مرکز تحقیقات راه ، مسکن و شهرسازی پژوهشنامه حمل و نقل 1735-3459 23 2 2026 06 22 Application of a Novel Hybrid Deep Learning CNN-LSTM Model for Predicting the Number of Speeding Violations Using Hourly Traffic Data کاربرد معماری نوین مدل آموزش عمیق ترکیبی CNN-LSTM در پیش‌بینی تعداد تخلفات سرعت غیرمجاز با داده‌های ترافیکی ساعتی 465 480 232000 10.22034/tri.2025.539121.3366 FA علی اکبر کرموند دانش آموخته دکتری، گروه مهندسی عمران، دانشکده فنی مهندسی، دانشگاه آزاد اسلامی واحد علوم تحقیقات، تهران، ایران 0000-0001-9959-7596 Journal Article 2025 08 04 Background: Speeding violations are a primary cause of accidents on highways, leading to significant human, economic, and social consequences. While numerous studies have explored the prediction of traffic violations and accidents, few have focused on hourly violation counts using hybrid deep learning architectures. Methods: This study introduces a novel hybrid deep learning model combining Convolutional Neural Networks (CNN) and Long Short-Term Memory (LSTM) networks to predict the hourly number of speeding violations. The model was developed using hourly traffic data, including variables such as vehicle count, average speed, distance violations, and violation occurrence times. Following preprocessing, the dataset was divided into 70% training, 15% validation, and 15% testing sets. A 5-fold cross-validation approach was employed to assess model performance. Results: The cross-validation results demonstrated satisfactory performance in predicting speeding violations. During training, RMSE values ranged from 69.05 to 201.5, with the first fold showing anomalous performance; the remaining folds exhibited better results, with R² values between 0.68 and 0.85 and KGE values between 0.67 and 0.83. In the testing phase, average RMSE, R², and KGE were 89.4, 0.77, and 0.78, respectively, closely aligning with training phase averages, indicating robust model performance. In the validation phase, the model achieved an RMSE of 88.4, R² of 0.76, and KGE of 0.79. Conclusion: The proposed hybrid deep learning model effectively identifies high-risk locations for speeding violations with improved accuracy and speed, facilitating optimized resource allocation and enhanced road safety. Future studies are recommended to integrate weather condition data to further improve prediction accuracy. پیشینه: تخلف سرعت یکی از عوامل اصلی حوادث در آزادراه‌ها می‌باشد و آسیب‌های جانی، اقتصادی و اجتماعی متعددی در پی دارد. تاکنون در مطالعات متفاوتی پژوهشگران به پیش‌بینی تخلفات و حوادث پرداخته‌اند، امّا مطالعه تعداد تخلفات با تفکیک زمانی ساعتی و معماری ترکیبی از مدل‌های آموزش عمیق کمتر دیده می‌شود. روش: مطالعه حاضر با ارائه معماری ترکیبی نوینی از روش‌های آموزش عمیق به پیش‌بینی تعداد تخلفات سرعت در ساعت میپردازد. مدل پیشنهادی مبتنی بر روش شبکه‌های کانولوشنی و روش حافظه طولانی ‌مدت کوتاه مدت است که جهت پیش‌بینی تعداد تخلفات سرعت غیرمجاز با داده‌های ترافیکی ساعتی توسعه داده شده است. داده‌ها شامل متغیرهایی مانند تعداد وسایل نقلیه، سرعت، تخلفات فاصله و زمان وقوع تخلف بودند. داده‌ها پس از پیش‌پردازش به سه بخش آموزش 70%، اعتبارسنجی 15%، و آزمون 15% تقسیم شدند و از اعتبار سنجی متقاطع در مدل استفاده شده است. نتایج حاصل از اعتبارسنجی متقاطع 5 تایی نشان‌دهنده عملکرد قابل‌قبول مدل در پیش‌بینی تعداد تخلفات سرعت غیرمجاز است. در آموزش، مقادیر RMSE در محدوده 05/69 تا5/201 متغیر بود که به‌جز فولد اول، سایر فولدها عملکرد بهتری با R2 بین 68/0 تا 85/0 و KGE بین 67/0 تا 83/0 نشان دادند. در فاز آزمون، میانگین RMSE ،R2 و KGE به ترتیب 4/89، 77/0 و78/0 به‌طور قابل‌توجهی نزدیک به میانگین مقادیر فاز آموزش بود، که حاکی از عملکرد مورد تایید مدل است. در اعتبار سنجی مدل عملکرد RMSE ،R2 و KGE به ترتیب 4/88، 76/0 و79/0 از خود نشان داد. استفاده از مدلهای ترکیبی از آموزش عمیق مانند آنچه در این مطالعه مطرح شد، میتواند در تشخیص نقاط حادثه خیز با دقت و سرعت بهتر کمک کنند. بهینه‌سازی نظارت، تخصیص منابع، و افزایش ایمنی جاده‌ای به تبع این اقدام میتواند اتفاق بیافتد. پیشنهاد می‌شود به‌عنوان ورودی مدل در مطالعات آتی داده‌های شرایط جوی برای بهبود دقت نهایی ادغام شوند. https://www.trijournal.ir/article_232000_5f9e28ce87bf8722eab4438d9fb45842.pdf