توسعه يك سيستم دانش‌مبناي مكان‌مند جهت پيش‌بيني تصادفات در مسيرهاي برون‌شهري

Developing a Knowledge-driven Geospatial Information System for Regional Transportation Corridors Accidents Prediction

با افزايش حمل و نقل جاده اي در ايران، آسيبهاي ناشي از تصادفات نيز به طور چشمگيري افزايش يافته است. هدف اصلي اين تحقيق توسعه يك سيستم مكانمند دانش‌مبنا، با قابليت استنتاج بر پايه هستي شناسي،به منظور پيش بيني تصادف در مسيرهاي برون‌شهرياست. در روش پيشنهادي تحقيق سيستم اي اطلاعات مكاني (GIS) بستري استبراي تحليل داده هاي مكاني و ايجاد ارتباط بين ويژگيهاي تصادف و مكان وقوع تصادف. اين تحقيق چارچوبي را براي ايجاد هستي شناسي پيشنهاد مي كند كه در آن موجوديتهاي مربوط به تصادفات و روابط بين آنها با استفادهاز زبان هستي شناسي وب (OWL) به طور معناداريتعريف مي شوند، به گونه اي كه امكان بازيابي و تبادل داده هاي مكاني و توصيفي فراهم مي شود؛بنابراينچارچوب پيشنهادي قادر خواهد بود داده هايمرتبطرا براي برآورد شدت تصادف خودرو بر اساس شرايطمحيطي، راه و خودرو،در مجاورت مكان جاري خودرو دريافتكرده و از طريق الگوهاي تصادفات،استنتاج نمايد.الگوهاي تصادف با تلفيق دانش متخصصين حوزه حمل و نقل با قواعد استخراج شده از ركوردهاي تصادفات پيشين محور بهروش داده كاوياخذ و جهت استنتاج در موتور جستجوگر پيشنهادي به زبان قاعده وب معنايي (SWRL) تبديل شده و در پايگاه داده ذخيره مي شوند. روش پيشنهاديبه صورت موردي در محور قزوين-رشت پياده سازي و ارزيابي مي گردد. نتايج نشانگرآن است كه چارچوب استنتاجيپيشنهاديبهطور موثري قادر به كشف الگوهاي تصادفات و پيش بيني شدت تصادف خودروها در محورهاي برون شهري خواهد بود.

With increasing traffic density on Iran’s regional corridors, the probability of accident occurrence has increased accordingly. The main objective of this paper is to develop an ontology-driven geospatial information system to induct major crash rules for vehicles accident severity prediction which has the full domain knowledge and logical reasoning ability based on ontology. In the proposed approach, Geographic Information System (GIS) provides a platform both for spatial data analysis and for visualizing relationships between spatial and non-spatial data. Furthermore, the ontology is employed to represent geospatial and attribute domain knowledge related to road, environment and vehicle. Crash rules are acquired by integrating experts knowledge with the rules which are extracted using the Separate-and-Conquer rule induction approach. These rules are transformed to Semantic Web Rule Language (SWRL) syntax for reasoning in crash severity estimation engine. To evaluate the proposed method, a system prototype in the Qazvin-Rasht (Iran) regional transportation corridor as a case study is implemented. The results show that the proposed approach can efficiently induce major crash rules and predict accident prone vehicles crash severity with respect to real-time road, driver and environmental information in the vicinity of vehicle current location.