خوشه بندي و پيش بيني تصاد ف هاي جاد ه اي

Clustering and Perdiction of road Accidents

چكيده با توجه به توسعه شهرنشيني و استفاده بيشتر از فناوري و زندگي ماشيني، در سراسر جهان سالانه حوادث رانندگي موجب مرگ 1.2 ميليون نفر و آسي بديدگي بيش از 50 ميليون نفر مي شود. به اين ترتيب، يكي از مباحث مهم حوزه راهنمايي و رانندگي، پي شبيني اين تصاد فهاي جاد هاي و ارايه راهكار براي كاهش آنها است. مدل خوش هبندي يكي از پركاربردترين مد لهاي موجود در بحث پي شبيني و شناسايي الگوها و قوانين موجود است كه در اين پژوهش از آن استفاده شده است. براي اين منظور داد ههاي مربوط به تصاد فهاي جاد هاي استان فارس در نظر گرفته شده و پس از پي شپردازش، با استفاده از الگوريتم شبكه عصبي خودسازما نده به خوش هبندي داد هها پرداخته مي شود. پس از آن تصاد فها در سه كلاس كم، متوسط و زياد كلاس هبندي م يشوند و سپس به كمك درخت تصميم، الگوي تصاد فهاي جاد هاي استخراج مي شود. نتايج اين مطالعه نشان مي دهد كه با به كارگيري الگوريتم شبكه عصبي خودسازما نده، داد ههاي مربوط به تصاد فهاي جاد هاي استان فارس براي سا لهاي 1389 تا 1392 به 11 بخش يا خوشه اصلي تفكيك شدند. پس از آن تصاد فها در سه كلاس كم، متوسط و زياد كلاس هبندي شده و سپس به كمك درخت تصميم، الگوي تصاد فهاي جاد هاي استخراج شد.

Purpose: Due to urbanization and wide use of technology in life, road traffic accidents annually cause 1.2 million deaths and injury of more than 50 million people over the world. Thus, one important traffic issues, is prediction of this road traffic accidents and presentation the solutions to reduce them. Methodology: Clustering is one of the most widely used models for the prediction and identification of patterns that is used in this research. For this purpose, road traffic accident data of Fars province accidents is considered. After pre-processing, data is clustered using self-organizing neural network algorithm. Then the accident are classified into three classes such as low, medium and high and accident patterns are recognized using decision tree model. Results: In this research the road traffic accidents in Fars province were clustered into 11 clusters. Then the accident were classified into three classes such as low, medium and high and accident patterns were recognized using decision tree model. Finally some suggestions are offered to reduce road accidents.