آزادراهها تصادفات مدلسازي فرآيند در ورودي متغيرهاي كاهش اصلي مؤلفههاي تحليل و تجزيه روش از استفاده با ايران تهران ايران صنعت و علم دانشگاه عمران مهندسي دانشكده استاديار شيخاالسالمي عبدالرضا ايران تهران ايران صنعت و علم دانشگاه عمران مهندسي دانشكده ارشد كارشناسي دانشآموخته مسئول( )نويسنده خليلي باقري فاطمه ايران تهران نور پيام دانشگاه مهندسي و فني دانشكده دكتري دانشجوي محمودآبادي عباس E-mail: f-bagheri@rmto.ir 91/11/09 پذيرش: 91/06/1 دريافت: چکیده تأثيرگذار متغيرهاي شناسايي براي اصلي مؤلفههاي تحليل و تجزيه روش از استفاده مقاله اين در اصلي هدف عصبي شبكههاي مدل توانايي به توجه با است. برونشهري آزادراههاي در تصادفات مدلسازي فرآيند در مدلهاي از استفاده با كشور برونشهري آزادراههاي تصادفات تعداد مدل رانندگي تصادفات پيشبيني در متغيرهاي و بنزين سهميهبندي ترافيك جريان به مربوط متغيرهاي و شده داده توسعه عصبي شبكههاي ورود جهت مستقل متغيرهاي تعيين فرآيند در شدهاند. گرفته نظر در مستقل متغيرهاي عنوان به نيز محيطي و KMO معيارهاي بكارگيري با اصلي عامل تحليل و تجزيه و اصلي مولفههاي تحليل و تجزيه روش مدل به است. گرفته قرار استفاده مورد بارتلت مدلسازي در طبيعي لگاريتم رگرسيون مدل برابر در مصنوعي عصبي شبكه مدل كارآيي بررسي ضمن شبكه مدلهاي شامل آزادراهها تصادفات در شده ساخته مدلهاي دقت برونشهري آزادراههاي تصادفات بررسي مورد كمتر اهميت با هاي متغير حذف از بعد و قبل نيز طبيعي لگاريتم رگرسيون و مصنوعي عصبي در اصلي مؤلفههاي آناليز طريق از اهميت كم متغيرهاي حذف كه است آن دهنده نشان نتايج و گرفته قرار ميانگين كه است شده ثابت و نكرده برو رو اساسي تغييرات با را شده ساخته مدلهاي دقت مدلسازي فرآيند ميكنند. ايفا آزادراهها تصادفات در را نقش بيشترين نقليه وسايل سرعت متوسط و روزانه تردد حجم لگاريتم رگرسيون مصنوعي عصبي شبكه اصلي مؤلفههاي تحليل و تجزيه تصادفات پيشبيني مدل كليدي: ههاي واژ آزادراه طبيعي 1391 تابستان / چهارم شماره / سوم سال / نقل و حمل مهندسی 35 www.sid.ir
عبدالرضا شیخ االسالمی فاطمه باقری خلیلی عباس محمودآبادی 1. مقدمه بكارگيري راهكارهاي كاهش تصادفات و تلفات جادهاي مستلزم تجزيه و تحليل تصادفات با استفاده از مدلهاي پيشبيني و تعيين ميزان تأثير پارامترهاي گوناگون در وقوع آنها و تالش در جهت بهبود وضعيت ايمني ترافيك است. در ايران از مجموع 78 هزار كيلومتر جاده تحت نظارت و مسئوليت وزارت راه و شهرسازي )بجز راههاي روستايي( 1957 كيلومتر را آزادراهها تشكيل ميدهند و به دليل تمايل مردم به استفاده از راههاي با سطح خدمت باالتر ايمني آزادراهها در اولويتهاي اولیه وزارت راه و شهرسازي قرار دارد [ s Statistical Yearbook of Tran.]portation, 010 با توجه به اينكه آزادراهها از شرايط هندسي بهتري نسبت به انواع ديگر راهها )راههاي اصلي فرعي و بزرگراهها( برخوردارند مطالعات نشان ميدهند بخش عمده تصادفات در آزادراهها در نتيجه عوامل محيطي و شاخصهاي ترافيكي عوامل انساني نظير خستگي و خوابآلودگي سرعت غيرمجاز و اشتباهات رانندگي رخ ميدهد Al.,[ Baek et. 005[ و پژوهشگران سعي دارند با استفاده از مدلهاي آماري وضعيت حوادث رانندگي در آزادراهها را مورد بررسي قرار دهند. روشهاي آماري متعددي براي توسعه مدلهاي پيشبيني تصادفات بكار گرفته ميشوند. به عنوان مثال شبكه عصبي مصنوعي روش نويني در پيشبيني تعداد تصادفات است كه در سال 1995 براي توسعه مدل رفتار رانندگان نگهداري روسازي راه و تعيين موقعيت مكاني وسايل نقليه استفاده شده است.]Dougherty,1995[ عبدلاتي و همكاران از يك شبكه عصبي احتمالي 1 براي پيشبيني تصادفات در كريدور بينشهري اورالندو استفاده و نشان دادند كه حداقل 70 درصد از تصادفات ميتوانند با مدل شبكه عصبي احتمالي به طور صحيح پيشبيني شوند and[ Abdel-Aty.]Pande, 005 چانگ ]005 ]Chang, نيز در مدلسازي تصادفات آزادراهها در كشور تايوان از دو مدل شبكههاي عصبي مصنوعي و دوجملهاي منفي استفاده كرد و با مقايسه كارآيي دو مدل به اين نتيجه رسيد كه مدل شبكههاي عصبي مصنوعي يك روش جايگزين مناسب براي تجزيه و تحليل تصادفات آزادراهها است. انكوار و دوگان نيز براي پيشبيني تعداد تصادفات و تلفات جادهاي در راههاي تركيه از مدلهاي شبكه عصبي و مدل رگرسيوني غيرخطي استفاده كرده و به اين نتيجه رسيدهاند كه مدل شبكه عصبي نتايج دقيق تري نسبت به مدل رگرسيون غيرخطي داشته است ]008 Dogan,.]Akgüngo r and باياتا و همكاران نيز مدلسازي تصادفات ماهانه را در راههاي اين كشور انجام داده و دريافتند كه با وجود پيچيدگي ويژگي تصادفات مدل شبكه عصبي توانايي قابل قبولي در پيشبيني تصادفات دارد Bayata,[.]Hattatoglu and Karsli, 011 استفاده از شبكههاي عصبي در مطالعات انجام شده در ايران نيز در ادبيات موضوع ديده ميشود. عبدالمنافي [ a Abdolm Afandizadeh, 007 ]nafi and براي پيشبيني تعداد تصادفات در تقاطعات درونشهري تهران و نيز محمودآبادي ]010 ]Mahmoudabadi, در برآورد تعداد تصادفات جادهاي در آزادراه كرج قزوين و بررسي عوامل تأثيرگذار و همچنين برآورد روزانه تعداد تصادفات در شبكه راههاي ايران 008[ Safi, ]Mahmoudabadi and از شبكههاي عصبي استفاده كرده و خروجيهاي مدل شبكه عصبي را با مدلهاي آماري ديگري مورد مقايسه قرار دادهاند كه در هر سه تحقيق مدل شبكه عصبي جوابهاي دقيق تري نسبت به مدل آماري داشتهاند. شناخت عوامل مؤثر بر تعداد تصادفات و شدت آنها در پژوهشهاي سالهاي گذشته با استفاده از مدلسازي تصادفات بهويژه در آزادراهها و بزرگراهها نيز به چشم ميخورد. نيومن تأثير عرض ميانه راههاي چهار خطه را روي نرخ تصادف با استفاده از توزيع دوجملهاي منفي بررسي كرد. عالوه بر تأثير افزايش عرض ميانه بر كاهش تصادفات ميانههاي عريضتر نرخ تصادفات جلو به جلو و خروج از مسير را بين خودروهاي دو جهت به شدت كاهش ميدهند و در نتيجه افزايش عرض تأثير زيادي روي تصادفات شديد نسبت به تصادفات صرفا با خسارات مالي داشت Reinfurt,1993[.]Knuiman, Council and اوه و چانگ نيز رابطه بين نرخ تصادفات و حجم به ظرفيت )V/C( را براي تاسيسات و تسهيالت مختلف موجود در آزادراهها به 36 www.sid.ir حمل و نقل / سال سوم / شماره چهارم / تابستان 1391 مهندسی
كاهش متغيرهاي ورودي در فرآيند مدلسازي تصادفات آزادراهها با استفاده از... دست آوردند. تحقيقات آنها نشان داد كه رابطه بين V/C و نرخ به نام تجزيه و تحليل مولفههاي اصلي 3 براي حذف متغيرهاي كم تصادفات در تمام مقاطع از يك تابع u شكل پيروي ميكند Oh[ اهميت در وقوع تصادفات و انتخاب متغيرهاي مهم تر براي ورود Caliendo and Parisi,[ به مدلسازي تصادفات استفاده كرد ]Kang and Lee,00[ كانگ و همكاران.]et.al,001 نيز به بررسي وضعيت ترافيكي آزادراهها قبل از وقوع تصادف 005[ كه تحقيق حاضر نيز بر مباني اين رويكرد استوار است. پرداخته و مانند مطالعات قبلي به اين نتيجه رسيدهاند كه تغييرات در اين پژوهش سعي مي شود تأثير كاهش عوامل موثر بر سرعت و چگالي ترافيك عبوري در وقوع تصادفات مؤثرند. نتايج تصادفات آزادراههاي برونشهري در دقت مدلهاي پيشبيني همچنين نشاندهنده آن است كه براي بررسي دقيق تر اثر وضعيت ترافيكي لحظهاي بر وقوع تصادفات بايد عوامل مربوط به طرح هندسي وضعيت آب و هوايي و زمان وقوع تصادف نيز در مدل نظر گرفته شود. )غيرسواري( سهميهبندي بنزين ماه وقوع تصادف و وضعيت تحقيقات لردا و همكاران Viziolib,[ Lorda, Manarb and آب و هوايي در زمان وقوع تصادف )به صورت فصول گرم و 005[ نيز نشان میدهد مطالعاتي كه در آن تنها متغير حجم ترافيك به عنوان متغير توصيفي وارد مدل ميشود نميتوانند به اندازه كافي روند وقوع حوادث ترافيك را در آزادراههايي كه در محيطهاي شهري و روستايي واقع شدهاند توصيف كنند. عبدل آتي و همكاران در تحقيقاتي به اين نتيجه رسيدند كه متوسط سطح اشغال انحراف معيار حجم تغييرات در سرعت و مزاياي آن ميتوان به كاهش زمان الزم براي جمعآوري اطالعات شاخص ميزان بارندگي در وقوع تصادفات آزادراهها موثر است 006[ Pemmanaboina,.]Abdel-Aty and در مقايسه با تحقيقاتي كه اثر مشخصات هندسي راه و وضعيت ترافيكي را بر تصادفات نشان ميدهند تحقيقات مربوط به بررسي عوامل انساني بر تصادفات آزادراهها اندك است. بائك و همكاران در سال 005 مدلي را براي ارتباط بين طول زمان سفر و تصادفات واقع شده در آزادراهها ارائه و پتانسيل نرخ تصادفات را با در نظر گرفتن توزيع فراواني نرخ سفر در زمينه تجزيه و تحليل تصادفات بررسي كردند و نتيجه مويد اين مطلب بود كه بين پتانسيل نرخ تصادفات حجم ترافيكي و تصادفات به وقوع پيوسته ارتباط تنگاتنگي وجود داشته است ]005 et.al.,.]baek در سالهای اخیر مدلهاي پيشبيني تصادفات جادهاي با استفاده از تكنيكهاي مختلف تجزيه و تحليل توسعه داده شده اند ولي بكارگيري اين مدلها زماني كه تعداد زيادي متغير مد نظر است به آساني انجام نميشود. به منظور رفع اين مشكل میتوان از ابزاري حوادث رانندگي با استفاده از روشهاي آماري شناسايي شود. با انتخاب آزادراه تهران- قم به عنوان مطالعه موردي متغيرهاي مورد استفاده در اين پژوهش شامل ميانگين تردد روزانه وسايل نقليه ميانگين سرعت وسايل نقليه درصد وسايل نقليه سنگين سرد( به عنوان متغيرهاي مستقل و تعداد تصادفات در ماه به عنوان متغير وابسته و خروجي مدل تعريف شدهاند. در اين پژوهش تمرکز اصلی بر معرفي روشي جهت كاهش متغيرهاي ورودي به مدل با استفاده از تجزيه و تحليل مولفههاي اصلي است كه از و همچنين مدلسازي در شبكه عصبي مصنوعي اشاره كرد Lee,[.]006 منظور از وسايل نقليه سنگين در اين پژوهش وسايل نقليه شامل اتوبوس و مينيبوس )غيرسواري( است. با در نظر گرفتن حجم تردد وسايل نقليه سنگين نقش حجم ترافيك در رخداد تصادفات دقيق تر بررسي ميشود. براي گردآوري آمار تصادفات آزادراه تهران- قم به بخشهايي با مشخصات فني يكسان تقسيم شده و در هر بخش تعداد تصادفات به عنوان متغير وابسته و ساير متغيرهاي مستقل گردآوري شدهاند. سپس با استفاده از تجزيه و تحليل مولفههاي اصلي متغيرهاي با اهميت براي ورود به مدلسازي مشخص شدهاند. پيش از انجام روش تجزيه و تحليل مولفههاي اصلي امكان استفاده از اين روش با محاسبه مقادير فاكتور KMO 4 و آزمون بارتلت بررسي شده است. در تعيين متغيرهاي كم اهميت نیز دو مدل شبكه عصبي مصنوعي و مدل رگرسيون لگاريتم طبيعي بر دادههاي تصادفات آزادراهها برازش 37 مهندسی حمل و نقل / سال سوم / شماره چهارم / تابستان 1391 www.sid.ir
عبدالرضا شیخ االسالمی فاطمه باقری خلیلی عباس محمودآبادی داده شده است و سپس مؤلفههاي برازش مدلها شامل آمارههاي توان دوم ضريب همبستگي R و ميزان ميانگين مربعات خطا )MSE) 5 قبل و بعد از حذف متغيرهاي كم اهميت مورد بررسي قرار گرفته است. پس از حذف متغيرهاي كم اهميت كارآيي مدل شبكه عصبي مصنوعي در برابر مدل رگرسيون لگاريتم طبيعي در مدلسازي تصادفات آزادراهها مورد بررسي قرار گرفته و در نهايت به اعتبارسنجي مدل بهتر براي پيشبيني تصادفات آزادراههاي برونشهري پرداخته شده است تا كارآيي آن در مدلسازي تصادفات آزادراههاي برونشهري ثابت شود.. تجزيه و تحليل مؤلفههاي اصلي تجزيه و تحليل مؤلفههاي اصلي )PCA( نوعي از تجزيه و تحليل آماری است كه تعداد كمتري از عوامل را به نام مؤلفههاي اصلي از ميان عوامل اوليه گزينش ميكند به طوري كه تعدادي از اطالعات كم اهميت حذف ميشود. در صورتي كه فاكتور تست KMO مربوط به اين روش كمتر از 0/5 باشد دادهها براي تجزيه و تحليل عوامل اصلي مناسب نخواهند بود و اگر مقدار آن بين 0/5 تا 0/69 باشد باید با احتياط بيشتر به تجزيه و تحليل عوامل پرداخت. اما در صورتي كه مقدار آن بزرگ تر از 0/7 باشد همبستگيهاي موجود در بين دادهها براي تجزيه و تحليل مناسب خواهد بود ]1999 Nick,.]Hutcheson and با استفاده از اين روش تركيباتي ازp متغير اوليه, x, x..., براي ايجاد xp 1 ت PC,..., PC, PC p 1 حداكثرp مولفه مستقل به صورت ايجاد ميشود Wichern,198[ رand رابطه 1 مشخر.]Johnson شود: هر مولفه اصلي ميتواند با دنباله ارائه شده در رابطه 1 مشخص شود: PC w x w x... w x 1 11 1 1 1p p PC... PC p w 1 x 1 w x... w p x p w x p1 1 w x p... w x pp p ه و )1( ij ضرايبw ضريب طوري مربوط تخمين به PC i نيز معرفمتغير مولفه اوليه مورد است. نظر كه در آن w ij طوري x i نيز متغير اوليه است. ضرايب متغيرهاي اوليه و تخمين زده ميشوند كه اولين مؤلفه حداكثر واريانس دادهها را در نظر گرفته و دومين مؤلفه حداكثر واريانس در نظر گرفته نشده توسط اولين مؤلفه را پيش بيني كرده و اين روند ادامه مييابد تا مؤلفه تمامي تمامي واريانس مورد واريانس نظر را مورد در بر نظر گيرد. را در بر گيرد. آخرين w w... w 1 i 1,..., i 1 i ip )( w w w w... w w 0 for all i j )3( i1 j1 i j ip jp انجاميگيرد. روش تجزيه و تحليل عوامل اصلي مراحل زير انجام براي ميگيرد. ور الف: استاندارد كردن متغيرهاي ورودي: در اين مرحله دادههاي ورودي به نحوي استاندارد ميشوند كه داراي ميانگين صفر و انحراف معيار يك باشند. ماتريس Z كه ماتريسي شامل مقادير استاندارد شده پارامترهاي است از رابطه )4( به دست ميآيد.]Caliendo and Parisi, 005[ x x ij j Z )4( ij s j F = 1,,., j = 1,,.,q ر مربوط هستند. دادهها از جنس هستند. = s j مقدار x j و كه در اين رابطهه ميانگين دادهها و از جنس x j x j هستند. انحراف معيار مربوط هستند. دادهها از جنس ب: محاسبه فاكتور :KMO شاخص KMO مورد استفاده در دامنه صفر تا يك قرار دارد. اين شاخص از رابطه )5( به دست j و i ضريب همبستگي بين متغيرهاي r ij ميآيد كه در اين رابطه Hutcheson and[ ضريب همبستگي جزئي بين آنهاست a ij و KMO rij rij aij.]nick,1999 )5( بين هر كدام از متغيرهاي اوليه مورد استفاده ج: محاسبه ماتريس همبستگي )كواريانس( براي متغيرهاي اوليه: اين ماتريس ميزان همبستگي بين هر كدام از متغيرهاي اوليه مورد a ij استفاده را نشان ميدهد. مقدار هر كدام از درايه اين ماتريس بيانگر همبستگي بين متغيرهاي i و j است كه از رابطه شماره )6( حاصل ميشود Parisi,005[.]Caliendo and R 1 ZZ )6( n د: محاسبه مقادير ويژه λ و بردارهاي ويژه مربوطه از ماتريس همبستگي Parisi,005[ :]Caliendo and با حل رابطه )7( و )8( مقادير ويژه و بردارهاي ويژه معادل هر مقدار ويژه محاسبه 38 www.sid.ir حمل و نقل / سال سوم / شماره چهارم / تابستان 1391 مهندسی
... از استفاده با آزادراهها تصادفات مدلسازي فرآيند در ورودي متغيرهاي كاهش نيز ويژه مقدار هر ازاي به آمده دست به ويژه بردارهاي ميشوند. هستند. مربوطه مولفه تشكيل در اوليه متغيرهاي ضرايب عنوان به λ n ويژه مقادير است واحد ماتريس I آن در كه )7( رابطه حل از ميشوند. محاسبه det( R I ) 0 )7( رابطه از استفاده با اصلي مولفههاي از كدام هر واريانس مقدار شود. محاسبه )8( det( R I) V )8( h عاملها تعداد استخراج معيار تعيين ه: ]Kalantari, ]009 واريانس درصد معيار و 6 ويژه مقدار معيار پارامترهاي ترين مهم ]Cattel,1996[ بريدگي تست معيار و گرفته بكار فرآيند اين در كه هستند عوامل تعداد استخراج ميشوند. اين مؤلفهها: ضرايب ماتريس روي بر مناسب چرخش اجراي و: است. مشهور نيز 7 اصلي فاكتورهاي تحليل و تجزيه به مرحله اصلي مولفههاي در بااليي ضرايب كه متغيرهايي مرحله اين در به ورود جهت مهم متغيرهاي عنوان به دارند شده استخراج.]Singha et.al., ]004 ميشوند انتخاب مدلسازي ارزيابي معيارهاي و تصادفات پيشبيني مدلهاي 3. آنها 8 طبيعي لگاريتم رگرسيون مدل 1-3. كه است استوار فرض اين بر لگاريتمطبيعي رگراسيون مدل واريانس و ميانگين با نرمال توزيع يك از Y i i لگاريتمطبيعي مورد ههزازماني لگاريتمطبيعي رگراسيون مدل ميكند. پيروي داراي دادهها توزيع و غيرمنفي دادهها كه ميگيرد قرار استفاده م اف Abdolm a [ بزرگباشد نسبتا دادهها ميانگين و مثبت انحراف بين رابطه مدل اين در.]nafi and Afandizadeh, 007 كننده پيشبيني متغير q و i قطعه در انتظار مورد تصادفات تعداد )10( رابطه صورت به نوشته نمايي شكل و )9( رابطه صورت به Yi exp( 0 )exp( 1x i 1 ) exp( x i )...exp( q x iq ) )10( توزيع ازضزرايب مزيكنزد. تصادفات پيزروي تعداد واريزانس كهولگاريتم ميشود ميزانگين بزا فرض نرمزال مدل اينتوزيع در ميشود: ln( Y ) x x... x i 0 1 i1 i q iq )9( ضرايب ميكند. يروي واريانس و مي فرض ميانگين مدل اين با در نرمال i به كه هستند خطي رگرسيون م اف ضرايب ههزا 0, 1,,..., q مدل اين ميشوند. محاسبه خطا مربعات كمترينچ خطي رابطه روش از كالسيك وسيله متغير لگاريتم بين چندگانه خطي رابطه از كالسيك مدل يك Abdolmanafi[ است مستقل كننده پيشبيني متغير q و وابسته.]and` Afandizadeh,007 عصبي شبكه مدل -3 خروجيهاي و وروديها بين رابطه قادرند عصبي شبكههاي مه با همگي كه گرهها از شبكهاي با را فيزيكي دستگاه يك شكل.]McCulloch and Pitts,1943[ كنند تعيين متصلند اليه w i وزنهاي a i ورودي اليههاي با را عصبي شبكههاي 1 كه مدلها اين يادگيري است. داده نمايش خروجي يك و پنهان تصحيح قانون پايه بر آنهاست داخلي پارامترهاي تعيين واقع در مربعات ميانگين حداقل مشهور روش تعميم كه است شده بنا خطا آن: در كه ميشود محاسبه )11( شماره فرمول از استفاده با و است مشاهدات تعداد با متناسب كه خروجي اليه عصبهاي تعداد N : td i ركورد امين i براي شده مشاهده مقدار t: i هدف تابع Yadav and[ است ركورد iامين براي شبكه خروجي مقدار.]Sharma,010 )11( عنوان بهاسزت متداول نيز مختلف امري شبكه قسمتهاي ساخت به ين مدل ورودي دادههاي تقسيم امري شبكه ساخت حين در اعتبارسنجي و آموزش دادههاي Burden, B r[ و ]Cansiz and Easa,011 [ است متداول روش كه روش اين بردن بكار با.]ereton and Walsh,1997 طراحي در پيچيدهتر معماريهاي از استفاده امكان 9 آموزش توقف 10 برازشي فوق مشكل اينكه بدون ميشود فراهم كاربر براي شبكه اين به ميشود. متوقف آموزش معيارها دادن قرار با و دهد روي ايفا آموزش روش در مهمي نقش اشاره مورد معماري ترتيب اين در.]Coulibaly, Anctil and Bobee,000[ ميكند 1391 تابستان / چهارم شماره / سوم سال / نقل و حمل مهندسی 39 www.sid.ir
محمودآبادی عباس خلیلی باقری فاطمه االسالمی شیخ عبدالرضا براي آموزش توقف روش و trainlm آموزشي الگوريتم از مقاله شده استفاده تصادفات تعداد پيشبيني در عصبي شبكه آموزش Yadav and[ است شده توصيه موضوع ادبيات در كه است.]Sharma,010 ارزيابي معيارهاي 3-3 مدل از آمده بهدست نتايج اعتبار بررسي مورد معيارهاي از يكي همبستگي ضريب برازندگي معيار عصبي شبكه و رگرسيوني براي ترتيب به آن مقدار كه است R( ( آن دوم توان يا و )R( زا و ميكند تغيير 1+ و 0 بين R براي و 1+ و 1- بين R Yadev and[ ميشود محاسبه R مقدار )1( شماره فرمول.]Sharma, 010 )1( فرمول با كه دادهها :متوسط مستقل وابسته :متغير شده مشاهده وابسته متغیر : y m آن در كه فرمول با مستقلكه دادهها :متوسط x m مستقل متغير به متناسب مستقل متغیر : x m نيز آن كهددر ميشودتر محاسبه مشاهدهاي دادههاي بهتر تطابق 1 به نزديك مطلق نشزان مقادير را شده است. د كه مساله اين به توجه با ولي ميدهند. نشان را شده برآورد و از بايد است محدوده از خارج دادههاي تاثير تحت R مقدار كارآيي مقايسه براي نيز خطا مربعات ميانگين معيار از تحقيق پيشبيني در طبيعي لگاريتم رگرسيون و عصبي شبكه مدلهاي است. شده استفاده تصادفات تعداد اطالعات گردآوري و مطالعه محدوده 4. در آن بر گذار تأثير پارامترهاي و تصادفات آمار بررسي منظور به كيلومتر 136 طول به قم تهران- آزادراه برونشهري راههاي آزاد اطالعاتي بانک از و انتخاب قم استان و تهران استان فاصل حد به مربوط جادهاي حملونقل و راهداري سازمان در موجود استفاده 87/07/30 تا 84/10/01 تاريخ به مربوط زماني دوره به مربوط دادههاي اطالعات جمعآوري بخش در است. شده نقليه وسايل سرعت ميانگين )ADT( روزانه تردد حجم ميانگين ماهانه زماني واحدهاي در غيرسواري نقليه وسايل تردد درصد و مسير براي آزادراه در موجود شمار تردد دستگاههاي طريق از است. شده جمعآوري جداگانه طور به آزادراه برگشت و رفت 86 و 85 سال به مربوط اطالعات و آمار بودن كامل به توجه با اين در قم تهران مسير در آزادراهها تصادفات به مربوط مقادير و برگشت مسير در و است 1110 1378 و تعداد ترتيب به سالها تعداد است. 1010 و 1415 ترتيب به نيز تهران( قم- )آزادراه متغير عنوان به سال مختلف ماههاي در آزادراه اين تصادفات كل حجم ميانگين شامل ماه هر به مربوط مستقل متغيرهاي و وابسته اين در دليل همين به كرد. استفاده ديگر پارامترهاي اتفاق به آن [ است شده توصيه موضوع ادبيات در كه است شده ستفاده ] ]Yadav and Sharma, 010[ 14 پيشرو 1 پيشرو عصبي عصبي شبكه شبكه از نمونه از نمونه 1. شكل. شكل [ 330 1391 تابستان / چهارم شماره / سوم سال / نقل و حمل www.sid.ir مهندسی
... از استفاده با آزادراهها تصادفات مدلسازي فرآيند در ورودي متغيرهاي كاهش تاثيرگذار عوامل تعيين 5. وسايل تردد درصد و نقليه وسايل سرعت ميانگين روزانه تردد تصادفات تعداد شامل قم - تهران آزادراه در اوليه متغيرهاي بهار شامل گرم فصول صورت )به فصل پارامتر سواري غير نقليه متوسط سنگين نقليه وسايل درصد روزانه تردد ميانگين ماهيانه يك( كد زمستان و پاييز شامل سرد فصول و صفر كد تابستان و بندي سهميه وضعيت و تصادف وقوع فصل نقليه وسايل سرعت ماههاي به صفر كد صورت )به بنزين سهميهبندي تاثير همچنين و كل برابر KMO مقدار شدهاند. تبديل استاندارد مقادير به بنزين در طرح( اجراي از بعد ماههاي به 1 كد و طرح اجراي از قبل نميتوان بنابراين است. آمده دست به 0/5( از )كمتر 0/478 دادهها آنها به شده داده اختصاص نشانههاي و متغيرها شدهاند. گرفته نظر است. شده ارايه 1 شماره جدول در مدلسازي براي در نظر مورد پارامترهاي تمامي موارد بعضي در که جا آن از براي نيستند برخوردار يكساني ابعاد از تصميمگيري مدلهاي دادهها استانداردسازي يا نرمالسازي روشهاي از آنها يكسانسازي تاييد را اصلي مؤلفههاي آناليز انجام براي ورودي متغيرهاي Mahmoudabadi and Seyedhosseini,[ ميشود استفاده كواريانس ماتريس )6( شماره فرمول از استفاده با ادامه در ميكند. و ورودي دادههاي نرمالسازي براي متعددي روشهاي 01[. آنها ترين متداول كه دارد وجود تصميمگيري مدلهاي خروجي ات 1- بين يا و 1 تا 0 بين اعداد به را شده جمعآوري دادههاي استانداردسازي منظور به.]Sharma,1996[ ميكنند تبديل 1 و كرد اجرا دادهها كل روي را اصلي مؤلفههاي تحليل و تجزيه حذف با نیست. معتبر اصلي مولفههاي تحليل از حاصل نتايج KMOعدد مقدار ورودي دادههاي از تصادف وقوع ماه متغير بين الزم همبستگي وجود مقدار اين كه ميآيد دست به 0/5 استفاده با مربوطه ويژه بردارهاي و مقادير و شده محاسبه متغيرها λh ) ( ويژه مقادير ميشوند. محاسبه )8( و )7( روابط از λh در موجود اوليه متغيرهاي اطالعات درصد استفاده مورد دادههاي شماره رابطه از نيز آنها توزيع تابع بودن نرمال فرض با دادهها ت دستگاههاي طريق از متغيرهاي ماهانه زماني به مربوط واحدهاي اطالعات در غيرسواري تجمعي درصد نقليه و وسايل اصلي تردد مولفه درصد هر و نقليه وسايل سرعت ميانگين )ADT( λh است. شده ارايه )3( شماره جدول در ( * (100 اوليه ميشود. استفاده )13( ا و آمزار بزودن كامزل بزه توجه با است. شده جمعآوري جداگانه طور به آزادراه برگشت و رفت مسير براي آزادراه در موجود λh xold x است. شده ارايه )3( شماره جدول در λh ( * 100) xnew )13( ا 1117 1387 و تعداد ترتيب به سالها اين در قم تهران مسير در آزادراهها تصادفات λh به مربوط مقادير 79 و 79n سال ( x به i مربوط x) PC 0.61ADT 0.51LV. 0.685A. S 0.798P 0. 396Y )14( 1 )14( سال مختلف ماههاي در آزادراه اين تصادفات كل تعداد است. 1717 و 1419 ترتيب به نيز تهران( قم- )آزادراه وi برگشت 1 n مسير1 Z ماتريس به مربوط ويژه مقادير 3. جدول ميدهد. نشان مولفه هر تشكيل براي را ويژه بردارهاي )4( جدول تزرد درصد و نقليه وسايل سرعت ميانگينمتغيرهاي به مربوط اطالعات روزانه تجمعي تردد هرحجمدرصد در ميانگين موجود اوليه شامل متغيرهاي ماه اطالعات هر به درصد مربوط مستقل فرمزول متغيرهاي از استفاده و وابسته با خروجي ومتغير شده اندازهگيري پارامترهاي ويژهيا شده نرمالمقادير Xمقدار new پارامتر اوليه Xمقدار old آن در كه ( h ( h ( h مقادير بايد اول مولفه تشكيل براي (100* اوليه 100*( اصلي مولفه ) كزد زمسزتان و پزاييز شامل سرد فصول و صفر كد تابستان و بهار h شامل گرم فصول صورت )به فصل پارامتر سواري غير نقليه h اندازهگيري پارامترهاي 0/61 عدد در را تردد حجم ميانگين استفاده با خروجي و ورودي پارامترهاي و پارامتر شده استاندارد ن در طرح( اجراي از بعد ماههاي به 1 كد 34/111 و طرح اجراي از قبل ماههاي به 38/54 صفر كد صورت )به بنزين 1/758 1 پارامترهاي 0/51 عدد در را غيرسواري تردد درصد شده به مربوط سهميهبندي آمارهاي تاثير است. همچنين گرفته قرار نرمال دامنه در )13( فرمول از است. شده ارايه 1 شماره جدول 03/134 در مدلسازي براي آنها 9/93 به شده داده اختصاص 1/88 است. نشانههاي شده آورده و متغيرها )( جدول درشدهاند. دادهها شده نرمال و واقعي مقادير آنها به شده داده اختصاص 63/566 آنهانشانههاي و ورودي به شده متغيرهاي داده 7/734 اختصاص معرفي نشانههاي. جدول و ورودي 1/77 متغيرهاي معرفي 1. جدول 3 رديف 1 3 1 5 0 11/141 66 7/599 4/510 7/447 6/340 4 5 متغير نام ماه در تصادفات تعداد تصادف وقوع فصل نشانه Y SEA شده اندازهگيري پارامترهاي مقادير بايد اول مولفه تشكيل براي ميدهد. نشان مولفه هر تشكيل براي را ويژه بردارهاي )4( جدول ماه در روزانه ترافيك حجم متوسط ADT L.V ماه در سنگين نقليه وسايل تردد درصد A.S ماه در عبوري نقليه وسايل سرعت متوسط P بنزين بندي سهميه وضعيت يكسز براي نيستند برخوردار يكساني ابعاد از تصميمگيري مدلهاي در نظر مورد پارامترهاي تمامي موارد بعضي در كه جا آن از.[Mahmoudabadi 1391 and تابستان Seyedhosseini, / چهارم شماره / 01] سوم سال ميشود / نقل و استفاده حمل مهندسی دادهها استانداردسازي 331 يا نرمالسازي روشهاي از آنها جمعآوري دادههاي آنها ترين متداول كه دارد وجود تصميمگيري مدلهاي خروجي و ورودي دادههاي نرمالسازي براي متعددي www.sid.ir
عبدالرضا شیخ االسالمی فاطمه باقری خلیلی عباس محمودآبادی جدول. آمارهاي مربوط به مقادير واقعي و نرمال پارامترهاي ورودي و خروجي رديف مقادير استاندارد شده مقادير واقعي انحراف انحراف نام پارامتر حداكثر حداقل ميانگين حداكثر حداقل ميانگين معيار معيار 6/11 7/48 7 1 8779/93 3917/3 1875 97489 ميانگين حجم تردد روزانه در ماه 6/110 7/9 7 1 13/4 54/79 83/9 119/3 ميانگين سرعت وسايل نقليه 1 6/10 7/3 7 1 7/7179 7/739 7/715 7/783 نسبت تردد غيرسواري 3 اندازهگيري شده متوسط سرعت وسايل نقليه در عدد 0/685 پارامتر سهميهبندي بنزين را در عدد 0/798 و تعداد تصادفات در 0/396 ضرب شده كه بر اين اساس اولين مولفه اصلي با فرمول شماره )14( مشخص مي شود. همان گونه كه از رابطه )14( مشخص ميشود در تشكيل مولفه اول پارامترهاي ميانگين حجم تردد روزانه و متوسط سرعت وسايل نقليه باالترين ضرايب را دارند كه نشاندهنده تاثير بيشتر اين پارامترها در تشكيل مولفه اول است. با توجه به اينكه چهار مولفه اول بيش از 9 درصد از واريانس دادهها را تبيين مي كند در صورت استفاده از معيار شكل. نمودار آزمون بريدگي در روش تجزيه و تحليل مولفههاي اصلي درصد واريانس چهار مولفه اول انتخاب ميشوند. همچنين در براي تعيين متغيرهاي اصلي در وقوع تصادفات آزادراهها از روش شكل شماره )( كه مربوط به نمودار تست بريدگي است چهار تجزيه و تحليل عاملهاي اصلي استفاده شده است. در اين روش متغيرهاي اصلي متغيرهايي هستند كه حداقل يكي از ضرايب آنها مولفه اول به عنوان مولفههاي اصلي انتخاب ميشوند. 1 5 0 فصل از سال وضعيت سهميه بندي بنزين تعداد تصادفات در ماه 6/11 7/37 7 1 7/45 7/37 7 1 6/1 7/7 7 1 7/48 7/97 7 1 6/14 6/06 6 35/00 61/6 56 111 5. تعيين عوامل تاثيرگذار مقادير ويژه ( h ) جدول 3. جدول 3. مقادير ويژه مقادير ويژه مربوط به مربوط به ماتريس Z ماتريس درصد اطالعات متغيرهاي اوليه موجود در هر درصد تجمعي اطالعات مربوط به متغيرهاي ( h مولفه اصلي 100*( h 38/54 1/758 1 3 4 5 ( h اوليه (100* h 34/111 03/134 63/566 11/141 66 9/93 7/734 7/599 4/510 1/88 1/77 7/447 6/340 33 www.sid.ir حمل و نقل / سال سوم / شماره چهارم / تابستان 1391 مهندسی
كاهش متغيرهاي ورودي در فرآيند مدلسازي تصادفات آزادراهها با استفاده از... جدول 4. جدول مقادير 1. مربوط مقاديربه مربوط به بردارهاي ويژه بردارهاي برايويژه تشكيل برايهر مولفه تشكيل هر مولفه مولفه اول( (PC 1 مولفه دوم( (PC مولفه سوم( (PC 3 مولفه چهارم( (PC 4 مولفه پنجم( (PC 5 6/611 7/379-7/979 7/3 7/91 ADT -6/664-7/44-7/794 7/834 7/91 L.V 6/316-7/199 7/79-7/379 7/979 A.S -6/15-7/778 7/793-7/358 7/857 P 6/310 حداقل كردن ميانگين مربعات خطا محاسبه شود. در مرحله اول در 0. توسعه مدلهاي پيشبيني تصادفات كه براي تشكيل عامل مربوطه استفاده ميشود داراي مقدار نسبتا توسعه مدل شبكه عصبي دادهها به سه دسته آموزش )70%( اعتبار بااليي باشد. نتايج محاسبات در جدول شماره )5( نشان داده شده و با توجه به پيچيدگي تصادفات اين معيار معادل با 0/8 انتخاب شده است ]004 et.al,.]singha با توجه به معيار در نظر گرفته شده و جدول شماره )5( مشخص ميشود كه تمام متغيرها به جز متغير سهميهبندي بنزين ضريب باالي 0/8 را در چهار عامل استخراج شده دارند. بنابراين متغير وضعيت سهميهبندي بنزين با استفاده از آناليز عاملهاي اصلي كم اهميت ترين متغير تأثير گذار در تصادفات آزادراهها است. علت اصلي كم اهميت تشخيص داده شدن اين متغير از طريق آناليز فاكتورهاي اصلي همبستگي زياد اين متغير با ميانگين حجم تردد روزانه است. 6. توسعه مدلهاي پيشبيني تصادفات 1-6 مدل شبكه عصبي مصنوعي با توجه به اين كه سه متغير ورودي و يك متغير خروجي مد نظر است مدل مورد نظر داراي سه عصب در اليه ورودي و يك عصب در اليه خروجي خواهد بود كه تعداد عصب در اليه پنهان بايد با 6/645 6/146 6/41 6/300 سنجي )15%( و آزمايش )15%( تقسيم شدهاند. با توجه به اين كه با تغيير تعداد عصبهاي اليه پنهان كارآيي شبكه تغيير مي كند حالتهاي مختلف شبكه با داشتن تعداد عصب متفاوت در اليه پنهان شبكه عصبي مورد اجرا قرار گرفته است و در نهايت شبكه با معماري به صورت شكل شماره )3( به عنوان شبكه نهايي انتخاب شده است. Y جدول 5. نتايج حاصل از ماتريس دوران يافته )مقادير بردارهاي ويژه در روش تجزيه و تحليل عاملهاي اصلي( عامل اول( (LF 1 عامل دوم( (LF عامل سوم( (LF 3 عامل سوم( (LF 4 0/1 /60-0/00 0/040 0/103 0/699 /041 /70 /407-0/014 -/07 /461 /07 / /81 /70 -/00 0/646 /003 0/039 ADT L.V A.S P Y سيستم در هر تكرار بر اساس يك سري از دادهها آموزش ديده و اعتبارسنجي شده و با باقيمانده دادهها با توجه به مقايسه مقادير پارامترهاي شبكه شامل MSE و R مورد آزمون قرار ميگيرد و مقادير MSE و R براي كل دادهها از مدل برداشت شده تا با مدل رگرسيوني مورد مقايسه قرار گيرد. شكل 3. وضعيت نهايي شبكه عصبي 333 مهندسی حمل و نقل / سال سوم / شماره چهارم / تابستان 1391 www.sid.ir
عبدالرضا شیخ االسالمی فاطمه باقری خلیلی عباس محمودآبادی -6 مدل رگرسيون لگاريتم طبيعي براي توسعه مدل رگرسيون لگاريتم آزمون آماري كولموگرف- اسميرنو )KES( براي آزمايش تبعيت دادهها مورد استفاده قرار ميگيرد. بر اساس تست كولموگرف- اسميرنو دادههاي مربوط به تصادفات با اطمينان باالي 95 درصد از توزيع لگاريتم طبيعي پيروي ميكنند. با توجه به دادههاي موجود مقادير β در مدل رگرسيون لگاريتم طبيعي برازش دادهها براي هر يك از متغيرها به شرح جدول شماره )6( است. مقدار معناداري ضرايب هر يك از متغيرها توسط آمارهt مقايسه و نتيجه نهايي محاسبات به صورت رابطه )15( و مقادير جدول )6( نشان داده شده است. آنچه كه از رفتار مدلها در جدول شماره )6( قابل استنتاج است سرعت و حجم تردد از مهم ترين عوامل در بروز تصادفات آزادراهها به شمار ميروند. اين نتايج در تحقيقات گذشته نيز تصديق شده است ]1998 Bared,.]Vogt and همچنين اين موضوع در مطالعات استفان هس و جان پلك در سال and[ 003 Hess 003, Polak [و اولمستد ]001 ]Olmstead, در سال 001 نيز اشاره شده است كه كنترل سرعت وسايل نقليه باعث كاهش 18 درصدي در ميانگين تصادفات ماهيانه شده و ارتقاي نظارت و كنترل حدود 13/6 درصد تصادفات جرحي را كاهش داده است و وجود تجهيزات مديريت ترافيك آزادراهها در ايالت آريزونا باعث كاهش 1 تا 30 درصدي تصادفات شده است. در گزارش اداره حملونقل مينه سوتا نيز تصادفات آزادراههاي درونشهري با گسترش دادن مديريت آزادراهها حدود 30 درصد يعني 900 تصادف در سال كاهش يافته ]1985.]Lave, مطالعهاي كه در مورد تجهيزات مديريت ترافيك آزادراهها صورت گرفته است نشان ميدهد كه استفاده از تكنولوژي پيشرفته اعالم محدوديتهاي سرعت متغير سيگنالهاي كنترل خطوط و رديابي اتوماتيك صف ميتواند در كاهش كلي نرخ تصادفات بسيار مؤثر باشد [ o Inn.]vative Traffic Control, 1999 LN (Y) = 0/13 + 0/398 ADT + 0/484A.S 0/8 L.V Y e e e e 0/13 0/398ADT 0/ 484A. S 0/ 8L. V )15( 7. توصيف و تحليل نتايج 1-7 ارزيابي و مقايسه خروجي مدلها مدلهاي ساخته شده شبكه عصبي و رگرسيون لگاريتم طبيعي بر اساس مقادير ميانگين مربعات خطا و توان دوم ضريب همبستگي مدل با استفاده از متغيرهاي كاهش يافته مورد مقايسه قرار گرفته و نتايج در جدول )7( نشان داده شده است. همان گونه كه در اين جدول مشاهده ميشود ميانگين مربعات خطا در مدل شبكه عصبي نسبت به مدل رگرسيوني كمتر بوده و مقدار R در آن از مدل رگرسيوني بيشتر است و اين مطلب نشاندهنده آن است كه مدل شبكه عصبي توانايي بيشتري در پيشبيني تعداد تصادفات آزادراهها نسبت به مدل رگرسيون طبيعي دارد. -7 بررسي تاثير كاهش متغيرها لگاريتم طبيعي طبيعي رگرسيون رگرسيون لگاريتم حاصل از مدل از مدل نتايج حاصل.0 نتايج جدول جدول 6. با توجه به توضيحات اشاره شده در قسمتهاي قبل مربوط به حذف دو عامل متغير فصل وقوع تصادف و سهميهبندي بنزين سنجش ميزان كارآيي روش تجزيه و تحليل مولفههاي اصلي در حذف مقدار Sig مقدار آماره t ضرايب استاندارد شده تخمين ضرايب استاندارد نشده خطاي استاندارد تخمين مدل 7/13 مقدار ثابت 7/799 7 1/774 6/06 ADT 7/357 7/19 7/419 /9118 6/3 A.S 7/474 7/75 7/913 9/393 6/666 L.V -6/16 6/51-6/161 -/61 6/644 334 www.sid.ir حمل و نقل / سال سوم / شماره چهارم / تابستان 1391 مهندسی
... از استفاده با آزادراهها تصادفات مدلسازي فرآيند در ورودي متغيرهاي كاهش دا )براي عصبي شبكهنرمال( دادههاي )برايمدل و طبيعي عصبي لگاريتم شبكه مدل رگرسيون و طبيعي مدل لگاريتم مقايسه رگرسيون 4. مدلجدول مقايسه 7. جدول R( همبستگي) ضريب رديف مدل نوع خطا) MSE ( مربعات ميانگين 6/6 7/745 عصبي شبكه 6/505 6/111 طبيعي لگاريتم رگرسيون 1 رد كه كاشان قم- آزادراه در 86 سال به مربوط ساله يك شبكههاي مدلمتغيرها كاهش دو مدلسازي تاثير بررسي فرآيند 1-4 در اهميت كم متغيرهاي ماهه 34 دادههاي بر طبيعي لگاريتم رگرسيون مدل و عصبي كاهش از قبل متفاوت حالت دو در قم تهران- آزادراه از موجود دقت ميزان و گرفته صورت متغيرها كاهش از بعد و متغيرها توان آمارههاي از استفاده با حالت دو اين در شده ساخته مدلهاي حالت اين در كه ميشود استفاده خطا مربعات ميانگين آماره از )MSE( خطا مربعات ميانگين ميزان و R همبستگي ضريب دوم كم دهنده نشان كه ميآيد دست به 0/0567 عدد آن مقدار متغيرهاي حذف عدم و حذف از حاصل نتايج است. شده مقايسه ارايه )8( جدول در آزادراهها تصادفات مدلسازي در شده ياد است مطلب اين دهنده نشان جدول از حاصل نتايج است. شده مولفههاي تحليل و تجزيه روش اجراي فرآيند طي كه متغيري كه تصادفات تعداد در توجه قابل تاثيري است شده حذف اصلي مدلهاي دقت در تغييري شده ياد متغير حذف و نداشته آزادراهها در ورودي متغيرهاي كاهش همچنين نميكند. ايجاد شده ساخته تكرارهاي تعداد كاهش باعث مصنوعي عصبي شبكههاي مدل رسيدن زمان و ميشود بهينه شبكه به رسيدن براي شبكه آموزش مييابد. كاهش بهينه عصبي شبكه به جديد دادههاي با مدل اعتبارسنجي 3-7 برتر مدل عنوان به عصبي شبكههاي مدل اعتبارسنجي براي اطالعات از آزادراهها تصادفات مدلسازي در شده انتخاب براي است. شده استفاده دارد قرار قم تهران- آزادراه ادامه آزادراه 86 سال تصادف دادههاي با مدل اعتبارسنجي انجام در شده ياد زماني دوره در مدل مستقل متغيرهاي كاشان قم- تصادفات پيشبيني براي است. شده گردآوري مختلف ماههاي ميزان و شده ديده تصادفات واقعي ميزان ميان اختالف بودن معتبر دهنده نشان كه است مدل طريق از آن شدن محاسبه پيشبيني در شده داده توسعه عصبي شبكههاي مدل بودن است. آزادراهها تصادفات نتيجهگيري و خالصه 8. زماني دوره در قم تهران- آزادراه تصادفات اطالعات مقاله اين در شده استفاده مدلسازي براي 87 ماه مهر تا 84 ماه دي از ماهه 34 ميانگين شامل مسير ترافيكي وضعيت به مربوط اطالعات و است و )غيرسواري( سنگين نقليه وسايل تردد درصد روزانه تردد شده جمعآوري مربوطه نهادهاي از نقليه وسايل سرعت ميانگين نرمال صورت به 1 و 0 بين نظر مورد دادههاي آن از پس و مولفههاي تحليل و تجزيه روش از استفاده با است. شده محاسبه متغيرها متغيرها كاهش كاهش از قبل از قبل و بعد و بعد مدلسازي مدلسازي از حاصلاز نتايج.8.6 جدول رديف مدل نوع )MSE( خطا مربعات ميانگين متغيرها كاهش از بعد متغيرها كاهش از قبل )R ( همبستگي ضريب متغيرها كاهش از بعد متغيرها كاهش از قبل 6/6 7/79 7/797 6/505 6/543 6/111 1391 تابستان / چهارم شماره / سوم سال / نقل و حمل مهندسی 335 7/745 عصبي شبكه 6/101 طبيعي لگاريتم رگرسيون 1 3-4 www.sid.ir جديد دادههاي با مدل اعتبارسنجي
محمودآبادی عباس خلیلی باقری فاطمه االسالمی شیخ عبدالرضا متغيرهاي ميان از مدلسازي به ورود براي تر مهم متغيرهاي اصلي نآ نشاندهنده اصلي مولفههاي تحليل نتايج شدهاند. انتخاب اوليه بنزين سهميهبندي وضعيت و تصادف وقوع فصل متغير كه است براي هستند. مدلسازي به ورود براي اهميت كم متغيرهاي از كاهش در اصلي مولفههاي تحليل و تجزيه روش كارآيي بررسي شبكه مدلهاي مدلسازي به ورود جهت اهميت كم متغيرهاي مختلف حالت دو در طبيعي لگاريتم رگرسيون و مصنوعي عصبي متغيرها( كاهش از بعد و اهميت كم متغيرهاي كاهش از )قبل مقايسه از حاصل نتايج و شده داده برازش موجود دادههاي بر وجود كه است مطلب اين نشانگر مدلها برازش نيكويي آمارههاي دقت افزايش بر چنداني تأثير مدلسازي در اهميت كم متغيرهاي موجود مدلسازي در متغيرها اين كه حالتي به نسبت مدلسازي ندارد. هستند خروجيهاي عصبي شبكه مدل كارآيي ميزان بررسي براي مورد طبيعي لگاريتم رگرسيون مدل با شده داده توسعه مدل كه داد نشان مدل دو بين مقايسه است. گرفته قرار ارزيابي رگرسيون مدل به نسبت بهتري كارآيي عصبي شبكه مدل دادههاي با عصبي شبكه مدل سپس دارد. طبيعي لگاريتم ارزيابي مورد قم-كاشان آزادراه به مربوط ساله يك جديد مدل بودن معتبر از نشان حاصله نتايج كه است گرفته قرار مدل همچنين دارد. آزادراهها تصادفات در شده ساخته اين نشاندهنده شده داده برازش طبيعي لگاريتم رگرسيون وسايل سرعت ميانگين و روزانه تردد ميانگين كه است مطلب آزادراهها در تصادفات تعداد وقوع در مستقيم تاثير نقليه در معكوس تأثيري سواري غير تردد درصد ولي داشتهاند است. داشته آزادراهها تصادفات توصيه هستند زمينه اين در مطالعه به عالقهمند كه محققاني به ويژگيهاي داراي كه كشور راههاي ديگر در را موضوع كه ميشود با همچنين و دهند قرار مطالعه مورد هستند متفاوتي مهندسي نظير عواملي آزادراهها تصادفات در موضوع تر دقيق بررسي كنند شناسايي بيشتري دقت با را تصادفات در موثر انساني عوامل شود. برداشته اساسي گامهاي آنها رفع جهت در تا سپاسگزاري 9. حملونقل و راهداري سازمان همكاران و محترم رياست از نويسندگان با را همكاري نهايت تحقيق اين انجام در كه جادهاي شود مي سپاسگزاري اند داشته مقاله اين پينوشتها 10. 1. PNN (Probabilistic Neural Network). Potantial accident rate 3. Principal Component Analysis 4. Kaiser-Meyera-Olkin 5. Mean Square Error 6. Eigenvalue criterion 7. Principal Factor Analysis 8. Lognormal regression models 9. Stop training algoritm 10. Overfitting مراجع 11. اطالعات فنآوري دفتر جادهاي حملونقل آماري سالنامه -.1389 جادهاي حملونقل و راهداري سازمان افنديزاده و محمود احمدينژاد سيدابراهيم عبدالمنافي - در تصادفات تعداد پيشبيني مدل طراحي )1386( شهريار عصبي شبكه و آماري مدلهاي اساس بر درونشهري تقاطعات ايران. صنعت و علم دانشگاه تهران: ارشد كارشناسي پاياننامه اجتماعي- تحقيقات در دادهها تحليل و پردازش خليل كالنتري 95-303 ص سوم چاپ صبا فرهنگ نشر اقتصادي ) 1388 ( )1387( اعظمدخت صمغآبادي صفي و عباس محمودآبادي - عصبي شبكههاي از استفاده با جادهاي تصادفات روزانه برآورد و فازي سيستمهاي كنفرانس دومين تردد وضعيت بر تكيه با 87. آبان 9 تا 7 اشتر مالك صنعتي دانشگاه تهران: هوشمند -Abdel-Aty, M. and Pande, A. (005) Identification crash propensity using traffic speed condition, Journal of Safety Research, Vol 36, No. 1, pp. 97-108. 336 1391 تابستان / چهارم شماره / سوم سال / نقل و حمل www.sid.ir مهندسی
كاهش متغيرهاي ورودي در فرآيند مدلسازي تصادفات آزادراهها با استفاده از... 8, pp. 541-557. -Coulibaly, P., Anctil, F., and Bobee, B. (000) Daily reservoir inflow forecasting using artificial neural networks with stopped training approach, J. Hydrol., Vol. 30, PP. 44-57. -Dougherty, M. (1995) A review of neural networks applied to transport, Transportation Research Part C 3 (4), PP.47 60. -Hess, S. and Polak, J. (003) An analysis of the effects of speed limit enforcement cameras on accident rates, submitted for presentation at the 003 TRB Annual Meeting. -Hutcheson, G. and Nick, S. (1999) The multivariate social scientist: Introductory statistics using generalized linear models, Thousand Oaks, CA: Sage Publications. -Innovative Traffic Control (1999) Technology and practice in Europe, Federal Highway Administration, U.S. Department of Transportation, August. -Johnson, R. A. and Wichern, D. W. (198) Applied multivariate statistical analysis, 3rd Ed, Prentice- Hall Inc., Englewood Cliffs, SA, 590. -Kang, J. G. and Lee, S. K. (00) Traffic accident prediction model by freeway geometric types, Journal of Korean Society of Transportation, Vol. 0, No. 4, pp.163-175. -Abdel-Aty, M. A and Pemmanaboina, R. (006) Calibrating a real-time traffic crash-prediction model using archived weather and ITS traffic data, IEEE Transportations on Intelligent Transportation Systems, Vol. 7, No., pp. 167-174. -Akgüngo r, A. P and Dogan, E. (008) Estimating road accidents of Turkey based on regression analysis and artificial neural network approach, Advances in Transportation Studies, an International Journal, Vol. 4, No.9, pp. 906-913. -Baek, S., Chang, H., Kang, J.G. and Yoon, B. (005) An effect of trip lenghth on freeway accident rate, Journal of the Eastern Asia Society Transportation Studies, Vol. 6, pp. 3467-3481. -Bayata, H. F., Hattatoglu, F and Karsli, N. (011) Modeling of monthly traffic accidents with the artificial neural network method, International Journal of the Physical Sciences Vol. 6, No., January, pp. 44-54. Website: http://www.academicjournals.org/ IJPS. -Burden, F. R., Brereton, R. G. and Walsh, P. T. (1997) Cross-validatory selection of test and validation sets in multivariate calibration and neural networks as applied to spectroscopy, Analyst, Vol.1, No. 10, pp.1015-10. -Caliendo, C. and Parisi, A. (005) Principal component analysis applied to crash data on multilane roads, Third international SIIV Congress, Bari, Italy, 0- September, ANCONA SIIV Vol. 1, Page 1-7, Website: http://www.sed.siiv.scelta.com. -Knuiman, M.W., Council, F. M and Reinfurt, D. W. (1993) Association of median width and highway accident rates. Transp. Res. Rec., 1401. -Lave, C. (1985) Speed, coordination, and 55 mph limit, The American economic review. December, pp.1159-1164. Cansiz, O. F. and Easa, S. M. (011) Using artificial neural network to predict collisions on horizontal tangents of 3rd two-lane highways, International Journal of Engineering and Applied Sciences, Vol. 7, No.1, pp. 47-56. -Lee, Y. (006) A computerized feature reduction using principal component analysis for accident duration forecasting on freeway, A research project sponsored by the National Science Council, Taiwan under the contract of NSC99-68-E-451-001, Website: http://cerc.wvu.edu/download/.../dmi065.pdf 337 مهندسی حمل و نقل / سال سوم / شماره چهارم / تابستان 1391 -Cattel, R. B. (1996) The scree test for the number of the factor, Multivariate Behavioral Research, Vol. 1, April, pp 45-76. -Chang, Li-Y. (005) Analysis of freeway accident frequencies: negative binomial regression versus artificial neural network, Safety Science, Vol 43, No. www.sid.ir
عبدالرضا شیخ االسالمی فاطمه باقری خلیلی عباس محمودآبادی -Olmstead, T. (001) Freeway management systems and motor vehicle crashes: A case study of Phoenix, Arizona, Accident Analysis and Prevention, Vol. 33, pp. 433-447. -Sharma, S. (1996) Applied multivariate techniques, Published by university of South Carolina. -Mahmoudabadi, A. Comparison of weighted and simple linear regression and artificial neural network models in freeway accidents prediction (Case study: Qom & Qazvin Freeways in Iran), Second International Conference on Computer and Network Technology, Thailand, Bangkok, 3-5 April 010, Part 7: Traffic and Logistic Management, pp. 39-396 -Singha, K. P., Malika, A., Mohana, D and Sinhab, S. (004) Multivariate statistical techniques for the evaluation of spatial and temporal variations in water quality of Gomti River (India) a case study, Water Research, Vol. 38, pp. 3980 399. -Vogt, A, and Bared, J. (1998) Accident models for two-lane rural segments and intersections, In Transportation Research Record, 1635, TRB, National Research Council, Washington, D.C., pp. 18-. -Yadav, D. and Veena Sharma, N. (010) Artificial neural network based hydro electric generation modelling, International Journal of Applied Enginearing Reaserch, Dindigul, Vol. 1, No. 3, pp.343-359. -Mahmoudabadi, A. and Seyedhosseini, S. M. (01) Time-risk tradeoff of hazmat routing problem in emergency situation, Proceedings of the Third International Conference on Industrial Engineering and Operations Management, Istanbul, Turkey, July 3 6, 01, pp. 344-351. -McCulloch, W. S., and Pitts, W. (1943) A logical calculus of the ideas imminent in nervous activity, B. Math.Biophys., Vol. 8, pp. 115-133. -Oh, C., Oh, J. S., Ritchie, S. G. and Chang, M. S. (001) Real-time estimation of freeway accident likelihood, Annual Meeting CD-Rom 80th Annual Meeting of The Transportation Research Board. 338 www.sid.ir حمل و نقل / سال سوم / شماره چهارم / تابستان 1391 مهندسی