مرکز تحقیقات راه ، مسکن و شهرسازی پژوهشنامه حمل و نقل 1735-3459 7 3 2010 04 01 Calibrating Accident Prediction Models with using of a creative method کالیبره کردن مدل های پیش بینی تصادفات با استفاده از یک روش ابتکاری 11473 FA محمود عامری علم و صنعت ایران، مهندسی 0000-0002-6098-1037 محمد حسن میرابی مقدم علم و صنعت ایران، مهندسی Journal Article In accidents statistical modeling process, determination of the exact constant coefficients model is crucial to encounter. These coefficients express the amount and value of an independent variable with the dependent variable and for this reason incorrect estimation of them can provide inaccurate results lead to false by the model. To determine the constant coefficients models of accidents predicts an optimization process such as “squared residuals” or “maximizing log likelihood” is used. This process, generally with some optimization method called "gradient vector" and "quasi Newton" are run and in fact these methods is applied in most models predict accidents, particularly in nonlinear functions. However, these methods have some difficulties such as: long run time steps, dependence on initial value to start the process of optimization and enables us to create a convergence point in having the highest peaks are, the process optimization with problematic and made accurate calculation model coefficients are greatly diminished. In this article, using the mathematical principles is presented to minimize above mentioned problems and the appropriate facilities for modeling and optimization for models or estimated coefficients to predict accidents provides. This extrapolation method with a quadratic equation and delete words of Hessian matrix optimization method to determine the long gun gradient vector optimization result have two characters: i) in the implementation of process optimization starting moving point is not affiliated with ii) convergence for a function accidents in the forecast may create to the highest peak. The methods called "Modified gradient method vector" is on a road safety performance function tested and the superiority of the escape to the normal gradient vector method is proved. در فرایند مدل سازی آماری تصادفات، برآورد دقیق ضرایب ثابت مدل (کالیبره کردن) از اهمیت زیادی برخورد است. زیرا، این ضرایب میزان و چگونگی ارتباط متغیرهای مستقل با متغیر وابسته را بیان کرده و بهمین جهت تخمین نادرست آنها می تواند به ارایه نتایج غیرواقعی توسط مدل منجرگردد. برای تعیین ضرایب ثابت مدل های پیش بینی تصادفات، معمولاً از فرایندی موسوم به حداکثر کردن تابع درستنمایی استفاده می شود که در آن روشهای بهینه سازی نامقید نظیر "بردار گرادیان " ، "شبه نیوتن " و "نیوتن- رافسون" دارای بیشترین کاربرد در مدلهایی بویژه با توابع غیرخطی می باشند. اما، این روشها بدلیل اتکا به ماتریس هسین (مشتق مرتبه دوم) از ضعفهایی نظیرطولانی بودن زمان اجرای گامها، وابستگی به مقدار اولیه جهت شروع فرایند بهینه سازی و امکان ایجاد همگرایی برای یک تابع در نقطه ای بغیر از بالاترین قله برخوردار هستندکه در اغلب موارد فرایند بهینه سازی را با مشکل مواجه ساخته و از دقت محاسبه ضرایب مدل نیز به میزان زیادی می کاهند. در این مقاله، با استفاده از مبانی بهینه سازی عددی روشی ارایه شده است که ضعغهای یادشده را به حداقل رسانده و امکان مناسبی را برای مدلساز جهت کالیبره کردن مدل های پیش بینی تصادفات فراهم می آورد. یافته های حاصل از آزمایش این روش بر روی یک تابع عملکرد ایمنی و مقایسه آن با روش معمول بردار گرادیان که در این تحقیق مورد توجه قرار گرفته است، نشان می دهد که روش ابتکاری در اجرای فرایند بهینه سازی به نقطه شروع حرکت وابسته نبوده و همچنین همگرایی برای یک تابع غیرخطی را در بالاترین قله ممکن ایجاد می نماید.