تحلیل شدت تصادفات دوخودرویی درون شهری با الگوریتم جنگل تصادفی (RF) و تحلیل SHAP

تصادفات دو خودرویی درون شهری یکی از مهم ترین انواع تصادفات درون شهری محسوب می شوند که سهم قابل توجهی در تلفات انسانی و خسارات اقتصادی دارند. شناسایی عوامل موثر بر شدت این نوع تصادفات می تواند نقش مهمی در برنامه ریزی های ایمنی و مدیریت ترافیک شهری ایفا نماید. هدف این پژوهش، تحلیل عوامل موثر بر شدت تصادفات دو خودرویی درون شهری با استفاده از مدل های یادگیری ماشین و روش های تفسیرپذیر است. داده های مورد استفاده شامل ۵۸۶ فقره تصادف دو خودرویی ثبت شده در شهرستان شهرضا طی سال های ۱۴۰۱ تا ۱۴۰۴ بود که از پایگاه اطلاعات پلیس راهور استخراج گردید. در مرحله پیش پردازش، داده ها کدگذاری و متعادل سازی شده و سپس مدل جنگل تصادفی (RF) به عنوان مدل اصلی توسعه یافت. همچنین عملکرد این مدل با دو مدل پایه شامل رگرسیون لجستیک (LR) و درخت تصمیم (DT) مقایسه شد. نتایج ارزیابی مدل ها نشان داد که مدل RF با دقت ۸۹ درصد، مقدار AUC برابر با ۹۲/۰ و مقادیر بالاتر Precision، Recallو F۱-score نسبت به سایر مدل ها، بهترین عملکرد را در پیش بینی شدت تصادفات ارائه می دهد. به منظور تفسیرپذیری نتایج، از روش SHAP استفاده شد. یافته ها نشان داد که متغیرهای روز هفته، نوع خودرو، زمان وقوع تصادف، مانور خودرو، هندسه راه، وضعیت روشنایی و کنترل ترافیک از مهم ترین عوامل موثر بر شدت تصادفات دو خودرویی هستند. همچنین مشخص گردید وقوع تصادفات در شب، نبود کنترل ترافیک، راه های دوطرفه و حضور خودروهای سنگین احتمال بروز تصادفات فوتی را افزایش می دهد. نتایج این پژوهش نشان می دهد که ترکیب مدل های یادگیری ماشین و روش های تفسیرپذیر می تواند ابزار موثری برای تحلیل شدت تصادفات و تدوین راهکارهای ارتقای ایمنی ترافیک شهری باشد.

کلیدواژه ها:

تصادفات دوخودرویی ، تحلیل شدت ، جنگل تصادفی (RF) ، تحلیل SHAP