ارائه روش استراتژیک ایمنی مبادی وروی شهری بر مبنای عوامل موثر بر تصادفات با استفاده از مدل های شبکه عصبی و رگرسیون پواسون

با توجه به این که تصادفات مبادی ورودی شهرها در راه های چندخطه برون شهری سهم قابل ملاحظه ای در تصادفات جاده ای دارند، به عنوان چالش دهه اخیر، کاهش این نوع تصادفات و ارایه راه کارهای متناسب برای افزایش ایمنی این نوع جاده ها ضروری است؛ بنابراین اهداف پژوهش حاضر عبارت انداز: شناسایی و اولویت بندی عوامل موثر در تصادفات ورودی جاده های چند خطه برون شهری و سپس ارایه مدل استراتژیکی کنترلی مبتنی بر عوامل موثر اولویت بندی شده در تصادفات این نوع راه ها با درجه عملکردی مختلف است.

ابتدا به تعداد تصادفات و متغیرهای مرتبط در محورهای مورد مطالعه در محدوده شهرها در استآن های تهران، اصفهان و یزد پرداخته می شود و سپس اولویت بندی متغیرها با استفاده از مدل شبکه عصبی پرسپترون مبتنی بر ریشه دوم میانگین مربعات خطا و تحلیل حساسیت و مدل رگرسیون پواسون منطبق بر ضریب اهمیت </sup>و مقدار آماری t صورت می گیرد. درنهایت مقایسه عملکردی مدل های پیشنهادی در اثرگذاری عوامل موثر برای استراتژی های پیشنهادی به دست می آید.

نتایج حاصل از پژوهش حاضر نشان داد که برترین مدل، شبکه عصبی پیش خور با تابع آموزشی لونبرگ- مارکوادت دارای 7 متغیر ورودی و 5 نورون پنهان دارای مقدار ریشه میانگین مربعات خطای 020/1 است که به ترتیب متغیرهای شیب طولی، سرعت عملکردی، تغییر تعداد خطوط راه، درصد خودروهای سنگین، درجه عملکردی راه، دوربین کنترل سرعت و عرض راه مهم ترین عوامل مژثر بر تعداد تصادفات در راه ها با درجه عملکردی مختلف است. درحالی که، براساس مدل رگرسیون پواسون 6 متغیر موثر به ترتیب شامل: سرعت عملکردی، شیب طولی، عرض راه، تغییر تعداد خطوط راه، درجه عملکردی و درصد خودروهای سنگین هستند. هم چنین نتایج اثرگذاری متغیرها و عوامل اثرگذار براساس دو مدل پیشنهادی نشان داد که شیب طولی مسیر در مدل شبکه عصبی و رگرسیون پواسون توانسته به ترتیب 40 درصد و 45 درصد برای راه های اصلی درجه یک نسبت به بقیه متغیرهای موثر تعداد تصادفات را کاهش دهد.

مقایسه عملکردی دو مدل پیشنهادی شبکه عصبی و رگرسیون پواسون نیز در اثرگذاری عوامل موثر برای استراتژی های پیشنهادی نشان داد که مدل رگرسیون پواسون با خطای پیش بینی کمتر، قابلیت زیادی در شناسایی و اثربخشی استراتژی های ایمنی نسبت به مدل شبکه عصبی دارد.