پژوهشنامه حمل و نقل

پژوهشنامه حمل و نقل

مدل‌سازی داده‌محور عوامل مؤثر بر واریانس سرعت در راه‌های برون‌شهری با بهره‌گیری از رویکرد یادگیری ماشین (مطالعه موردی: استان همدان)

نوع مقاله : مقاله پژوهشی

نویسندگان
علی توکلی کاشانی 1
محمد نجف پور درو 2
امیررضا اسکندری 3
مجید نجفی بقرآباد 3
1 دانشیار، دانشکده مهندسی عمران و مرکز تحقیقات ایمنی کاربردی حمل‌ونقل جاده‌ای، دانشگاه علم‌ و صنعت ایران، تهران، ایران
2 دانشجوی دکتری، دانشکده مهندسی عمران و مرکز تحقیقات ایمنی کاربردی حمل‌ونقل جاده‌ای، دانشگاه علم و صنعت ایران، تهران، ایران
3 دانشجوی کارشناسی ارشد، دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران، تهران، ایران
10.22034/tri.2025.556481.3397
چکیده
واریانس سرعت یکی از شاخص‌های کلیدی در ارزیابی پایداری جریان ترافیک و ایمنی جاده‌ای است، زیرا نوسانات سرعت میان وسایل نقلیه احتمال وقوع تصادف را افزایش می‌دهد. این پژوهش با هدف شناسایی عوامل مؤثر بر واریانس سرعت در معابر برون‌شهری ایران، با بهره‌گیری از مدل جنگل تصادفی به‌عنوان یکی از الگوریتم‌های یادگیری ماشین انجام شد. داده‌ها از 200 نقطه از شبکه راه‌های برون‌شهری کشور از طریق پیمایش میدانی گردآوری و مجموعه‌ای از متغیرهای ترافیکی، زیرساختی و محیطی به‌عنوان ورودی مدل استفاده شد. نتایج نشان داد درصد تخطی از سرعت مجاز بیشترین تأثیر را بر افزایش واریانس سرعت دارد، در حالی‌که میانگین سرعت و ترکیب وسایل نقلیه اثرات غیرخطی بر آن دارند. همچنین، افزایش تعداد خطوط عبوری موجب افزایش واریانس و وجود سرعت‌کاه باعث کاهش آن شده است. از میان عوامل محیطی، تراکم جمعیت و کاربری کشاورزی اثر کاهنده بر نوسانات سرعت داشته‌اند. یافته‌ها بیانگر آن است که کنترل رفتار رانندگان، بازنگری در محدودیت‌های سرعت و به‌کارگیری هدفمند تجهیزات کاهنده سرعت می‌تواند موجب کاهش واریانس سرعت و ارتقای ایمنی راه‌های برون‌شهری شود.
کلیدواژه‌ها
واریانس سرعت
ایمنی جاده‌ای
جنگل تصادفی
یادگیری ماشین
تحلیل ترافیک

موضوعات

عنوان مقاله English

Data-Driven Modeling of Factors Affecting Speed Variance on Rural Roads Using a Machine Learning Approach (Case Study: Hamadan Province)

نویسندگان English

Ali Tavakoli Kashani 1
Mohammad Najafpour Derav 2
Amirreza Eskandari 3
Majid Najafi 3
1 Associate Professor, School of Civil Engineering, Iran University of Science and Technology, Tehran, Iran and Road Safety Research Center, Iran University of Science and Technology, Tehran, Iran.
2 Ph.D., Stud., School of Civil Engineering, Iran University of Science and Technology, Tehran, Iran and Road Safety Research Center, Iran University of Science and Technology, Tehran, Iran.
3 M.Sc., Student, School of Civil Engineering, Iran University of Science and Technology, Tehran, Iran.
چکیده English

Speed variance is widely acknowledged as a critical indicator of traffic flow stability and a major determinant of road safety, as excessive fluctuations in vehicle speed significantly elevate the likelihood and severity of crashes. This study aims to identify and model the key factors influencing speed variance on rural highways in Iran using the Random Forest algorithm—a robust machine learning method capable of capturing complex nonlinear relationships and reducing overfitting risk.

A total of 200 observation points were collected from various segments of the rural road network through detailed field surveys. The dataset included traffic, infrastructural, and environmental variables that potentially affect speed dispersion. The Random Forest results revealed that the percentage of speed limit violations was the most influential predictor, showing a strong positive association with the magnitude of speed variability. Average speed exhibited a nonlinear effect, remaining relatively stable at lower levels but sharply amplifying variance at higher speeds. Moreover, a moderate share of heavy vehicles (30–40%) increased speed fluctuations, whereas higher proportions contributed to more uniform traffic flow. Among infrastructural attributes, the number of lanes had a positive impact on speed variance, reflecting the greater freedom for lane changes and maneuvering, while the presence of speed bumps significantly reduced speed dispersion. Environmentally, higher roadside population density and agricultural land use were associated with decreased variance, suggesting more cautious driving behavior in such areas.

Overall, the findings highlight the necessity of integrating traffic enforcement, infrastructure design, and environmental planning into comprehensive speed management strategies. The proposed machine learning framework provides a data-driven foundation for identifying high-risk segments and informing targeted interventions to enhance rural road safety.

کلیدواژه‌ها English

Speed variance
Road safety
Random Forest
Machine learning
Traffic behavior
-سازمان پزشکی قانونی کشور. (1402). آمار متوفیات و مصدومین حوادث رانندگی در سال ۱۴۰۲. تهران، سازمان پزشکی قانونی کشور.
-Alizadeh, M., Davoodi, S. R., & Shaaban, K. (2023). Drivers’ speeding behavior in residential streets: A structural equation modeling approach. Infrastructures, 8(1), 11-12.
-Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32.
-Hu, W. (2017). Raising the speed limit from 75 to 80 mph on Utah rural interstates: Effects on vehicle speeds and speed variance. Journal of Safety Research, 61, 83–92.
-Mohanty, M., & Dey, P. P. (2019). Major stream delay under limited priority conditions. Journal of Transportation Engineering, Part A: Systems, 145(3), 1–10.
-Yan, M., & Shen, Y. (2022). Traffic accident severity prediction based on random forest. Sustainability, 14(3), 1729.
-Zhong, L., & Hou, D. (2010, August). Evaluation of work zone speed reduction measures. In ICCTP 2010: Integrated Transportation Systems – Green, Intelligent, Reliable, Beijing: ASCE.267–275.
-Alomari, A. H., Al-Salem, M.,Al-Basyouny, K., & El-Basyouny, S. (2023). Modeling speed mean and variance for different enforcement conditions on multilane highways. Journal of Transportation Engineering, Part A: Systems, 149(8), 04023067.
-Garber, N. J., & Gadirau, R. (1988). Speed variance and its influence on accidents. Washington, DC: Transportation Research Record.
-Gargoum, S. A., & El-Basyouny, K. (2016). Exploring the association between speed and safety: A path analysis approach. Accident Analysis & Prevention, 93, 32–40.
-Graves, P. E., Lee, D. R., & Sexton, R. L. (1993). Speed variance, enforcement, and the optimal speed limit. Economics Letters, 42(2–3), 237–243.
-Huang, B., Zhao, L., Wang, W., & Liu, H. (2013). A simulation study for minimizing operating speed variation of multilane highways by controlling access.Procedia – Social and Behavioral Sciences, 96, 2767–2781.
-Lord, D., Qin, X., & Geedipally, S. R. (2021). Highway safety analytics and modeling. Elsevier.
-Panschin, S., & Vitikainen, A. (2010, April). Land consolidation and agricultural traffic: Instrument for calculating the traffic volume. In XXIV FIG International Congress, Sydney, Australia (pp. 11–16). FIG – International Federation of Surveyors.
-Quddus, M. (2013). Exploring the relationship between average speed, speed variation, and accident rates using spatial statistical models and GIS. Journal of Transportation Safety & Security, 5(1),
27–45.
-Roh, C. G., Jeon, H., & Son, B. (2021). Do heavy vehicles always have a negative effect on traffic flow? Applied Sciences, 11(12), 1–15.
-Shen, J., & Yang, G. (2020). Crash risk assessment for heterogeneous traffic and different vehicle-following patterns using microscopic traffic flow data. Sustainability, 12(23), 1–18.
  -Wang, X., Abdel-Aty, M., & Lee, J. (2018). Speed, speed variation, and crash relationships for urban arterials. Accident Analysis & Prevention, 113, 236–243.
-World Health Organization. (2023). Global status report on road safety 2023. Geneva: World Health Organization.
-Xiaobao, Y. Y. (2008). Changes in traffic characteristics affected by number of lanes on freeways. Beijing: China Academy of Transportation Research.