پيش بيني تصادفات رانندگي با استفاده از مدل رگرسيون چند سطحي و پارامترهاي زماني

Accidents Prediction Using Multilevel Regression Model and Time Parameters

در اين تحقيق پيش بيني زماني- مكاني تصادفات رانندگي بزرگراه كرج- قزوين با اس ??تفاده از مدل هاي رگرس ??يون لجستيك چند س ??طحي و پارامتر هاي صرفا زماني انجام شده است. در ابتدا دقت مدل س ??ازي با پارامتر هاي زماني در مقابل دقت مدل با پارامتر هاي اقليمي- جاده اي تست ش ??ده اس ??ت كه ضريب 0/ AUC 71 = براي مدل زماني در مقابل مقدار 0/ 61 براي مدل اقليمي- جاده اي نش ??ان دهنده دقت بهتر مدل زماني اس ??ت. پس از اثبات دقت مدل زماني، دقت مدل چند سطحي در مقابل مدل رگرسيون لجستيك ارزيابي شد. در مدل چند سطحي پارامتر هاي زماني به عنوان سطح اول و مكان تصادف به عنوان سطح دوم در نظر گرفته شد. از مقايسه مقادير لگاريتم درستنمايي، آكاييك و ضريب AUC مشخص شد كه مدل چند سطحي دقت بسيار مناسبي دارد. مقدار 0/ AUC= 81 براي مدل چند س ??طحي بدس ??ت آمد كه نشان ميدهد مدل قدرت پيش بيني خوبي دارد. در نهايت صحت مدل در پيش بيني 200 نمونه تصادف كه در مدل س ??ازي اس ??تفاده نش ??ده بودند مورد بررس ??ي قرار گرفت. نتايج نش ??ان مي دهند كه مدل رگرس ??يون لجستيك چند س ??طحي توانس ??ته اس ??ت 25 درصد تصادفات رانندگي را در 6 اولويت اول از 105 اولويت وقوع تصادف پيش بيني كند.

Car accidents are one of the main causes of death in the world, so a lot of researches on traffic modeling have been done to predict and reduce traffic accidents. In different researches, different types of models and various factors that affect the accident have been studied. Main goal of this study is developing an accident model with only time parameters and using that for accident predictions. To aim this purpose logistic regression and multilevel logistic regression have been used. Goodness of fitness of logistic regression model with time parameters and logistic regression with environment parameters are compared. Chi Square and AUC value showed better model fitting with time parameters. According to AUC value for logistic regression models, time model is fitted in suitable level whether environment model is in weak level of fitting. Then multilevel logistic regression model is developed to setup a spatial-temporal model. Goodness of fitness value for multilevel logistic regression model is compared with logistic regression model. Log-likelihood, AIC and AUC show better fitting in multilevel logistic regression rather than logistic regression models. AUC for multilevel model is more than 0.8 that is showing these models have good fitting. Finally validity of model in road accidents prediction has been investigated. For this purpose, 200 accidents that weren’t used in modeling have been considered. Using developed model, a probability for every road segment calculated and then road segments ordered by their probabilities. Results showed that 25% of test accidents real places are predicted in 6 first priorities of 105 segments