مدل سازی و پیش بینی تخلفات عدم رعایت فاصله زمانی ایمن در محورهای برون شهری با استفاده از داده های ساعتی ترددشماری (مطالعه موردی: استان خراسان رضوی در سال ۱۴۰۴)

سال انتشار: 1405
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 11

فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_TRJ-23-4_013

تاریخ نمایه سازی: 22 آبان 1405

چکیده مقاله:

هدف این پژوهش، ارائه چارچوبی داده محور برای مدل سازی و پیش بینی تخلفات عدم رعایت فاصله زمانی ایمن در محورهای برون شهری با استفاده از داده های ساعتی ترددشماری سامانه ۱۴۱ است. متغیر «تخلف فاصله غیرمجاز» بر اساس تعریف سامانه، عدم رعایت حداقل فاصله زمانی دو ثانیه ای با وسیله نقلیه جلویی را نشان می دهد و در این مطالعه به عنوان شاخص جانشین ایمنی برای پایش پیش دستانه ریسک به کار رفت. قلمرو مطالعه شامل ۱۳۶ محور یک جهته استان خراسان رضوی در سال ۱۴۰۴ است. داده های خام دوازده ماهه مجددا خوانده و بر اساس چارچوب کنترل کیفیت شامل بررسی مدت کارکرد، حجم تردد غیرمثبت، سرعت نامعتبر، ناسازگاری شمارش کلاس ها، اختلاف تعداد برآوردشده و تکرار کلید محور-زمان پالایش شدند. از میان ۱,۱۶۶,۱۰۲ رکورد ساعتی، ۱,۱۴۳,۱۶۹ رکورد به عنوان داده آماده تحلیل حفظ شد. متغیر هدف، نرخ تخلف فاصله غیرمجاز به ازای هر ۱۰۰۰ وسیله نقلیه تعریف گردید. نتایج نشان داد نرخ شبکه ای این تخلف برابر با ۲۰۳.۹۰ تخلف به ازای هر ۱۰۰۰ وسیله نقلیه است. برای پیش بینی نرخ تخلف، داده ها در سطح محور-ماه-ساعت-روز هفته تجمیع و ماه های ۱ تا ۹ برای آموزش و ماه های ۱۰ تا ۱۲ برای آزمون استفاده شد. مدل جنگل تصادفی با R² برابر ۰.۹۴۴، MAE برابر ۱۳.۸۲ و RMSE برابر ۲۱.۲۴ عملکرد مناسبی در آزمون زمانی نشان داد. یافته ها حاکی از نقش برجسته حجم تردد ساعتی، سرعت متوسط، نرخ تخلف سبقت و تفاوت های محوری در توضیح نرخ تخلف فاصله است. نتایج پژوهش می تواند مبنایی برای طراحی سامانه هشدار زودهنگام، رتبه بندی محورهای پرریسک و برنامه ریزی مداخله های مدیریتی در ایمنی راه باشد.

کلیدواژه ها:

نویسندگان

حسین محمدی

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

سحر علیشاهی

دانش آموخته کارشناس 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 :
  • AASHTO (۲۰۱۰). Highway Safety Manual. American Association of State Highway ...
  • Abdel-Aty, M., & Pande, A. (۲۰۰۵). Identifying crash propensity using ...
  • Afandizadeh, S., et al., (۲۰۲۴). Deep learning algorithms for traffic ...
  • Breiman, L. (۲۰۰۱). Random forests. Machine Learning (۴۵), ۵-۳۲. ...
  • Chen, T., & Guestrin, C, XGBoost (۲۰۱۶). A scalable tree ...
  • Federal Highway Administration (۲۰۲۶). Surrogate Safety Assessment Model (SSAM) overview. ...
  • Gettman, D., & Head, L, Surrogate (۲۰۰۳). safety measures from ...
  • Gettman, D., Pu, L., Sayed, T., & Shelby, S, Surrogate ...
  • Hayward, J. C. (۱۹۷۲). Near-miss determination through use of a ...
  • Hydén, C. (۱۹۸۷). The development of a method for traffic ...
  • International Transport Forum, (۲۰۲۴).Road Safety Annual Report. ...
  • International Transport Forum, (۲۰۲۵). Road Safety Annual Report. ...
  • Ke, G., Meng, Q., Finley, T., et al., LightGBM (۲۰۱۷). ...
  • Li, J., et al., (۲۰۲۵). Traffic safety measures and assessment. ...
  • Liu, R., et al., (۲۰۲۵). A review of traffic flow ...
  • Lord, D., & Mannering, F, (۲۰۱۰). The statistical analysis of ...
  • Lundberg, S. M., & Lee, S. I, A. (۲۰۱۷). Unified ...
  • Minderhoud, M. M., & Bovy, P. H. L, (۲۰۰۱). Extended ...
  • Mostafa, A. M., et al., (۲۰۲۵). AI-based prediction of traffic ...
  • Nikolaou, D., et al, (۲۰۲۳). Exploiting surrogate safety measures and ...
  • Rifat, M. A. K., Kabir, A., & Huq, A. S. ...
  • Roy, S., & Hasan, S. (۲۰۲۴). Advance real-time detection of ...
  • Wang, J., et al., (۲۰۲۴). Can historical accident data improve ...
  • World Health Organization, (۲۰۲۳).Global status report on road safety. ...
  • Yu, R., & Abdel-Aty, M. (۲۰۱۴). Analyzing crash injury severity ...
  • نمایش کامل مراجع