پیش بینی شدت تصادفات جاده ای برون شهری استان فارس با استفاده از یک چارچوب ترکیبی یادگیری عمیق و الگوریتمهای تکاملی

چکیده مقاله

تصادفات جاده ای یکی از چالشهای مهم ایمنی و سلامت عمومی هستند و پیش بینی شدت آنها نقش کلیدی در مدیریت حوادث و کاهش پیامدهای انسانی دارد در این پژوهش یک چارچوب هوشمند ترکیبی مبتنی بر یادگیری عمیق و الگوریتمهای تکاملی برای پیش بینی شدت تصادفات جاده ای برون شهری ارائه شده است داده های مورد استفاده شامل ۱۷۷۵۹ رکورد تصادف ثبت شده در استان فارس طی سال های ۱۴۰۰ تا ۱۴۰۲ است که پس از مراحل پاکسازی، نرمال سازی و رفع عدم توازن داده ها با استفاده از روش SMOTE II مورد پردازش قرار گرفت در چارچوب پیشنهادی وزن ویژگی ها به صورت پویا و رکورد به رکورد با استفاده از یک مدل تقویتی بهینه سازی شده توسط الگوریتم ژنتیک استخراج شد و سپس داده ها بر اساس اهمیت ویژگی ها به ماتریس های ۵×۵ تبدیل و به عنوان ورودی شبکه های عصبی پیچشی یک بعدی و دوبعدی مورد استفاده قرار گرفتند نتایج ارزیابی نشان داد که مدل پیشنهادی به ویژه در طبقه بندی تصادفات شدید و مرگبار که کلاس های اقلیت محسوب می شوند عملکرد بهتری نسبت به الگوریتم های مرسوم یادگیری ماشین دارد این یافته ها نشان می دهد که ترکیب وزن دهی هوشمند ویژگی ها و معماری های یادگیری عمیق می تواند رویکردی موثر برای پیش بینی شدت تصادفات و ارتقای تحلیل های مبتنی بر داده در حوزه ایمنی جاده ای باشد

کلیدواژه‌ها

نویسندگان

طاهره منوچهری

استادیار، بخش آمار دانشکده علوم، دانشگاه شیراز، شیراز

فاطمه سلجوقی

دانشجوی ارشد، بخش آمار دانشکده علوم، دانشگاه شیراز، شیراز

سید تقی حیدری

دانشیار، مرکز تحقیقات سیاست گذاری سلامت، علوم پزشکی شیراز

منوچهری، طاهره و سلجوقی، فاطمه و حیدری، سید تقی،1404،پیش بینی شدت تصادفات جاده ای برون شهری استان فارس با استفاده از یک چارچوب ترکیبی یادگیری عمیق و الگوریتمهای تکاملی،دومین کنفرانس بین المللی دو سالانه پیشرفت ها در هوش مصنوعی و علوم داده،بوشهر

ارائه‌شده در

همایش «بسیج، پیشرفت و امنیت پایدار در منطقه جنوب شرق کشور»7 بهمن 1404 · تهران