خوشه بندی محورهای برون شهری بر اساس الگوهای تردد، سرعت، ترکیب ناوگان و تخلفات رانندگی با استفاده از داده های ترددشماری

سال انتشار: 1405
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 19

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_TRJ-23-3_021

تاریخ نمایه سازی: 17 مهر 1405

چکیده مقاله:

مدیریت ایمنی و بهره برداری راه های برون شهری نیازمند شناخت تفاوت های رفتاری محورهای شبکه است. رتبه بندی ساده محور های پرخطر اگرچه برای اولویت بندی مفید است، اما قادر به آشکارسازی تیپ های رفتاری مشابه از نظر حجم تردد، سرعت، ترکیب ناوگان و الگوی تخلفات نیست. هدف این پژوهش، خوشه بندی محورهای برون شهری استان خراسان رضوی بر اساس داده های تردد شماری سامانه ۱۴۱ در سال ۱۴۰۴ است. در این مطالعه، ۱۳۶ محور یک جهته پس از کنترل کیفیت داده و تجمیع ویژگی های محوری وارد تحلیل شدند. ویژگی های مورد استفاده شامل حجم تردد سالانه، نرخ تخلف فاصله غیرمجاز، نرخ تخلف سرعت، نرخ تخلف سبقت، سرعت متوسط وزنی و سهم وسایل نقلیه تجاری/سنگین بود. برای کاهش اثر مقیاس، داده ها استاندارد سازی شدند و برای نمایش ساختار داده از تحلیل مولف ه های اصلی استفاده شد. سپس دو رویکرد K-Means و خوشه بندی سلسله مراتبی Ward برای تعداد خوشه های ۲ تا ۷ ارزیابی شدند. بر اساس شاخص Silhouette، مقدار k=۴ با ضریب ۰.۲۶۹ بهترین پیکربندی K-Means را ارائه کرد. نتایج چهار تیپ رفتاری شامل «پرریسک با تخلف فاصله بالا»، «پرتردد با ریسک رفتاری متوسط»، «تجاری/سنگین با سرعت کنترل شده» و «کم ریسک تر و پایدارتر» را نشان داد. خوشه نخست با ۴۷ محور، نرخ میانگین تخلف فاصله ۲۰۵.۵۵ تخلف به ازای هر ۱۰۰۰ وسیله نقلیه و نرخ وزنی ۲۴۴.۹۲ داشت و از دید مدیریت ایمنی در اولویت نخست پایش و مداخله قرار می گیرد. نتایج این پژوهش نشان می دهد خوشه بندی داده محور می تواند مکمل مناسبی برای شاخص های ریسک و مدل های پیش بینی باشد و به راهداری کمک کند محور های مشابه را با سیاست های هماهنگ تر مدیریت کند

نویسندگان

سحر علیشاهی

دانش آموخته کارشناسی ارشد، گروه مهندسی عمران، دانشکده مهندسی، دانشگاه فردوسی، مشهد، ایران

سیدعلی ضیائی

دانشیار، گروه مهندسی عمران، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران

حسین محمدی

دانش آموخته کارشناسی ارشد ، گروه مهندسی عمران، دانشکده مهندسی، دانشگاه فردوسی، مشهد، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Abduljabbar, R., et al, (۲۰۲۵). Machine learning traffic flow prediction ...
  • Caliński, T., & Harabasz, J (۲۰۲۴). A dendrite method for ...
  • Chai, A. B. Z., et al, (۲۰۲۴). Enhancing road safety ...
  • Clustering Algorithms to Analyse Smart City Traffic Data, (۲۰۲۴). International ...
  • Davies, D. L., & Bouldin, D. W. A. (۱۹۷۹). cluster ...
  • Etemad, S., et al, (۲۰۲۳).Clustering of urban traffic patterns by ...
  • Federal Highway Administration, Road Safety Fundamentals: Measuring Safety (۲۰۲۴). ...
  • Federal Highway Administration (۲۰۰۸). Surrogate Safety Assessment Model and Validation ...
  • Fredriksson, H, (۲۰۲۵). Exploring spatio-temporal traffic performance variation in road ...
  • Ikotun, A. M., Ezugwu, A. E., Abualigah, L., Abuhaija, B., ...
  • International Transport Forum / OECD, Road Safety Annual Report (۲۰۲۴). ...
  • Jain, A. K, Data clustering: ۵۰ years beyondK-means. Pattern Recognition ...
  • Jolliffe, I. T.­ Principal Component Analysis. (۲۰۰۲). Springer, ...
  • Kwon, Y., Lee, M., Lee, M. J., & Son, S.-W, ...
  • Lloyd, S, Least squares quantization in PCM. IEEE Transactions on ...
  • MacQueen, J, (۱۹۶۷). Some methods for classification and analysis of ...
  • Pavlyshyn, V., et al, (۲۰۲۵). An adaptive machine learning approach ...
  • Pedregosa, F., et al, (۲۰۱۱). Scikit-learn: Machine learning in Python. ...
  • Rousseeuw, P. J, Silhouettes, (۱۹۸۷). A graphical aid to the ...
  • Sohail, A. M. (۲۰۲۴). Unravelling traffic dynamics with K-means clustering ...
  • Ward, J. H., (۲۰۲۲). Hierarchical grouping to optimize an objective ...
  • World Health Organization, Global status report on road safety (۲۰۲۳). ...
  • Xu, D., & Tian, Y (۲۰۱۵). A comprehensive survey of ...
  • Yumak, A. (۲۰۲۵). A machine learning approach to identify high-risk ...
  • نمایش کامل مراجع