شناسایی عوامل موثر بر شدت جراحات در تصادفات چند وسیله نقلیه با استفاده از مدل شبکه عصبی مصنوعی پرسپترون چند لایه

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد، دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران، تهران، ایران

2 استاد دانشگاه علم و صنعت- دانشکده عمران

3 دانشیار دانشکده عمران دانشگاه صنعتی اصفهان

چکیده

با توجه به داده‌های بررسی‌شده، تصادفات چند وسیله نقلیه استان تهران در سال 1390 حدود 10 درصد از انواع تصادفات رانندگی را در برگرفته‌اند. برای اتخاذ تصمیم‌های درست جهت کاهش شدت جراحات در این نوع از تصادفات نیاز به شناسایی عوامل مؤثر بر شدت جراحات است. در این تحقیق تصادفات چند وسیله نقلیه استان تهران با استفاده از روش شبکه عصبی مصنوعی پرسپترون چندلایه مورد بررسی قرارگرفته‌اند. برای افزایش دقت مدل‌سازی از دو مدل با شدت جراحت مختلف استفاده‌شده است که دقت طبقه‌بندی در مدل اول 98.5 درصد و در مدل دوم 98.4 درصد محاسبه شده است.مقادیر بدست آمده برای سطح زیر نمودار مشخصات گیرنده عامل (ROC ) حکایت از قدرت تفکیک مناسب مدل دارد. در نهایت نتایج نشان داده‌اند که نوع خودرو و مدل خودرو در همه شدت جراحات مؤثر هستند. در تصادفات با شدت جراحت نهایتاً جرحی موانع دید راننده، شرایط نوری و موقعیت تصادف در محور عرضی و در تصادفات با شدت جراحت نهایتاً فوتی، سن راننده، نحوه برخورد و خطای انسانی مهم‌ترین عوامل مؤثر بر شدت جراحات در تصادفات چند وسیله نقلیه بوده‌اند.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Identifying significant predictors of injury severity in multi-vehicle crashes using multi-layer perceptron neural network

نویسندگان [English]

  • Omid reza Kiasat 1
  • Mahmoud Ameri 2
  • Mehdi Abtahi 3
1 M.Sc student, civil engineering department, Iran university of science and technology, Tehran, Iran
2 Professor, Dept. of Civil Engineering, Iran university of science and Technology, Tehran, Iran.
3 Associate Professor, Dept. of Civil Engineering, Isfahan University of Technology, Isfahan, Iran.
چکیده [English]

Based on the analyzed data, multi-vehicle crashes compose ten percent of crashes in Tehran province in 1390. In order to reduce injuries severity in this kind of crashes, we need to identify significant factors affecting injuries severity. In this paper, multi vehicle crashes in Tehran province has been analyzed by using MLP neural network. In order to increase the modeling accuracy, two models with different level of injuries severity have been developed. The classification accuracy in model one and two was calculated 98.5% and 98.4%. The area under the ROC curve for all different models and severities have been calculated and shows acceptable ability to distinguish between the outcome groups. The result from sensitivity analysis shows that the vehicle type and vehicle model have significant importance on multi vehicle crashes at all level of injuries severity. In the lower level of injuries severity, light condition, accident position and any obstacle in driver’s sight can influence injuries severity and in higher levels of injuries, driver’s age, manner of collision and human fault can affect injuries severity in multi vehicle crashes.

کلیدواژه‌ها [English]

  • injury severity
  • multi-vehicle crashes
  • Artificial Neural Network
  • receiver operation characteristics