از ۳,۰۰۰ رکورد)، روش بیز تجربی و در شرایط نیاز به تفسیرپذیری بالا، روش درخت تصمیم پیشنهاد می گردد.

کلیدواژه ها:

نقاط تصادف خیز ، یادگیری عمیق ، یادگیری ماشین ، AHP-TOPSIS ، راه های بین شهری ایران