بهبود دقت پیش بینی تصادفات عابران پیاده با استفاده از روش اکتشافی خوشه بندی در شبکه های عصبی مصنوعی

ارزیابی خطر برخورد بین عابران پیاده و خودروها ابزار قدرتمند و آموزنده در برنامه های برنامه ریزی شهری است و می توان آن را برای اطلاع رسانی مناسب از پیشرفتها و پروژه های درمانی برای بهبود ایمنی عابر پیاده استفاده کرد. عابران پیاده به دلیل فقدان محافظت، از آسیب پذیرترین عوامل حاضر در جاده های درون و برون شهری محسوب میشوند. این ویژگیها با توجه به شرایط فیزیکی افراد و یا شرایط جاده و وضعیت ترافیکی میتواند متفاوت باشد. هدف این پژوهش کشف عوامل موثر بر تصادفات عابران پیاده و بررسی عملکرد روش ابتکاری خوشهبندی در شبکه های عصبی مصنوعی در پیش بینی تصادفات عابران پیاده در ایران طی سال های 90 تا 92 است.برای د ستیابی به اهداف این پژوهش از الگوریتم های داده کاوی خو شه بندی و شبکه های عصبی با ا ستفاده از نرم افزار داده کاوی وکا ا ستفاده شد. به دلیل وجود روشهای متعدد در خو شه بندی، این پژوهش تمرکز خود را بر روی روش خو شه بندی کا- میانگین قرار داد. همچنین از روش پرسپترون چندلایه در شبکه های عصبی استفاده گردید. نتایج نشان داد که نیازمند رسیدگی سریع به آموزش به رانندگان به خصوص به رانندگان جوان و آموزش به شهروندان هستیم. این آموزش باید بر رانندگی در جاده های برون شهری که اکنون مغفول واقع شده نیز تمرکز کند. همچنین مشخص گردید، که در اغلب موارد عابران پیاده مقصر اصلی در این تصادفات نیستند. دقت و صحت پیش بینی در مدل پیشنهادی خوشه بندی در شبکه های عصبی نسبت به روش معمولی بهبود قابل توجهی ایجاد نمود. ولی از طرف دیگر برای ر سیدن به نتایج حا صله زمان محا سبه افزایش 300 در صدی یافت. در نهایت نتایج برر سی مدل، نشان از برتری روش اکتشافی پیشنهادی در همه ابعاد نسبت به روش ساده دارد.

کلیدواژه ها:

پرسپترون چندلایه ، تصادفات عابران پیاده ، خوشه بندی ، شبکه عصبی ، کا-میانگین