استفاده از روش های یادگیری ماشین در پیش بینی شدت تصادفات جاده ای (مطالعه موردی: استان زنجان)

بیشترین سهم تصادفات در جهان مربوط به کشورهای با درآمد متوسط و پایین است. از طرفی، آمار مجروحین و فوتی ها در تصادفات ترافیکی ایران رو به افزایش است؛ که بیانگر لزوم توجه و تمرکز بیش از پیش بر تحلیل تصادفات ترافیکی و یافتن علل موثر بر شدت تصادفات به منظور ارتقاء ایمنی راه های کشور و کاهش پیامدهای ناشی از آن می باشد. در مطالعه ی حاضر سعی شده است مهم ترین عوامل موثر بر شدت تصادفات برون شهری استان زنجان با دو مدل ماشین بردار پشتیبان و درخت تصمیم شناسایی شوند. بدین منظور از 25 هزار داده های تصادفات استان طی 9 سال اخیر استفاده شده است. پس از فرآیند پاکسازی داده ها، مدل ها در محیط برنامه نویسی پایتون توسعه داده شدند. نتایج تحلیل ها نشان داد در مدل ماشین بردار پشتیبان، نحوه تصادف، نوع وسیله و کیلومتر وقوع تصادف، و در مدل درخت تصمیم نحوه تصادف، نوع وسیله مقصر و کیلومتر وقوع تصادف به ترتیب سه متغیر دارای اهمیت برای پیش بینی شدت این تصادفات هستند. هم چنین بطور کلی درخت تصمیم قدرت پیش بینی بیش تری دارد و دقت این مدل در جراحات شدیدتر بیش تر از ماشین بردار پشتیبان می باشد.