Journal of Health Administration
فصلنامه مدیریت سلامت
jha
Medical Sciences
http://jha.iums.ac.ir
112
journal112
2008-1200
2008-1219
10.22034
fa
jalali
1400
7
1
gregorian
2021
10
1
24
3
online
1
fulltext
fa
پیش بینی حوادث ترافیکی بر اساس وضعیت آبوهوا در استان گیلان با استفاده از شبکه عصبی مصنوعی
Prediction of traffic accidents based on weather conditions in Gilan province using artificial neural network
مدیریت اطلاعات سلامت
Health Information Management
پژوهشي
Research
<strong><span dir="RTL"><span style="font-family:B Zar;"><span style="font-size:10.0pt;">مقدمه: </span></span></span></strong><span dir="RTL"><span style="font-family:B Zar;"><span style="font-size:10.0pt;">حوادث ترافیکی یکی از دلایل اصلی مرگ</span></span></span><span dir="RTL"><span style="font-family:Cambria,serif;"><span style="font-size:10.0pt;">­</span></span></span><span dir="RTL"><span style="font-size: 10pt;"><font face="B Zar">ومیر در سراسر جهان از جمله ایران محسوب می</font><font face="Cambria, serif"> </font></span></span><span dir="RTL"><span style="font-family:B Zar;"><span style="font-size:10.0pt;">شود. عوامل متعددی در بروز حوادث ترافیکی نقش دارند که با استفاده از مدل</span></span></span><span dir="RTL"><span style="font-family:Cambria,serif;"><span style="font-size:10.0pt;">­</span></span></span><span dir="RTL"><span style="font-family:B Zar;"><span style="font-size:10.0pt;">های مختلف می</span></span></span><span dir="RTL"><span style="font-family:Cambria,serif;"><span style="font-size:10.0pt;">­</span></span></span><span dir="RTL"><span style="font-family:B Zar;"><span style="font-size:10.0pt;">توان این عوامل را شناسایی و بروز حوادث ترافیکی را پیش</span></span></span><span dir="RTL"><span style="font-family:Cambria,serif;"><span style="font-size:10.0pt;">­</span></span></span><span dir="RTL"><span style="font-family:B Zar;"><span style="font-size:10.0pt;">بینی کرد. هدف این مطالعه پیش</span></span></span><span dir="RTL"><span style="font-family:Cambria,serif;"><span style="font-size:10.0pt;">­</span></span></span><span dir="RTL"><span style="font-family:B Zar;"><span style="font-size:10.0pt;">بینی حوادث ترافیکی بر اساس وضعیت آبوهوا با استفاده از شبکه عصبی مصنوعی میباشد.</span></span></span><br>
<strong><span dir="RTL"><span style="font-family:B Zar;"><span style="font-size:10.0pt;">روش ­ها: </span></span></span></strong><span dir="RTL"><span style="font-family:B Zar;"><span style="font-size:10.0pt;">پژوهش حاضر به روش کمی بین سال</span></span></span><span dir="RTL"><span style="font-family:Cambria,serif;"><span style="font-size:10.0pt;">­</span></span></span><span dir="RTL"><span style="font-family:B Zar;"><span style="font-size:10.0pt;">های 1393 تا 1396 انجام شد که داده</span></span></span><span dir="RTL"><span style="font-family:Cambria,serif;"><span style="font-size:10.0pt;">­</span></span></span><span dir="RTL"><span style="font-family:B Zar;"><span style="font-size:10.0pt;">های 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.</span></span></span><br>
<strong><span dir="RTL"><span style="font-family:B Zar;"><span style="font-size:10.0pt;">یافته ­ها:</span></span></span></strong><span dir="RTL"><span style="font-family:B Zar;"><span style="font-size:10.0pt;"> شبکه طراحیشده، با هفت نورون در لایه ورودی، چهار نورون در لایه میانی و یک نورون در لایه خروجی با تابع بهینه</span></span></span><span dir="RTL"><span style="font-family:Cambria,serif;"><span style="font-size:10.0pt;">­</span></span></span><span dir="RTL"><span style="font-family:B Zar;"><span style="font-size:10.0pt;">سازی لونبرگ-مارکواردت و تابع انتقال تانژانت سیگموئید در لایه میانی و تابع انتقال خطی در لایه خروجی بهعنوان شبکه بهینه انتخاب شد. یافته</span></span></span><span dir="RTL"><span style="font-family:Cambria,serif;"><span style="font-size:10.0pt;">­</span></span></span><span dir="RTL"><span style="font-family:B Zar;"><span style="font-size:10.0pt;">ها نشان داد که شبکه طراحیشده با ضریب همبستگی (</span></span></span><span style="font-size:9.0pt;">R= 0.90</span><span dir="RTL"><span style="font-family:B Zar;"><span style="font-size:10.0pt;">) و میانگین مربع خطا (</span></span></span><span style="font-size:9.0pt;">MSE= 0.01</span><span dir="RTL"><span style="font-family:B Zar;"><span style="font-size:10.0pt;">) توانایی بالایی در پیش</span></span></span><span dir="RTL"><span style="font-family:Cambria,serif;"><span style="font-size:10.0pt;">­</span></span></span><span dir="RTL"><span style="font-family:B Zar;"><span style="font-size:10.0pt;">بینی حوادث ترافیکی دارد.</span></span></span><br>
<strong><span dir="RTL"><span style="font-family:B Zar;"><span style="font-size:10.0pt;">نتیجهگیری</span></span></span></strong><span dir="RTL"><span style="font-family:B Zar;"><span style="font-size:10.0pt;">: با توجه به اهمیت پیش</span></span></span><span dir="RTL"><span style="font-family:Cambria,serif;"><span style="font-size:10.0pt;">­</span></span></span><span dir="RTL"><span style="font-family:B Zar;"><span style="font-size:10.0pt;">بینی حوادث ترافیکی و نقش آن جهت ارتقای سلامت افراد جامعه، نتایج حاصل از این مطالعه می</span></span></span><span dir="RTL"><span style="font-family:Cambria,serif;"><span style="font-size:10.0pt;">­</span></span></span><span dir="RTL"><span style="font-family:B Zar;"><span style="font-size:10.0pt;">تواند 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.</span></span> </span>
<strong>Introduction</strong>: Road traffic accidents are one of the leading causes of death worldwide, including Iran. There are several factors involved in the occurrence of them; using different models, these factors can be identified and the occurrence of road traffic accidents can be predicted. The purpose of this study was to predict road traffic accidents based on weather conditions using artificial neural network model.<br>
<strong>Methods</strong>: In the present study, traffic data during the years 2014 to 2017, were examined using a multilayer perceptron network. Network input variables included minimum temperature, average temperature, average rainfall, maximum wind speed, glaciation, air pressure, fog concentration and output variable was the number of accidents.<br>
<strong>Results</strong>: The designed network with seven neurons in the input layer, four neurons in the middle layer, and one neuron in the output layer with Lunberg-Marquardt optimization function and sigmoid tangent transfer function in the middle layer and linear transmission function in the output layer was selected as the optimal network. The results showed that the designed network with the correlation coefficient of 0.90 and mean square error of 0.01 has a high ability to predict road traffic accidents.<br>
<strong>Conclusion</strong>: The results showed that the artificial neural network has a good performance for predicting road traffic accidents. Given the importance of predicting road traffic accidents and its role in promoting the health of people in such accidents, the results of this study can be used to expand more effective preventive measures for policy makers and researchers.
پیش بینی, حوادث ترافیکی, شبکه عصبی مصنوعی, سلامت در بلایا, مدیریت سلامت
Forecasting, Traffic Accidents, Artificial Neural Network, Disaster Health, Health Management
67
78
http://jha.iums.ac.ir/browse.php?a_code=A-10-3548-2&slc_lang=fa&sid=1
Shandiz
Moslehi
شاندیز
مصلحی
moslehi.sh@iums.ac.ir
11200319475328460026946
0000000330990626
No
Assistant Professor, Department of Health in Disasters and Emergencies, School of Health Management and Information Sciences, Iran University of Medical Sciences, Tehran, Iran.
استادیار، گروه سلامت در بلایا و فوریت ها، دانشکده مدیریت و اطلاعرسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران
Arsalan
Gholami
ارسلان
غلامی
gholamihe@gmail.com
11200319475328460026947
0000000291635057
No
M.Sc, Health Management and Economics Research Center,Health Management Research Institute, Iran University of Medical Sciences, Tehran, Iran.
کارشناس ارشد، مرکز تحقیقات علوم مدیریت و اقتصاد سلامت، پژوهشکده مدیریت سلامت، دانشگاه علوم پزشکی ایران، تهران
Zahra
Haghdoust
زهرا
حق دوست
Haghdoust.z@tak.iums.ac.ir
11200319475328460026948
0000000207403422
Yes
Ph.D Student, Department of Health in Disasters and Emergencies, School of Health Management and Information Sciences, Iran University of Medical Sciences, Tehran, Iran.
دانشجوی دکتری، گروه سلامت در بلایا و فوریت ها، دانشکده مدیریت و اطلاعرسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران
Hosein
Abed
حسین
عابد
haghdoostzahra@yahoo.com
11200319475328460026949
0000000278718253
No
M.Sc,Meteorological Research Center, General Meteorological Department of Gilan Province, Gilan, Iran.
کارشناس ارشد، مرکز تحقیقات هواشناسی، اداره کل هواشناسی استان گیلان، گیلان
Saman
Mohammadpour
سامان
محمدپور
samanmohammadpour90@gmail.com
11200319475328460026950
0000000260429154
No
Ph.D Student, Department of Health Information Management and Technology, School of Paramedical Sciences, Shahid Beheshti University of Medical Sciences, Tehran, Iran.
دانشجوی دکتری،گروه مدیریت و فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی شهید بهشتی، تهران
Mohammad Ashkan
Moslehi
محمداشکان
مصلحی
ashkanmoslehi@gmail.com
11200319475328460026951
000000020019586X
No
Assistant Professor, Department of Pediatrics, School of Medicine, Shiraz University of Medical Sciences, Shiraz, Iran.
استادیار، گروه کودکان، دانشکده پزشکی، دانشگاه علوم پزشکی شیراز، شیراز