محمداشکان مصلحی

مقدمه: حوادث ترافیکی یکی از دلایل اصلی مرگ ومیر در سراسر جهان از جمله ایران محسوب می شود. عوامل متعددی در بروز حوادث ترافیکی نقش دارند که با استفاده از مدل های مختلف می توان این عوامل را شناسایی و بروز حوادث ترافیکی را پیش بینی کرد. هدف این مطالعه پیش بینی حوادث ترافیکی بر اساس وضعیت آب وهوا با استفاده از شبکه عصبی مصنوعی می باشد. روش ها: پژوهش حاضر به روش کمی بین سال های 1393 تا 1396 انجام شد که داده های ترافیکی طی با استفاده از شبکه پرسپترون چندلایه بررسی شد. متغیرهای ورودی شبکه شامل حداقل دما، میانگین دما، متوسط بارش، حداکثر سرعت باد، یخبندان، فشار هوا، غلظت مه و متغیر خروجی نیز تعداد تصادفات در محیط موردمطالعه بود. یافته ها: شبکه طراحی شده، با هفت نورون در لایه ورودی، چهار نورون در لایه میانی و یک نورون در لایه خروجی با تابع بهینه سازی لونبرگ-مارکواردت و تابع انتقال تانژانت سیگموئید در لایه میانی و تابع انتقال خطی در لایه خروجی به عنوان شبکه بهینه انتخاب شد. یافته ها نشان داد که شبکه طراحی شده با ضریب همبستگی (R= 0.90) و میانگین مربع خطا (MSE= 0.01) توانایی بالایی در پیش بینی حوادث ترافیکی دارد. نتیجه گیری: با توجه به اهمیت پیش بینی حوادث ترافیکی و نقش آن جهت ارتقای سلامت افراد جامعه، نتایج حاصل از این مطالعه می تواند جهت گسترش اقدامات پیشگیرانه مؤثرتر برای سیاست گذاران و محققان قابل استفاده باشد. با توجه به نتایج بدست آمده شبکه عصبی کارایی خوبی برای پیش بینی کوتاه مدت جریان ترافیک از خود نشان داده است.