ارائه مدل پيش بيني تعداد تصادفات در ميادين شهري به كمك شبكه عصبي (نمونه موردي: شهر اردبيل)

Providing model of accident prediction in urban squares using neuralnetwork (case study: Ardabil City

ده درصد كل تصادفات در منطقه موردمطالعه مربوط به تصادفات در ميادين شهري ميباشد. هدف از اين پژوهش، تعيين پارامترهاي موثر در تصادفات در ميادين شهري و ارائه مدل پيش بيني فراواني تصادفات مي باشد. روش: روش اين پژوهش به صورت توصيفي - پيمايشي است. در اين پژوهش، 456 تصادف كه در 26 ميدان شهر اردبيل از سال 1393 تا 1395 رخ داده است، بررسي و عوامل موثر در هريك از آن تصادفات جمعآوري شدند. عوامل به صورت پرسشنامه طراحي شد تا با استفاده از روش طيف ليكرت و روش دلفي و نظرسنجي از خبرگان، عوامل موثر پالايش و پارامترهاي نهايي جهت مدل سازي انتخاب شوند. نمونه آماري، 102 نفر انتخاب شد. تعداد 40 پارامتر اوليه موثر در تصادفات انتخاب شدند. پرسشنامه ها با آزمونهاي آماري و ميانگين و توان افتراقي تجزيه وتحليل شدند كه تعداد 16 پارامتر با تاثير بالا براي مدل سازي شناخته شدند. تحليل و مقايسه نتايج مدل سازي به دو روش انجام شد؛ روش اول، استفاده از مدل آماري رگرسيون خطي با نرمافزار ميني تب 14 و روش دوم، استفاده از مدل شبكه عصبي مصنوعي با نرمافزار متلب است. يافته ها نتايج تحليل آماري نشان ميدهد كه از بين مدلهاي رگرسيون ارائه شده، بهترين مدل پيش بيني فراواني تصادفات شامل سه پارامتر حجم ترافيك ميدان، تعداد معابر منتهي به ميدان، وجود يك مكان توليد و جذب سفر است. همچنين نتايج تحليل شبكه عصبي نيز نشان داد كه مدل برتر در پيش بيني تعداد تصادفات، مدلي با 4 پارامتر ورودي حجم ترافيك اصلي، وجود ايستگاه تاكسي و اتوبوس، سرعتگير در معابر اصلي و تعداد معابر منتهي به چهارراه است.

Ten percent of all accidents in the study area arerelated to accidents in urban squares. The purpose of this study was todetermine the effective parameters of accidents in urban squares and to presenta model of accident prediction. Method method of this research is descriptive-survey. In this study, 456accidents were studied that occurred in 26 squares of Ardabil city from 2014 to2016 and were collected the effective factors on each of those accidents.Factors were designed as a questionnaire to select the effective refining factorsand final parameters for modeling using Likert spectrum method and Delphimethod and polling of expert. Statistical sample was selected 102 persons. 40initial effective parameters of the accidents were selected. Questionnaires wereanalyzed by statistical tests, mean and differential power, which identified 16high-impact parameters for modeling. The analysis and comparison of themodeling results were done in two ways. The first method is using a linear -regression statistical model with MiniTab software 14 and the second methodusing artificial neural network model with matlab software. findings The results of statistical analysis show that among the presentedregression models, the best model of accident frequency prediction is consistedof three parameters of square traffic volume, number of passages leading to thesquare, existence of a production site and trip absorption. as well as the resultsof neural network analysis show that the above model in predicting the numberof accidents, is model with four main traffic volume input parameters, thepresence of the taxi station and bus, speed bump on the main pathways, thenumber of passages leading to the intersection.