ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
CIVILICAWe Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

ارایه مدل پیش بینی شدت تصادفات وسایل نقلیه با استفاده از داده های تصادفات (مطالعه موردی محور بابل-گنج افروز)

سال انتشار: 1398
کد COI مقاله: JR_TRJ-16-4_001
زبان مقاله: فارسیمشاهد این مقاله: 153
فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 14 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله ارایه مدل پیش بینی شدت تصادفات وسایل نقلیه با استفاده از داده های تصادفات (مطالعه موردی محور بابل-گنج افروز)

رضوان باباگلی - استادیار، گروه مهندسی عمران، دانشگاه علم و فناوری مازندران، بهشهر، ایران
علیرضا عاملی - مربی، گروه مهندسی عمران، واحد ملارد، دانشگاه آزاد اسلامی، ملارد، تهران، ایران
علی اصغر غلامرضاتبار - دانش آموخته کارشناسی ارشد، موسسه آموزش عالی علوم و فناوری آریان، امیرکلا، مازندران، ایران
علی پایدار - استادیار، گروه مهندسی عمران، واحد ملارد، دانشگاه آزاد اسلامی، ملارد، تهران، ایران

چکیده مقاله:

استان مازندران با توجه به طبیعت زیبای خود همواره یکی از استان های توریستی و گردشگری می باشد که همه ساله تعداد زیادی از افراد در فصول مختلف سال به این استان سفر می­کنند. همچنین این استان یکی از قطب های کشاورزی کشور می­باشد که سهم زیادی از حمل و نقل این صنعت، از طریق حمل و نقل جاده ای انجام می­گیرد که باعث ایجاد تردد ترافیکی با حجم بالا و در پی آن باعث ایجاد حوادث ترافیکی می­گردد. آمار ارایه شده در سال های اخیر نشان می­دهد که این استان، هفتمین استان از نظر تلفات ناشی از تصادفات در کشور می باشد. بر این اساس تحقیقات زیادی در مورد شناسایی عوامل موثر بر شدت تصادفات صورت گرفته است و پیشرفت­های زیادی هم در این مورد حاصل شده است، ولی مطالعات انجام شده در مورد رابطه بین شدت تصادفات و نوع برخورد ناچیز بوده، لذا انجام تحقیقات بیشتر در این مورد ضروری به نظر می­رسد. در این پژوهش با بکارگیری مدل چند جمله­ای لوجیت از مجموعه مدل­های انتخاب برای ارایه مدل پیش بینی شدت تصادفات بهره گرفته شده است. همچنین با استفاده از مدل پیش بینی دو تایی از مجموعه الگوریتم­های داده کاوی شامل الگوریتم CART به عنوان یکی از الگوریتم های درخت تصمیم و الگوریتمANN- MLP از مجموعه الگوریتم­های شبکه های عصبی مصنوعی استفاده گردید و نتایج مورد نیاز استخراج و با یکدیگر مقایسه شده­اند. براساس مطالعه ها صورت گرفته شده در این پژوهش نشان داده شده است که بهترین مدل از نظر درصد درست پیش بینی و قابلیت  ارائه فرمول پیش بینی برای هر سطح،  مدلMNL  بوده است.نتایج بدست آمده در بخش مدلهای پیش بینی نشان می دهد فرمول برآورد شده قادر به پیش بینی شدت تصادفات در سطوح0 (صفر) و 1 با دقت کافی می باشند.

کلیدواژه ها:

شدت تصادفات, وسايل نقليه, مدل پيش بيني, لوجيت, شبكه عصبي

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/986517/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
باباگلی، رضوان و عاملی، علیرضا و غلامرضاتبار، علی اصغر و پایدار، علی،1398،ارایه مدل پیش بینی شدت تصادفات وسایل نقلیه با استفاده از داده های تصادفات (مطالعه موردی محور بابل-گنج افروز)،،،،،https://civilica.com/doc/986517

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1398، باباگلی، رضوان؛ علیرضا عاملی و علی اصغر غلامرضاتبار و علی پایدار)
برای بار دوم به بعد: (1398، باباگلی؛ عاملی و غلامرضاتبار و پایدار)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

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 ممقالهقاله لینک شده اند :

  • اداره ایمنی و ترافیک سازمان راهداری و حمل و نقل ...
  • جاده­های کشور، (1384)، گزارش آماری و تحلیل تصادفات جاده­ای ، ...
  • اسماعیلی، م.، (1393) داده کاوی (مفاهیم و تکنیک ها) ، ...
  • راضی اردکانی، ح.، صمیمی، الف.، (1390)، بررسی عوامل موثر بر ...
  • مدلسازی و شناسائی عوامل موثر در شدت تصادفات کامیونها در جاده های دوخطه برون شهری با استفاده از مدل لوجیت و شبکه عصبی [مقاله کنفرانسی]
  • نصیری، ح. ا. طلوعی، ر.، (1380)، شناسایی عوامل موثر در ...
  • مدلسازی و شناسائی عوامل موثر در شدت تصادفات کامیونها در جاده های دوخطه برون شهری با استفاده از مدل لوجیت و شبکه عصبی [مقاله کنفرانسی]
  • نصیریان، م.، (1389)، اولویت­بندی ایمن سازی تقاطعات شهری بر اساس ...
  • Barua, U., Tay., (2010), Severity of Urban Transit Bus Crashes ...
  • Behnood, Ali, L. Mannering, Fred, (2015), The temporal stability of ...
  • Celik, Ali Kemal, Oktay, Erkan, (2014), A multinornail logit analysis ...
  • Haleem, k., Abdel-aty, m., (2010), Examining traffic crash injury severity ...
  • Haleem, Kirolos, Gan, Albert, (2013), Effect of Driver s Age ...
  • Haque, M. M., Chin, H. C., & Huang, H. (2009). ...
  • Jones, A. P., Jorgensen, S. H., (2013), The use of ...
  • Kaplan, S., C. G. Prato. (2012), Risk Factors Associated with ...
  • Khattak, A. J., Kantor. P. and Council, F. M. (1999), ...
  • Kononen, d.w., Flannagan , c.a.c, Wang, s. c., (2011), identification ...
  • Kropko, J., (2007), Choosing between multinomial logit and multinomial probit ...
  • Moore, D. N., Schneider IV, W. H., Savolainen, P. T., ...
  • Persuad, B. and Dzbik, L., (1993), Accident perdition models for ...
  • Voget, A and Bared , J., (1999), Accident models tor ...
  • WHO (World Health Organization), (2004), Global status report on road ...
  • World Health Organization, (2013), Global status report on road safety ...
  • Wu, Qiong, Chen, Feng , Zhang, Guohui, Cathy Liu, Xiaoyue, ...
  • Yasmin, Shamsunnahar, Eluru, Naveen, R. Pinjari, Abdul, Tay, Richard, (2014), ...
  • Zeng, Qiang, Huang, Helai, (2014), A stable and optimized neural ...
  • Zuxuan, d., Ivan­, j.n., garder. P., (2006), ...
  • in analysis of factors affecting the severity of head on ...
  • مدیریت اطلاعات پژوهشی

    صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم
    این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه دولتی
    تعداد مقالات: 217
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

    پشتیبانی