جستجوی مقالات مرتبط با کلیدواژه "درخت طبقه بندی و رگرسیون" در نشریات گروه "عمران"
تکرار جستجوی کلیدواژه «درخت طبقه بندی و رگرسیون» در نشریات گروه «فنی و مهندسی»-
نشریه مهندسی عمران و محیط زیست دانشگاه تبریز، سال پنجاه و یکم شماره 4 (پیاپی 105، زمستان 1400)، صص 81 -95
مدل سازی شدت تصادفات به منظور شناسایی پارامترهای موثر بر آن در راه های برون شهری و همچنین تحلیل مکانی تصادفات رخ داده می تواند موجبات کاهش تصادفات جاده ای یک محور برون شهری را فراهم آورد. هدف این تحقیق ارایه مدلی مبتنی بر سیستم های اطلاعات مکانی (GIS) و داده کاوی به روش درخت طبقه بندی و رگرسیون جهت تحلیل شدت تصادفات و تعیین عوامل موثر بر آن در راه های اصلی دوخطه برون شهری است. روش پیشنهادی در محور قدیم قزوین- لوشان مورد ارزیابی و آزمون قرار می گیرد. در این راستا به منظور بررسی توزیع مکانی تصادفات در محور مورد مطالعه طی دوره 6 ساله 1390 تا 1395 شمسی، از توابع خودهمبستگی مکانی گتیس- ارد جی استار (Getis-Ord Gi) و تراکم کرنل استفاده شده است. خروجی تحلیل های مکانی نشان داد، که تمرکز تصادفات در بخش اعظمی از قوس های افقی محور مورد مطالعه بیشتر می باشد. باتوجه به این دستاورد در فاز بعدی تحقیق به منظور بررسی عوامل موثر بر شدت تصادفات، از مدل داده کاوی درخت طبقه بندی و رگرسیون بر روی تصادفات رخ داده در کل محور و به طور خاص تصادفات رخ داده در قوس های افقی استفاده گردید. نتایج حاکی از آن بود که مهم ترین عوامل موثر بر افزایش شدت تصادفات در محور مورد مطالعه، دو متغیر نوع تصادفات و نحوه برخورد با ضرایب اهمیت متغیرهای مستقل به ترتیب 100 و 14/6 درصد برای کل محور و 100 و 22/8 درصد برای قوس های افقی هستند. بررسی اهمیت نسبی سایر متغیرهای مدل پیشنهادی نشان داد که نوع راه و توپوگرافی منطقه از جمله عوامل موثر در افزایش تصادفات با شدت خسارتی در محور قدیم قزوین- لوشان می باشد. علاوه بر این نتایج مدل سازی بر روی تصادفات رخ داده در قوس های افقی نیز حاکی از این بود که مقاطع دارای خط-کشی ممتد، بیش از سایر مقاطع، مستعد وقوع تصادفات فوتی و جرحی شدید هستند. این تحقیق نشان داد که تلفیق توابع مکانمند GIS با تحلیل های ناپارامتریک داده کاوی که قابلیت مدل سازی توامان داده های کمی و کیفی را هم زمان دارا می باشد، در تعیین عوامل موثر بر افزایش شدت تصادفات و تصمیم گیری به منظور ارتقاء سطح ایمنی در محورهای برون شهری کارا و موثر است.
کلید واژگان: شدت تصادفات, داده کاوی, تحلیل مکانی, درخت طبقه بندی و رگرسیون, قوس های افقیJournal of Civil and Environmental Engineering University of Tabriz, Volume:51 Issue: 4, 2022, PP 81 -95Identifying the effective parameters on the increase of the accidents severity in the two-lane highway and also the spatial analysis of the accidents occurring in them, could lead to the reduction of the road accidents of this road. Based on this, the present research in addition to identifying section with high crashes, it also identifies the factors affecting the severity of accidents.
Keywords: Accidents Severity, Data Mining, Spatial Analysis, Classification, Regression Tree, Horizontal Curves -
تحلیل مکانی تصادفات رخداده درراه های برونشهری باهدف شناسایی پارامترهای موثربرافزایش شدت تصادفات،میتواند درتصمیم گیری متخصصین ودست اندرکاران اصلاح و بهبود ایمنی راه ها بمنظور کاهش شدت تصادفات جادهای موثر باشد.هدف این تحقیق ارایه روشی جهت تحلیل شدت تصادفات و تعیین عوامل موثربرآن در آزادراه های برونشهری مبتنی بر توابع خوشه بندی مکانی ومدل دادهکاوی درخت طبقه بندی ورگرسیون است.روش پیشنهادی در آزادراه قزوین-لوشان مورد ارزیابی و آزمون قرار میگیرد. در این راستا به منظور بررسی توزیع مکانی تصادفات در محورموردمطالعه طی دوره 6 ساله 1390 تا 1395 شمسی، از توابع خودهمبستگی مکانی گتیس-اردجی استار و تراکم کرنل استفاده شده است.خروجی تحلیلهای مکانی نشان داد، که تمرکز تصادفات دربخش اعظمی ازقوسهای افقی محور مورد مطالعه بیشترمیباشد. باتوجه به این دستاورد درفازبعدی تحقیق به منظور بررسی عوامل موثر برشدت تصادفات،از مدل دادهکاوی درخت طبقه بندی ورگرسیون برروی تصادفات رخ داده در کل محور وبه طورخاص تصادفات رخداده در قوسهای افقی استفاده گردید.نتایج حاکی ازآن بود که مهمترین عوامل موثر برافزایش شدت تصادفات درمحورموردمطالعه،دو متغیر نوع تصادفات وعامل انسانی با ضرایب اهمیت نسبی متغیرهای مستقل به ترتیب 100 و 39/7درصدبرای کل محور و 100و 65/9درصد برای قوسهای افقی هستند.بررسی اهمیت نسبی سایر متغیرهای مدل پیشنهادی نیز نشان داد که طرح هندسی،نحوه برخورد و روزوقوع تصادف از جمله عوامل موثر در افزایش تصادفات باشدت خسارتی در آزادراه قزوین-لوشان میباشد.این تحقیق نشان داد که تلفیق توابع مکانمند GISبا تحلیلهای ناپارامتریک دادهکاوی مبتنی بردرخت تصمیم که قابلیت مدلسازی توامان داده های کمی و کیفی را همزمان دارا می باشد، در تعیین عوامل موثربرشدت تصادفات وتحلیل مکانمند الگوهای رایج تصادفات درمحورهای برونشهری کاراوموثر است.
کلید واژگان: ایمنی راه, شدت تصادفات, مدل خودهمبستگی مکانی گتیس-ارد جی استار, تابع مکانمند تراکم کرنل, درخت طبقه بندی و رگرسیونThe spatial analysis of accidents occurring in Highway with the aim of identifying theeffective parameters on the increase in the severity of accidents can be effective in decision making by professionals and decision makers to improve road safety in order to reduce the severity of road accidents.The purpose of this study is to provide a method for analyzing the severity of crashes and determining its effective factors in the freeways based on the spatial clustering functions and the data mining model of the regression tree.The proposedmethodis evaluated and tested on the Qazvin-Loshan freeway.In order to investigate the spatialdistributionofcrashes inthe axis of the study during the period of from2011to2016,the Geographic Information System’s spatial functions such as Getis-OrdG*Autocorrelation andkernel density functions have been Used.The preliminary results of spatial analysis showed that the focus of accidents in horizontal curves was greater.According to this achievement, in the next phase of the study, in order to study the factors affecting the severity of accidents, the Classification andRegressionTree was used on accidents occurringinthewholeaxisandspecifically in thehorizontal curveswith highcrashes.Thestudy of the relative importance of other variables in the proposed model shows that the geometric design,type of crashes and day of theaccident are the effective factors in increasing the accident severity at the Qazvin-Loshan Freeway.Inaddition,the results of modeling on horizontal curves crashes showed that the accident location,especiallytheshoulder,as well as the time of the accident,cause serious accidents.The results showedthattheintegrationofGISspatialfunctions withnon-parametricdecision-making tree-based datamining analysis,which is capable ofsimultaneous modelingofquantitativeandqualitativedata,is used to determine the factors affecting theseverityofaccidents andtospatial analyzethe patternsofaccidents usedinsuburbanarea,iseffective.
Keywords: Road Safety, Accidents Severity, Getis-Ord G* Autocorrelation, Kernel Density Spatial Function, Classification, Regression Tree -
به عنوان اولین هدف برای این مقاله، دو مدل از دو گروه مختلف از روش های داده کاوی یعنی مدلهای پارامتریک کلی، درخت طبقه بندی و رگرسیون و مدلهای غیر پارامتریک محلی، شبکه عصبی مصنوعی، برای مدلسازی تغییرات کاربری اراضی چندگانه مورد مقایسه قرار گرفت. منطقه مورد مطالعه شامل دو شهر ساری و قائم شهر است که در شمال ایران واقع شده اند. در این مطالعه تغییرات کاربری اراضی کشاورزی و شهری برای یک دوره 22 ساله بین سالهای 1992 تا 2014 مورد بررسی قرار گرفت. نتایج نشان داد که هر دو مدل روش هایی دقیقی برای مدلسازی تغییرات کاربری اراضی چندگانه می باشند. با وجود اینکه نتایج حاصل از درخت طبقه بندی و رگرسیون تفسیر پذیرتر هستند اما دقت شبکه عصبی مصنوعی بهتر از این مدل می باشد. در مطالعات قبلی علیرغم استفاده از درخت طبقه بندی و رگرسیون، تحلیل حساسیت و استخراج محرکان تغییرات کاربری اراضی مهم مورد توجه قرار نگرفته است. در حالیکه انجام این تحلیل، متغیرهایی که در تغییرات کاربری اراضی بی تاثیر هستند را از فرآیند مدلسازی حذف می نماید. لذا انجام تحلیل حساسیت با استفاده از شاخص اهمیت متغیرها به عنوان هدف دوم این مطالعه در نظر گرفته شد. در حالیکه شبکه عصبی مصنوعی به صورت یک جعبه سیاه در تحلیل حساسیت عمل نمود، درخت طبقه بندی و رگرسیون محرکان اصلی تغییر کاربری اراضی چندگانه را به سادگی شناسایی نمود. نتایج حاصل از این تحلیل نشان داد که فاصله از مناطق شهری و رودخانه مهمترین پارامترها در تغییرات کاربری اراضی می باشند. هدف سوم این مقاله مقایسه دو شاخص ارزیابی دقت، شاخص عامل نسبی و شاخص عامل کلی جهت ارزیابی درخت طبقه بندی و رگرسیون و شبکه عصبی مصنوعی می باشد. مساحت زیر نمودار شاخص عامل نسبی برای تغییرات کاربری های شهری و برای دو مدل شبکه عصبی مصنوعی و درخت تصمیم گیری به ترتیب برابر با 78% و 75% بدست آمد. همچنین مساحت زیر نمودار شاخص عامل نسبی برای تغییرات کاربری های کشاورزی برای دو مدل شبکه عصبی مصنوعی و درخت طبقه بندی و رگرسیون به ترتیب برابر با 72% و 65% بدست آمد. همچنین نتایج نشان داد که اگرچه نمودار شاخص عامل کلی و شاخص عامل نسبی خیلی شبیه به هم است، با این حال شاخص عامل کلی حاوی اطلاعات بیشتری نسبت به شاخص عامل نسبی است. نتایج حاصل از این مطالعه می تواند مدیران و تصمیم گیران محیط زیست را در حفظ منابع طبیعی و برنامه ریزی برای آینده با شناخت محرکان تغییر کاربری اراضی یاری کند.کلید واژگان: درخت طبقه بندی و رگرسیون, شبکه عصبی مصنوعی, شاخص اهمیت متغیرها, تغییرات کاربری اراضی چندگانه شاخص عامل نسبی, شاخص عامل کلیMost of the land use change modelers have used to model binary land use change rather than multiple land use changes. As a first objective of this study, we compared two well-known LUC models, called classification and regression tree (CART) and artificial neural network (ANN) from two groups of data mining tools, global parametric and local non-parametric models, to model multiple LUCs. The case study is located in the north of Iran including cities of Sari and QaemShahr. Urban and agricultural changes over a period of 22 years between 1992 and 2014 have been model. Results showed that CART and ANN were effective tools to model multiple LUCs. While it was easier to interpret the results of CART, ANN was more effective to model multiple LUCs. In earlier studies, despite using CART, the extraction of effective factors of LUCs using a precise index has not been considered efficiently. As a second objective, this study performed a sensitivity analysis using variable importance index to identify significant drivers of LUCs. While ANN was a black box for sensitivity analysis, CART identified significant delivers of LUCs easy. The results showed that the most important factors were distance from urban areas and rivers while aspect was the least effective factor. As a third or final objective of this study, the recently modified version of receiver operating characteristics (ROC) called total operating characteristic (TOC) as well as ROC were used for accuracy assessment of CART and ANN. The area under the ROC curves were 78% and 75% for urban changes for ANN and CART models, respectively. The area under the ROC curves were 72% and 65% for agricultural changes for ANN and CART models, respectively. We found that although TOC and ROC were similar to each other, TOC proved more informative than conventional ROC as a goodness-of-fit metric. The outcome of this study can assist planners and managers to provide sustainability in natural resources and in developing a better plan for future given the needs to understand those contributing factors in urban and agriculture changes.Keywords: Classification, Regression Tree, Artificial Neural Network, Variable Importance Index, Multiple Land Use Changes, Receiver Operating Characteristic, Total Operating Characteristics
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2025 magiran.com All Rights Reserved.