جلد 24، شماره 3 - ( 7-1400 )
جلد 24 شماره 3 صفحات 78-67 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Moslehi S, Gholami A, Haghdoust Z, Abed H, Mohammadpour S, Moslehi M A. Prediction of traffic accidents based on weather conditions in Gilan province using artificial neural network. jha 2021; 24 (3) :67-78
URL: http://jha.iums.ac.ir/article-1-3800-fa.html
URL: http://jha.iums.ac.ir/article-1-3800-fa.html
مصلحی شاندیز، غلامی ارسلان، حق دوست زهرا، عابد حسین، محمدپور سامان، مصلحی محمداشکان. پیش بینی حوادث ترافیکی بر اساس وضعیت آب‌وهوا در استان گیلان با استفاده از شبکه عصبی مصنوعی. فصلنامه مدیریت سلامت. 1400; 24 (3) :67-78
شاندیز مصلحی1 
، ارسلان غلامی2 ، زهرا حق دوست 3، حسین عابد4 ، سامان محمدپور5 ، محمداشکان مصلحی6
، ارسلان غلامی2 ، زهرا حق دوست 3، حسین عابد4 ، سامان محمدپور5 ، محمداشکان مصلحی6
1- استادیار، گروه سلامت در بلایا و فوریت ها، دانشکده مدیریت و اطلاع‌رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران
2- کارشناس ارشد، مرکز تحقیقات علوم مدیریت و اقتصاد سلامت، پژوهشکده مدیریت سلامت، دانشگاه علوم پزشکی ایران، تهران
3- دانشجوی دکتری، گروه سلامت در بلایا و فوریت ها، دانشکده مدیریت و اطلاع‌رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران ،Haghdoust.z@tak.iums.ac.ir
4- کارشناس ارشد، مرکز تحقیقات هواشناسی، اداره کل هواشناسی استان گیلان، گیلان
5- دانشجوی دکتری،گروه مدیریت و فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی شهید بهشتی، تهران
6- استادیار، گروه کودکان، دانشکده پزشکی، دانشگاه علوم پزشکی شیراز، شیراز
2- کارشناس ارشد، مرکز تحقیقات علوم مدیریت و اقتصاد سلامت، پژوهشکده مدیریت سلامت، دانشگاه علوم پزشکی ایران، تهران
3- دانشجوی دکتری، گروه سلامت در بلایا و فوریت ها، دانشکده مدیریت و اطلاع‌رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران ،
4- کارشناس ارشد، مرکز تحقیقات هواشناسی، اداره کل هواشناسی استان گیلان، گیلان
5- دانشجوی دکتری،گروه مدیریت و فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی شهید بهشتی، تهران
6- استادیار، گروه کودکان، دانشکده پزشکی، دانشگاه علوم پزشکی شیراز، شیراز
چکیده: (2023 مشاهده)
مقدمه: حوادث ترافیکی یکی از دلایل اصلی مرگومیر در سراسر جهان از جمله ایران محسوب می شود. عوامل متعددی در بروز حوادث ترافیکی نقش دارند که با استفاده از مدلهای مختلف میتوان این عوامل را شناسایی و بروز حوادث ترافیکی را پیشبینی کرد. هدف این مطالعه پیشبینی حوادث ترافیکی بر اساس وضعیت آب‌وهوا با استفاده از شبکه عصبی مصنوعی می‌باشد.
روش ها: پژوهش حاضر به روش کمی بین سالهای 1393 تا 1396 انجام شد که دادههای ترافیکی طی با استفاده از شبکه پرسپترون چندلایه بررسی شد. متغیرهای ورودی شبکه شامل حداقل دما، میانگین دما، متوسط بارش، حداکثر سرعت باد، یخبندان، فشار هوا، غلظت مه و متغیر خروجی نیز تعداد تصادفات در محیط موردمطالعه بود.
یافته ها: شبکه طراحی‌شده، با هفت نورون در لایه ورودی، چهار نورون در لایه میانی و یک نورون در لایه خروجی با تابع بهینهسازی لونبرگ-مارکواردت و تابع انتقال تانژانت سیگموئید در لایه میانی و تابع انتقال خطی در لایه خروجی به‌عنوان شبکه بهینه انتخاب شد. یافتهها نشان داد که شبکه طراحی‌شده با ضریب همبستگی (R= 0.90) و میانگین مربع خطا (MSE= 0.01) توانایی بالایی در پیشبینی حوادث ترافیکی دارد.
نتیجه‌گیری: با توجه به اهمیت پیشبینی حوادث ترافیکی و نقش آن جهت ارتقای سلامت افراد جامعه، نتایج حاصل از این مطالعه میتواند جهت گسترش اقدامات پیشگیرانه مؤثرتر برای سیاست‌گذاران و محققان قابل‌استفاده باشد. با توجه به نتایج بدست آمده شبکه عصبی کارایی خوبی برای پیشبینی کوتاه‌مدت جریان ترافیک از خود نشان داده است.
روش ها: پژوهش حاضر به روش کمی بین سالهای 1393 تا 1396 انجام شد که دادههای ترافیکی طی با استفاده از شبکه پرسپترون چندلایه بررسی شد. متغیرهای ورودی شبکه شامل حداقل دما، میانگین دما، متوسط بارش، حداکثر سرعت باد، یخبندان، فشار هوا، غلظت مه و متغیر خروجی نیز تعداد تصادفات در محیط موردمطالعه بود.
یافته ها: شبکه طراحی‌شده، با هفت نورون در لایه ورودی، چهار نورون در لایه میانی و یک نورون در لایه خروجی با تابع بهینهسازی لونبرگ-مارکواردت و تابع انتقال تانژانت سیگموئید در لایه میانی و تابع انتقال خطی در لایه خروجی به‌عنوان شبکه بهینه انتخاب شد. یافتهها نشان داد که شبکه طراحی‌شده با ضریب همبستگی (R= 0.90) و میانگین مربع خطا (MSE= 0.01) توانایی بالایی در پیشبینی حوادث ترافیکی دارد.
نتیجه‌گیری: با توجه به اهمیت پیشبینی حوادث ترافیکی و نقش آن جهت ارتقای سلامت افراد جامعه، نتایج حاصل از این مطالعه میتواند جهت گسترش اقدامات پیشگیرانه مؤثرتر برای سیاست‌گذاران و محققان قابل‌استفاده باشد. با توجه به نتایج بدست آمده شبکه عصبی کارایی خوبی برای پیشبینی کوتاه‌مدت جریان ترافیک از خود نشان داده است.
نوع مقاله: پژوهشي |
موضوع مقاله:
مدیریت اطلاعات سلامت
دریافت: 1400/4/7 | پذیرش: 1400/6/31 | انتشار: 1400/9/28
دریافت: 1400/4/7 | پذیرش: 1400/6/31 | انتشار: 1400/9/28
فهرست منابع
1. World Health Organization. Global status report on road safety 2018: Summary. Geneva: World Health Organization; 2018. 403 p.
2. Nazmfar H, Eshghei Char Borj A, Alavi S, Jasaraty A. Spatial analysis of road accidents resulting in death approach to climate case study: Ardabil province. Geographical Data (SEPEHR). 2017;26(103):83-97. [In Persian]
3. Zhao Y, Andrey J, Deadman P. Whether conversion and weather matter to roundabout safety. J Safety Res. 2018 Jul 17;66:151-9. [DOI:10.1016/j.jsr.2018.07.001]
4. Haddon W. Advances in the epidemiology of injuries as a basis for public policy. Public Health Rep. 1980;95(5):411-21.
5. Ivajnsic D, Pintaric D, Grujic VJ, Ziberna I. A spatial decision support system for traffic accident prevention in different weather conditions. Acta geogr slov. 2021;61(1):75-92. [DOI:10.3986/AGS.9415]
6. Zou Y, Zhang Y, Cheng K. Exploring the impact of climate and extreme weather on fatal traffic accidents. Sustainability. 2021 Jan 14;13(1):1-14. [DOI:10.3390/su13010390]
7. Amin MSR, Zareie A, Amador-Jiménez LE. Climate change modeling and the weather-related road accidents in Canada. Transport Res Transport Environ. 2014;32:171-83. [DOI:10.1016/j.trd.2014.07.012]
8. Luo Z, Li J, Zhong M. Prediction of seasonal variation in traffic collisions on rural highways using neural network regression models: A case study in the province of british columbia. Proceedings of the 5th International Conference on Transportation Information and Safety (ictis 2019); 2019 Jul 14-17; Liverpool, UK. New York: IEEE; 2019 Oct 28. p. 281-5. [DOI:10.1109/ICTIS.2019.8883557]
9. Bartlett A, Lao W, Zhao Y, Sadek AW. Impact of inclement weather on hourly traffic volumes in Buffalo. Proceedings of the Transportation Research Board 92nd Annual Meeting [Internet]; 2013 Jan 13-17; Washington DC, United States. New York; 2013. p. 1-16. Available from: https://trid.trb.org/view/1241923
10. Sathiaraj D, Punkasem TO, Wang F, Seedah DPK. Data-driven analysis on the effects of extreme weather elements on traffic volume in Atlanta, GA, USA. Comput Environ Urban Syst. Forthcoming 2018. [DOI:10.1016/j.compenvurbsys.2018.06.012]
11. Hosseinian M, Najafi Moghaddam Gilani V, Tahmasbi Amoli H, Nikookar M, Orouei A. Presentation of analytical methods for better decision making about the most important factor influencing rural accidents. Math Probl Eng. 2021 Mar 20;2021:1-16. [DOI:10.1155/2021/5564269]
12. Hou G, Chen S. Study of work zone traffic safety under adverse driving conditions with a microscopic traffic simulation approach. Accid Anal Prev. 2020 Sep;145:1-46. [DOI:10.1016/j.aap.2020.105698]
13. Johal H, Schemitsch EH, Bhandari M. Why a decade of road traffic safety? J Orthop Trauma. 2014 Jun;28(6):S8-10. [DOI:10.1097/BOT.0000000000000104]
14. Andrey J, Olley R. The relationship between weather and road safety: Past and future research directions. Climatological Bulletin. 1990;24(3):123-37.
15. Andrey J, Yagar S. A temporal analysis of rain-related crash risk. Accid Anal Prev. 1993;25(4):465-72. [DOI:10.1016/0001-4575(93)90076-9]
16. Bertness J. Rain-related impacts on selected transportation activities and utility services in the chicago area. J Appl Meteorol Climatol. 1980 May;19(5):545-56.
https://doi.org/10.1175/1520-0450(1980)019<0545:RRIOST>2.0.CO;2 [DOI:10.1175/1520-0450(1980)0192.0.CO;2]
17. Irfan A, Rasyid RA, Handayani S. Data mining applied for accident prediction model in Indonesia toll road. AIP Conference Proceedings 1977 [Internet]. 2018. AIP Publishing LLC; 2018 Jun 26. p. 060001-9. Available from: https://aip.scitation.org/doi/10.1063/1.5043013 [DOI:10.1063/1.5043013]
18. Brodsky H, Hakkert AS. Risk of a road accident in rainy weather. Accid Anal Prev. 1988 Jun;20(3):161-76. [DOI:10.1016/0001-4575(88)90001-2]
19. Brijs T, Karlis D, Wets G. Studying the effect of weather conditions on daily crash counts using a discrete time-series model. Accid Anal Prev. 2008;40(3):1180-90. [DOI:10.1016/j.aap.2008.01.001]
20. Caliendo C, Guida M, Parisi A. A crash-prediction model for multilane roads. Accid Anal Prev. 2007 Jul;39(4):657-70. [DOI:10.1016/j.aap.2006.10.012]
21. Eisenberg D. The mixed effects of precipitation on traffic crashes. Accid Anal Prev. 2004 Jul;36(4):637-47. [DOI:10.1016/S0001-4575(03)00085-X]
22. Jung S, Qin X, Noyce DA. Rainfall effect on single-vehicle crash severities using polychotomous response models. Accid Anal Prev. 2010 Jan;42:213-24. [DOI:10.1016/j.aap.2009.07.020]
23. Yasaswini LNS, Mahesh G, Shankar RS, Srinivas LV. Identifying road accidents severity using convolutional neural networks. J Comput Sci Eng. 2018 Jul;6(7):354-60. [DOI:10.26438/ijcse/v6i7.354360]
24. Alkheder S, Taamneh M, Taamneh S. Severity prediction of traffic accident using an artificial neural network. J Forecast. 2016 Apr 27;36:100-8. [DOI:10.1002/for.2425]
25. Ertugrul S, Hizal NA. Neuro-fuzzy controller design via modeling human operator actions. J Intell Fuzzy Syst. 2005;16(2):133-40.
26. Adeli H, Park HS. Optimization of space structures by neural dynamics. Neural Network. 1995;8(5):769-81. [DOI:10.1016/0893-6080(95)00026-V]
27. Dougherty MS. Guest editorial applications of neural networks in transportation. Transport Res C Emerg Tech. 1997;5(5):255-7. [DOI:10.1016/S0968-090X(97)00013-2]
28. Chang LY. Analysis of freeway accident frequencies: Negative binomial regression versus artificial neural network. Saf Sci. 2005;43(8):541-57. [DOI:10.1016/j.ssci.2005.04.004]
29. Zeng Q, Huang H, Pei X, Wong SC. Modeling nonlinear relationship between crash frequency by severity and contributing factors by neural networks. Anal Methods Accid Res. 2016 Jun;10:12-25. [DOI:10.1016/j.amar.2016.03.002]
30. Behbahani H, Amiri AM, Imaninasab R, Alizamir M. Forecasting accident frequency of an urban road network: A comparison of four artificial neural network techniques. J Forecast. 2018 Aug;37(7):1-14. [DOI:10.1002/for.2542]
31. Deka L, Quddus M. Network-level accident-mapping: Distance based pattern matching using artificial neural network. Accid Anal Prev. 2014;65:105-13. [DOI:10.1016/j.aap.2013.12.001]
32. Xie Z, Klionsky DJ. Autophagosome formation: Core machinery and adaptations. Nat Cell Biol. 2007 Oct;9(10):1102-9. [DOI:10.1038/ncb1007-1102]
33. Jadaan KS, Al-Fayyad M, Gammoh HF. Prediction of road traffic accidents in jordan using artificial neural network (ANN). Journal of Traffic and Logistics Engineering. 2014 Jun;2(2):92-4. [DOI:10.12720/jtle.2.2.92-94]
34. Mussone L, Ferrari A, Oneta M. An analysis of urban collisions using an artificial intelligence model. Accid Anal Prev. 1999 Nov;31(6):705-18. [DOI:10.1016/S0001-4575(99)00031-7]
35. Mussone L, Rinelli S, Reitani G. Estimating the accident probability of a vehicular flow by means of an artificial neural network. Environ Plann B Plann Des. 1996;23(6):667-75. [DOI:10.1068/b230667]
36. Li L, Shrestha S, Hu G. Analysis of road traffic fatal accidents using data mining techniques. Proceedings of the 15th International Conference on Software Engineering Research, Management and Applications (SERA); 2017 Jun 7-9; London, UK. IEEE; 2017 Jul 3. p. 363-70. [DOI:10.1109/SERA.2017.7965753]
37. Sameen MI, Pradhan B. Severity prediction of traffic accidents with recurrent neural networks. Appl Sci. 2017 Jun 8;7(6):1-17. [DOI:10.3390/app7060476]
38. Chiou YC. An artificial neural network-based expert system for the appraisal of two-car crash accidents. Accid Anal Prev. 2006 Jul;38(4):777-85. [DOI:10.1016/j.aap.2006.02.006]
39. El Tayeb AA, Pareek V, Araar A. Applying association rules mining algorithms for traffic accidents in dubai. International Journal of Soft Computing and Engineering. 2015 Sep;5(4):1-12.
40. Najjarzadeh M, Korkeh Abadi Z, Kamyabi S. Modeling physical effective factors in promoting good governance through neural network (MLP)-case study of pedestrian roads in district 12 of Tehran. J Geogr Sci. 2020;16(32):93-106. [In Persian]
41. Keymanesh M, Baradaran Rahmanian N. Prediction of the road accidents severity using artificial neural network and comparing with multivariate analysis method. Road. 2021;106:1-9. [In Persian]
42. Asadi Farsani P, Fallah Tafti M. Artificial neural network model for short-term prediction of traffic flow and its application in Tehran-Karaj freeway. Proceedings of the International Conference on Civil Engineering, Architecture and Urban Infrastructure; 2015 Aug 28-29; Tabriz. Yazd University; 2015. [In Persian]
43. Machin M, Sanguesa JA, Garrido P, Martinez FJ. On the use of artificial intelligence techniques in intelligent transportation systems. Proceedings of the Wireless Communications and Networking Conference Workshops (WCNCW); 2018 April 15-18; Barcelona, Spain. IEEE; 2018 May 31. p. 332-7. [DOI:10.1109/WCNCW.2018.8369029]
44. Kunt MM, Aghayan I, Noii N. Prediction for traffic accident severity: Comparing the artificial neural network, genetic algorithm, combined genetic algorithm and pattern search methods. Transport. 2011;26(4):353-66. [DOI:10.3846/16484142.2011.635465]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
