مدل تصميم‌يار پيشگيري از تصادفات رانندگي با بهره‌گيري از داده‌كاوي (مطالعۀ موردي در استان كرمان)

Decision-making Model for Preventing Driving Accidents Using Data analysis- A Case Study in Kerman Province

آمار­ها نشان مي­دهد كه كشور ايران از لحاظ بروز تخلفات رانندگي و تصادفات نسبت به كشور­هاي جهان، سهم بيشتري را به خود اختصاص داده است. طبق آماري كه توسط كارشناسان امر ترافيك به‌ دست‌ آمده است، سالانه حدود سه درصد از توليد ناخالص ملي كشورمان صرف آثار و تبعات ناشي از تخلفات ترافيكي مي­شود. با توجه به اهميت بالاي بحث ترافيك، در اين پژوهش با درنظرگرفتن تعدادي از مؤلفه‌هاي مرتبط با تخلفات رانندگي كه شامل اطلاعات فرد متخلف، اطلاعات خودرو و مشخصات خودرو مي­باشند و با مدل­سازي از طريق ابزار­هايي مثل درخت تصميم و انتخاب ويژگي­ها، به بررسي و شناخت رانندگان متخلف پرداخته شده است. داده­هاي استفاده‌شده در اين پژوهش در طول سه ماه در سال 92 بر اساس تخلفات ترافيكي شهر كرمان جمع‌آوري‌ شده است. نوآوري پژوهش بر اساس مطالعۀ شناسايي رفتار رانندگان حادثه‌آفرين و متدولوژي‌هاي ارائه‌شده در اين زمينه شكل‌ گرفته است كه در ابتدا، ويژگي‌هاي مهم براي تقسيم­بندي رانندگان داراي تخلف، بر اساس هدف، استخراج‌ شده و سپس خوشه‌هاي رانندگان شكل خواهد گرفت؛ اين روش روي ‌داده‌هاي واقعي پياده­ سازي شده است. نتايج پژوهش حاصل، امكان پياده­ سازي به ­عنوان يك بستۀ نرم ­افزاري براي سيستم­ هاي ثبت و كنترل تخلفات ترافيكي را دارد.

Statistics show that Iran has a larger share in terms of driving violations and
accidents in the world. According to statistics from traffic experts, about 3
percent of our nation's gross domestic product annually is spent on the effects
and consequences of traffic violations. Considering the importance of the traffic
discussion, in this study, taking into account a number of parameters related to
driving violations, including offender information, vehicle information and
vehicle specifications, and modeling through tools such as decision tree and
feature selection have been addressed to investigate and recognize the offending
drivers. The data used in this study was collected during the three months of the
year 2013 based on traffic violations in Kerman. Research innovation is based
on the study of the identification of the behavior of incidental drivers and the
methodology presented in this field, which first extracted important features for
categorizing drivers violated based on the purpose, and then the clusters of
drivers will take shape. This method is implemented on real data. The results of
this research have the potential to be implemented as a software package for
registration and control systems for traffic violations