تحلیل شدت تصادفات جاده ای ایران با استفاده از یک روش یادگیری ماشین تفسیر پذیر

چکیده مقاله

محدودیت مدلهای یادگیری ماشین در عدم تفسیر پذیری نتایج است این پژوهش با ترکیب روش تفسیر نتایج مبتنی بر تحلیل مقادیر شاپلی و مدل جنگل تصادفی، به تحلیل شدت تصادفات جاده ای ایران طی سالهای ۱۳۹۳ تا ۱۳۹۷ میپردازد به این منظور پس از نمونه گیری خوشه ای، مقادیر گمشده با روش جای گذاری کا نزدیکترین همسایه وزن دار جایگزین شدند، سپس متغیرهای پیوسته با روشی مبتنی بر کمینه سازی آنتروپی، به متغیرهای گسسته تبدیل شدند متغیر شدت تصادف نیز به صورت دو کلاسه خسارتی، فوتی جرحی تعریف شد تا داده ها تا حدودی متوازن شوند فراپارامترهای مدل جنگل تصادفی توسط یک الگوریتم بهینه سازی کاوشگر تنظیم شدند %۷۰ دادهها به صورت تصادفی برای آموزش مدل و داده های باقیمانده برای اعتبار سنجی انتخاب شدند نتایج تحلیل شاپلی نشان میدهد که نحوه برخورد رخ به رخ و جلو به پهلو، به ترتیب، شدیدترین رابطه مستقیم و برخورد جلو به عقب شدیدترین رابطه معکوس را با شدت تصادفات دارند در میان علل، تامه انحراف به چپ عدم رعایت حق تقدم و حواس پرتی به ترتیب قوی ترین رابطه مستقیم با شدت تصادف را دارند نوع برخوردهای کاربر آسیب پذیر موتورسیکلت و نیز واژگونی خروج از مسیر ، بیشترین اثر مستقیم را بر شدت تصادف دارند

کلیدواژه‌ها

نویسندگان

سید ایمان محمدپور

استادیار گروه مهندسی عمران دانشکده فنی و مهندسی، دانشگاه بجنورد

ابوالفضل محمدزاده مقدم

دانشیار گروه مهندسی عمران دانشکده مهندسی دانشگاه فردوسی مشهد

محمدپور، سید ایمان و محمدزاده مقدم، ابوالفضل،1404،تحلیل شدت تصادفات جاده ای ایران با استفاده از یک روش یادگیری ماشین تفسیر پذیر،چهاردهمین کنگره بین المللی مهندسی عمران،تهران

ارائه‌شده در

مجموعه مقالات چهاردهمین کنگره بین المللی مهندسی عمران29 مهر 1404 · تهران