تعيين تابع آموزش مناسب مدل شبكه عصبي به منظور ارتقاء ايمني تردد جاده‌اي

Determining the Proper Training Algorithm of Artificial Neural Network Prediction Model as a Tool for Road Safety Promotion

سالانه تعداد زيادي از مردم دنيا در اثر تصادفات جاده اي جان و مال خود را از دست مي دهند. يكي از روش هاي مناسب به منظور كاهش تصادفات، پيش بيني وقوع تصادفات قبل از رخداد آن ها مي باشد. در اين مقاله به طور موردي تصادفات محور نايين-اردكان استان يزد با بهره گيري از مدل شبكه عصبي مورد ارزيابي قرار گرفت. تاكنون در هيچ مطالعه اي به بررسي تاثير توابع مختلف آموزش مدل شبكه عصبي در دقت نتايج پيش بيني پرداخته نشده است. هدف اين مقاله تعيين تابع آموزش دقيق تر شبكه عصبي به منظور پيش بيني تعداد تصادفات محور موردبررسي بود. در اين راستا تعداد 4 تابع مختلف ارزيابي گرديد. بررسي هاي اين مقاله حاكي از برتري نسبي مدل شبكه عصبي با تابع آموزش از نوع trainlmبود. همچنين نتايج نشان داد كه عوامل ميزان تردد در هر خط و عدم رعايت فاصله ايمن به ترتيب بيشترين تاثير را در وقوع تصادفات محور موردمطالعه داشتند. كاربرد نتايج تحقيق در بيان دقيق تر اثر متغيرهاي مستقل در وقوع تصادفات است. به بيان دقيق تر تاثيرگذاري متغيرهاي مستقل مي تواند به كارشناسان ايمني جهت اعمال بهينه تر سناريو هاي كاهش تصادفات كمك كند.

Numerous people have died and economically damaged due to the road accidents. One of the efficient ways of reducing crashes is to predict them before happening. This paper investigated the power of artificial-neural network (ANN) model to predict crash frequencies of Naein-Ardakan road, located in Yazd, Iran. To date, there seems no research done to compare the effects of ANN training functions on prediction performance. This research aimed to determine the proper ANN training algorithm for crash frequency prediction. In this regard, four different training algorithms were investigated. The results demonstrated the outperformance of ‘trainlm’ algorithm. Additionally, it was found that the average daily traffic per lane and gap lengths is the most influential factors in crash occurrences, respectively. The present study can be applied to more precisely explain the effects of independent variables on crash outcomes. An in-depth explanation of the effectiveness of independent variables can assist road safety experts in making better decisions for reducing accidents.