مرکز تحقیقات راه ، مسکن و شهرسازی پژوهشنامه حمل و نقل 1735-3459 23 1 2026 03 21 Data-Driven Modeling of Factors Affecting Speed Variance on Rural Roads Using a Machine Learning Approach (Case Study: Hamadan Province) مدل‌سازی داده‌محور عوامل مؤثر بر واریانس سرعت در راه‌های برون‌شهری با بهره‌گیری از رویکرد یادگیری ماشین (مطالعه موردی: استان همدان) 315 328 234250 10.22034/tri.2025.556481.3397 FA علی توکلی کاشانی دانشیار، دانشکده مهندسی عمران و مرکز تحقیقات ایمنی کاربردی حمل‌ونقل جاده‌ای، دانشگاه علم‌ و صنعت ایران، تهران، ایران 0000-0001-5442-0543 محمد نجف پور درو دانشجوی دکتری، دانشکده مهندسی عمران و مرکز تحقیقات ایمنی کاربردی حمل‌ونقل جاده‌ای، دانشگاه علم و صنعت ایران، تهران، ایران 0009-0000-1856-2480 امیررضا اسکندری دانشجوی کارشناسی ارشد، دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران، تهران، ایران مجید نجفی بقرآباد دانشجوی کارشناسی ارشد، دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران، تهران، ایران Journal Article 2025 10 31 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.<br><br>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.<br><br>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. 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. https://www.trijournal.ir/article_234250_0d05fdef949599414d2ecc4e3f6cdd66.pdf