توسعه يك مدل تصميم‌گيري مبتني بر محاسبات نرم جهت پيش‌بيني شدت تصادفات در راه‌هاي برون‌شهري

Developing a Soft Computing based Decision Tree Approach for Predicting Crashes Severity on Regional Highway Corridors

توسعه روش‌هاي جديد و هوشمند براي جلوگيري از وقوع تصادف يا كاهش شدت تصادفات در راه‌هاي برون‌شهري يكي از اهداف اصلي مطالعات ايمني راه است. هدف اين تحقيق تلفيق قابليت‌هاي سيستم‌هاي اطلاعات مكاني (GIS) با روش‌هاي مبتني بر محاسبات نرم، جهت برآورد شدت تصادفات و تعيين فاكتورهاي موثر بر آن در راه‌هاي دو‌خطه برون‌شهري است. روش پيشنهادي با ارايه مدل درخت دسته‌بندي و رگرسيون فازي (FCART) و ايجاد پايگاه داده مكانمند متشكل از داده‌هاي تصادفات و اطلاعات راه و محيط مجاور آن در محور قزوين- رشت (ايران) بررسي مي‌شود. نتايج با استفاده روش اعتبارسنجي ده‌قسمتي بر رويدادهايي كه شدت تصادفات آنها معلوم است، ارزيابي و با مدل درخت دسته‌بندي و رگرسيون (CART) مقايسه مي‌شود. نتايج نشان مي‌دهد كه مدل درخت دسته‌بندي و رگرسيون فازي در مقايسه با درخت تصميم CART فرايند استنتاج قوي‌تر‌ي دارد و شدت تصادفات را با صحت بيشتري پيش‌بيني مي‌كند. تحليل حساسيت روش پيشنهادي ضمن كشف تاثيرات مكاني طرح هندسي و عوارض و كاربري‌هاي مجاور راه بر شدت تصادفات، نقص فني خودرو، كمربند ايمني و شرايط آب‌وهوايي را نيز مهم‌ترين فاكتورهاي تاثير‌گذار در شدت تصادف مي‌شمارد. اين مطالعه به متخصصان ايمني راه كمك ‌مي‌كند تا عوامل مكاني تاثيرگذار در سطوح متفاوت شدت تصادفات را شناسايي كنند و اقدامات پيشگيرانه لازم را براي كاهش شدت يا جلوگيري از وقوع تصادفات انجام دهند.

Developing intelligent and novel methods for crash prevention or reducing crash severity in regional highway corridor is one of the major goals of road safety research. This study presents a comprehensive approach using geospatial information systems and data mining to analyze the severity of highway corridors crashes and identify the most spatial contributing factors. The approach implements Fuzzy Classification and Regression Tree (FCART) on a database of spatial data and four year period accident records in the study corridor (Qazvin-Rasht). The proposed method is tested on the crash data using a 10-fold cross validation process and the results are compared with Classification and Regression Tree (CART) model. The results show that FCART model inducts crash severity better than CART model and its overall accuracy is higher than CART model. Moreover, the sensitivity analysis of FCART model indicates that beside vehicle failure, using seatbelt and weather condition factors, curve and the spatial distribution and prevalence of activities and land uses in the proximity of highway corridors are among the most important factors affecting the severity of injuries and increase opportunities for crash occurrences.