در میان زیرساختارهای مختلف تشکیل دهنده یک کشور، سیستم حمل ونقل جاده ای از اهمیت بسزایی برخوردار است. لذا مدیریت و برنامه ریزی موثر در این زمینه بسیار حائز اهمیت می باشد. با توسعه سیستم های حمل و نقل و هوشمند، فرآیندبرنامه ریزی سیستم های حمل ونقل عمومی مانند سواری های برون شهری از حالت استاتیک (برنامه ریزی با استفاده از داده های گذشته) به حالت پویا (برنامه ریزی بر اساس داده های حال) تغییر کرده است. در هر دو فرآیند استاتیک و پویا، برآورد زمان سفر به عنوان مهم ترین پارامتر برنامه ریزی محسوب می شود. برآورد زمان سفر در فرآیندهای برنامه ریزی سیستم های حمل ونقل، مورد توجه متخصصان حوزه های مختلف بوده که هر یک با بهره گیری از داده ها و ابزارهای تحلیلی خاص، سعی در مطالعه و برآورد زمان سفر داشته اند. پارامترهای محیطی، انسانی زیادی در برآورد زمان سفر نقش دارند که شناسایی و بررسی اثر این پارامترها و تهیه یک الگوی مناسب در برآورد زمان سفر می تواند در مدیریت برنامه ریزی سفر بسیار مفید باشد. در تحقیقات صورت گرفته در این زمینه معمولا تعداد محدودی از پارامترهای موثر در زمان سفر مورد استفاده قرار گرفته است و در اکثر آنها با بهره گیری از مدل های عمومی، زمان سفر بدست آمده است. هدف از این پژوهش برآورد زمان سفر در مسیر های استان مازندران (مسیر ساری به قائمشهر و قائمشهر به بابل) می باشد که تاکنون در این مسیر این کار انجام نشده است. در روش پیشنهادی ابتدا پارامترهای موثر در برآورد زمان سفر با توجه به شرایط جاده ای شناسایی گردید و سپس با استفاده از روش های خوشه بندی افزایشی، خوشهبندی اتصالمنفرد، خوشهبندی اتصالکامل، خوشه بندی k-means و روش شبکهعصبی پیشخور جهت برآورد زمان سفر، استفاده شده است. سپس به بررسی میزان تاثیر پارامتر های مختلف (پارامتر آب وهوایی، پارامتر تصادفات جاده ای و پارامتر زمان اوج) در زمان سفر پرداخته شده است و میزان تاخیر بوجود آمده با استفاده از پارامتر ها در زمان سفر بدست آمده است. در نهایت بمنظور ارزیابی دقت روش های پیشنهادی، خروجی روش های خوشه بندی و شبکه عصبی در تعیین زمان سفر با داده های واقعی در مسیر مورد مطالعه مقایسه گردیدند. روش شبکه عصبی مصنوعی با استفاده از روش مجذور میانگین مربع خطا با مقدار 0015/0 و روش میانگین مربع خطا با مقدار 65/0 در مقایسه با روش های خوشه بندی نتایج رضایت بخشی دارد. روش های خوشه بندی اتصال کامل، اتصال منفرد، افزایشی و k-means بترتیب در رده های بعدی قرار دارند.

امروزه آمار بالای تصادفات رانندگی و صدمات آن از معضلات مهم پیش روی جوامع است. این آمار حاکی از این مسئله است که تصادفات در تقاطع ها درصد بالایی از تعداد کل تصادفات را تشکیل می دهند و در کشور ایران نیز حدود 70 درصد تصادفات در تقاطع ها رخ می دهند. به-علاوه پیچیدگی پارامتر های مرتبط با تصادفات جاده ای و ماهیت مکانی آن ها موجب می شود داده های جمع آوری شده معمولاً حجیم و نا همگن باشند. روش های داده کاوی و بالاخص روش خوشه بندی برای تحلیل این نوع داده ها به منظور کاهش عدم تجانس و کشف الگو های مبهم مفید هستند. تا کنون تحقیقات زیادی به منظور ایجاد ارتباط بین مبحث خوشه بندی و تحلیل تصادفات جاده ای در تقاطع ها انجام گرفته است. برخی از مدل های آماری مانند پواسن و دو-جمله ای منفی استفاده کرده اند و برخی دیگر از خوشه بندی غیر آماری و غیر مکانی بهره گرفته-اند. تحلیل مکانی تصادفات جاده ای در تقاطع ها و اهمیت سیستم اطلاعات مکانی در این امر سبب می شود که در این تحقیق به تحلیل مکان مبنای تصادفات با الگوریتم های خوشه بندی مکانی آماری و غیر آماری پرداخته شود. در این تحقیق 6 پارامتر نوع تصادف، روشنایی، نوع منطقه، هندسه محل، عامل انسانی، هوا انتخاب شدند. هدف اصلی از این مطالعه شناسایی و تحلیل تقاطع های حادثه خیز جاده قدیم کرج-قزوین با استفاده از روش های خوشه بندی آماری و غیر آماری است. روش های خوشه بندی غیر آماری رایج از جمله خوشه بندی افرازی به دلیل امکان کنترل اندازه خوشه ها به وسیله کاربر و روش مبتنی بر چگالی dbscan به دلیل در نظر گرفتن تراکم داده ها و همچنین روش های آماری رایج از جمله برآورد تراکم کرنل به دلیل در نظر گرفتن تراکم و ماهیت داده ها، درک تغییرات جغرافیایی الگو های مکانی و تشخیص گسترش خطر تصادفات و روش های خود همبستگی مکانی از جمله *getis-ord gi، moran’s i و anselin local moran’s i به دلیل در نظر گرفتن همبستگی مکانی بین پارامتر ها انتخاب شدند. در این تحقیق تصادفات مربوط به سال های 88 تا 92 جاده قدیم کرج-قزوین مورد بررسی قرار گرفتند. از آن جا که معمولاً روش های غیر آماری در شناسایی موقعیت و کنترل اندازه خوشه ها و روش های آماری در شناسایی نقاط حادثه خیز و بررسی وابستگی مکانی بین پارامتر ها در سال های مختلف به کار می روند، ترکیب این دو روش می تواند در تحلیل تصادفات جاده ای در تقاطع ها مناسب باشد. نتایج حاصل از توابع خود همبستگی و تابع کرنل موجب شناسایی، 3 تقاطع حادثه خیز برای مسیر رفت و 1 تقاطع حادثه خیز برای مسیر برگشت شدند. همچنین بر اساس مقایسه روش های خوشه بندی غیر آماری مورد استفاده، روش dbscan نسبت به بقیه بهتر می تواند مناطق حادثه خیز را مدل کند. نتایج حاصل از تابع moran نشان می دهد که برای مسیر رفت پارامتر های نوع تصادف و هندسه محل دارای خود همبستگی مکانی و برای مسیر برگشت پارامتر عامل انسانی دارای خود همبستگی مکانی در 5 سال متوالی است.