پيش بيني شدت تصادفات برون شهري با رويكرد تركيبي خوشه بندي و دسته بندي

تصادفات به عنوان عامل تهدید برای سیستم حمل و نقل دارای ابعاد گسترده سیاسی، اجتماعی، اقتصادی می باشد كه در كشور های در حال توسعه به شكل روزافزون در حال افزایش است. ایران نیز به عنوان كشوری در حال توسعه از این خطر بی نصیب نمانده، اما در سال های اخیر با اقدامات پیشگیرانه، آمار تصادفات در حال كاهش بوده است، در پژوهش حاضر سعی بر آن شد تا شدت تصادفات را با رویكرد تركیبی خوشه بندی و دسته بندی، به كمك الگوریتم های شبكه عصبی، بیز ساده،SVM ,KNN و C4.5 مدل كرده 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 بكار برده شده توانایی هر یك از الگوریتم ها را در جهت پیش بینی شدت تصادفات ارزیابی بنماید. نتایج حاصل از پژوهش حاكی از آنست كه الگوریتم های همچون شبكه های عصبی و الگوریتم ماشین بردار پشتیبان )غالبا درجه ی غیر خطی( معمولا بیشترین میزان نرخ دسته بندی را فراهم می كنند، در حالی كه 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 كه می توان در اختیار متخصصان حوزه ترافیك و ایمنی قرار داده شوند و با اخذ تصمیمات راهبردی در زمینه كاهش شدت تصادفات وخسارات ناشی از آن، گام مهم و موثری برداشت.