کاربردهای یادگیری ماشین در پیش بینی شدت تصادفات

این مقاله مروری جامع بر کاربردهای الگوریتم های یادگیری ماشین در مدل سازی و پیش بینی شدت تصادفات جاده ای ارائه می دهد. با توجه به ناتوانی روش های آماری سنتی در شناسایی روابط پیچیده و غیرخطی داده های ترافیکی، مدل های یادگیری ماشین به عنوان جایگزینی کارآمدتر با دقت پیش بینی بالاتر مطرح شده اند. این مطالعه پژوهش های پیشین را در پنج گروه اصلی طبقه بندی می کند: تحلیل های مقایسه ای، کاربرد الگوریتم های خاص، ارزیابی عوامل محیطی جاده ای و نقلیه ای، مدل سازی انواع خاص تصادفات و رویکردهای هیبریدی و تجمیعی. نتایج نشان می دهد که در میان الگوریتم های مختلف، مدل جنگل تصادفی (Random Forest) بیشترین کاربرد و بالاترین سطح دقت را داشته است. پس از آن الگوریتم XGBoost و مدل های تجمیعی (Ensemble) بهترین عملکرد را در پیش بینی شدت تصادفات و مدیریت داده های پیچیده از خود نشان داده اند. همچنین استفاده از ابزارهای تفسیرپذیر مانند مقادیر SHAP نقش مهمی در درک تاثیر عواملی چون رفتار راننده، شرایط روشنایی و نوع وسیله نقلیه ایفا کرده است. در نهایت مقاله به چالش های کلیدی و مسیرهای آینده این حوزه می پردازد که مهم ترین آن ها عبارتند از: عدم توازن در مجموعه داده ها (کمیاب بودن تصادفات شدید نسبت به تصادفات خفیف)، در نظر نگرفتن پویایی زمانی در مدل ها، محدودیت در تعمیم پذیری جغرافیایی مدل ها و پیچیدگی های مرتبط با ادغام داده های چندمنبعی نظیر داده های حسگرها، GPS و گزارش های پلیس.

کلیدواژه ها:

یادگیری ماشین ، شدت ، تصادفات ، ایمنی جاده ای ، پیش بینی تصادفات ، مدل های تجمیعی ، داده های نامتوازن