مقایسه نتایج مدلهای آماری و شبکه عصبی در پیش بینی تعداد تصادفات در تقاطعات

Authors

شهریار افندی زاده

استادیار، دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران، تهران، ایران سیدابراهیم عبدالمنافی

دانش آموخته کارشناسی ارشد، دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران، تهران، ایران محمود احمدی نژاد

استادیار، دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران، تهران، ایران

abstract

تصادفات ترافیکی از عوامل بسیار مهم مرگ ومیر بوده و خسارات و آسیب های شدید جانی و مالی در پی دارند.. تصادفات همچنین آثار و تبعات سنگین اجتماعی، فرهنگی و اقتصادی دارند که موارد ناشی از آنها جوامع بشری را به شدت تاثیر قرار می دهد. اگرچه گسترش روزافزون ترافیک در شهرها موجب افزایش مزایای اقتصادی و رفاهی شده ، اما در مقابل، تعداد و شدت تصادفات ترافیکی را افزایش داده است. براساس مطالعات انجام شده، بخش اعظمی از تصادفات ترافیکی در تقاطعات اتفاق می افتند. علت اصلی وقوع تصادفات در تقاطعات، همگراشدن جریانهای ترافیکی مختلف در یک نقطه است. به طورکلی مطالعات بیشماری در کشورهای جهان در زمینه مدل سازی تصادفات انجام شده است. در کلیه این مطالعات از مدلهای آماری برای مدل سازی استفاده شده است. در این مقاله، برای پیش بینی تعداد تصادفات براساس پارامترهای ترافیکی، طرح هندسی و خصوصیات وسایل کنترل ترافیک علاوه بر مدلهای آماری از مدل شبکه عصبی نیز بهره گیری شده است که نتایج حاصل از این دو مدل در این مقاله مورد بررسی و مقایسه قرار گرفته اند.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

طراحی مدل پیش بینی تعداد تصادفات در تقاطعات براساس مدلهای آماری و شبکه عصبی

بررسی عوامل موثر بر ایمنی در تقاطعات همسطح چراغدار و چهارراهه شهری و مدلسازی پیش بینی تصادفات در این نوع تقاطعات از اهداف این تحقیق می باشد. این عوامل موثر ممکن است در ارتباط با طرح هندسی تقاطعات، ویژگی های سیستم کنترل ترافیک و پارامترهای ترافیکی باشد. هر یک از عوامل ذکر شده در فوق خود به بخش ها و عوامل جرتری تقسیم می شوند برای رسیدن به این هدف از مدلهای آماری و شبکه عصبی استفاده شده است.

15 صفحه اول

مقایسه مدل شبکه عصبی مصنوعی با مدلهای رگرسیونی دادههای شمارشی در پیش بینی تعداد دفعات اهدای خون

 Background: Modeling is one of the most important ways for explanation of relationship between dependent and independent response. Since data, related to number of blood donations are discrete, to explain them it is better to use discrete variable distribution like Poison or Negative binomial. This research tries to analyze numerical methods by using neural network approach and compare ...

full text

مقایسه عملکرد مدلهای شبکه عصبی مصنوعی واتورگرسیون برداری در پیش بینی شاخص قیمت و بازده نقدی

هدف این مقاله تجزیه و تحلیل های اقتصادی، پیش بینی صحیح و دقیق متغیرهای اقتصادی است. در این زمینه، روشهای مختلفی برای پیش بینی در اقتصاد وجود دارد، که از جمله آنها میتوان به مدلهای رگرسیون ، معادلات همزمان و... اشاره کرد. مدلهای سری زمانی نیز از جمله مدلهای اقتصادی می باشند که در آن پیش بینی مقادیر سری، بیش از هر چیز به عهده خودشان گذاشته می شود اما استفاده از روش های غیر کلاسیک در شناسایی مدل و...

full text

ارزیابی مدلهای شبکه عصبی مصنوعی ایستا و پویا در پیش بینی قیمت سهام

پیشبینی آینده در عرصه پویای اقتصاد و بازارهای مالی از جمله بازار بورس به یکی از مهمترین مسائل درعلوم مالی ارتقاء یافته است. همچنین، در دههی اخیر مدلهای شبکه عصبی به علت عملکرد واقع بینانهتر اینمدلها مورد توجه محققین قرار گرفته و از انواع مختلف آنها برای پیشبینی استفاده شده است. اکنون این سئوالمطرح است که، کدام یک از این مدلها قدرت بالاتری برای تبیین فرآیندهای آتی بورس را دارا میباشد؟ در( همین ر...

full text

مقایسه مدلهای خودهمبسته شبکه عصبی مصنوعی دینامیک و استاتیک در پیش بینی جریان ماهانه ورودی به مخزن سد دز

در مقاله حاضر قابلیت مدل خود همبسته شبکه عصبی مصنوعی دینامیک برای پیش­بینی جریان ماهانه ورودی مخزن سد دز ارزیابی شده و نتایج  به دست آمده با مدل خودهمبسته شبکه عصبی مصنوعی استاتیک مقایسه شده است. در تحقیقات قبل مقایسه مدل‌های استاتیک و دینامیک در شبکه‌های عصبی مصنوعی صورت نگرفته است. ضمناً تحقیق حاضر از حیث خودهمبستگی مدل شبکه عصبی مصنوعی، دارای نوآوری می‌باشد. در این تحقیق آبدهی های ماهانه بین ...

full text

My Resources

Save resource for easier access later


Journal title:
پژوهشنامه حمل و نقل

جلد ۴، شماره ۴، صفحات ۰-۰

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023