پیش بینی شدت تصادفات برون شهری با رویکرد ترکیبی خوشه بندی و دسته بندی

تصادفات به عنوان عامل تهدید برای سیستم حمل و نقل دارای ابعاد گسترده سیاسی، اجتماعی، اقتصادی می باشد که در کشور های در حال توسعه به شکل روزافزون در حال افزایش است. ایران نیز به عنوان کشوری در حال توسعه از این خطر بی نصیب نمانده، اما در سال های اخیر با اقدامات پیشگیرانه، آمار تصادفات در حال کاهش بوده است، در پژوهش حاضر سعی بر آن شد تا شدت تصادفات را با رویکرد ترکیبی خوشه بندی و دسته بندی، به کمک الگوریتم های شبکه عصبی، بیز ساده،SVM ,KNN و C4.5 مدل کرده و با مقایسه ای بین دقت، بازخوانی و صحت این الگوریتم ها قبل و بعد از استفاده از خوشه بندی، به اهمیت خوشه بندی پی برده و با مقایسه ای بین الگوریتم های بکار برده شده توانایی هر یک از الگوریتم ها را در جهت پیش بینی شدت تصادفات ارزیابی بنماید. نتایج حاصل از پژوهش حاکی از آنست که الگوریتم های همچون شبکه های عصبی و الگوریتم ماشین بردار پشتیبان )غالبا درجه ی غیر خطی( معمولا بیشترین میزان نرخ دسته بندی را فراهم می کنند، در حالی که قابلیت تفسیر مناسبی ارائه نمی دهند ، در عوض الگوریتم های درخت، مبتنی بر قانون اگر و آنگاه دارای قابلیت تفسیر مناسبی برای انسان می باشد. قوانین از آن جهت حائز اهمیت هستند که می توان در اختیار متخصصان حوزه ترافیک و ایمنی قرار داده شوند و با اخذ تصمیمات راهبردی در زمینه کاهش شدت تصادفات وخسارات ناشی از آن، گام مهم و موثری برداشت.