بررسی کارایی مدل ماشین بردار پشتیبان در برآورد تصادفات ناشی خستگی و خواب آلودگی (مطالعه موردی: محور سمنان – شاهرود)
آرشیو
چکیده
خستگی و خواب آلودگی به عنوان عامل مهمی در تصادفات جاده ای در نظر گرفته می شود. سالانه تعداد کثیری از رانندگان وسایل نقلیه ی سنگین به علت خستگی و خواب آلودگی مصدوم و فوت می شوند و هزینه سنگینی در زمینه های مختلف به جامعه تحمیل می گردد. در این پژوهش به بررسی کارایی مدل ماشین بردار پشتیبان (SVM) در برآورد تصادفات ناشی از خستگی و خواب آلودگی محور سمنان – شاهرود پرداخته شد. داده های تصادف مورد مطالعه از سال 1395 الی 1401 می باشد. داده های ورودی به مدل شامل ماه، وضعیت روشنایی، ایام هفته، وضعیت جاده، وضعیت آب و هوا، نوع مسیله سواری، وضعیت ماشین، بسته بودن کمربند ایمنی، نوع صدمه وارد شده، جنسیت و میزان تحصیلات راننده در نظر گرفته شد. 70 درصد داده ها برای آموزش و 30 درصد دیگر برای آزمون مدل لحاظ شد. عملکرد مدل با معیارهای ارزیابی R2، RMSE و MAE ارزیابی شد. نتایج نشان داد که مدل SVM می تواند در شبیه سازی داده های تصادفات ناشی از خستگی و خواب آلودگی محور سمنان – شاهرود کارایی مناسبی داشته باشد. مقادیر R2، RMSE و MAE مدل در مرحله آزمون به ترتیب 9153/0 و 6745/2 و 8512/3حاصل شد که نشان از عملکرد خوب مدل را می دهد.Investigating the efficiency of the support vector machine model in estimating accidents caused by fatigue and drowsiness (case study: Semnan-Shahroud axis)
Fatigue and sleepiness are considered as important factors in road accidents. Every year, a large number of heavy vehicle drivers are injured and die due to fatigue and sleepiness, and a heavy cost is imposed on the society in various fields. In this research, the effectiveness of the Support Vector Machine (SVM) model in estimating accidents caused by fatigue and sleepiness on the Semnan-Shahroud axis was investigated. The studied accident data is from 1395 to 1401. The input data to the model included the month, lighting conditions, days of the week, road condition, weather conditions, type of riding, car condition, seat belt closure, type of injury, gender and education level of the driver. 70% of data was included for training and 30% for model testing. The performance of the model was evaluated with R2, RMSE and MAE evaluation criteria. The results showed that the SVM model can be effective in simulating the data of accidents caused by fatigue and sleepiness of the Semnan-Shahroud axis. The values of R2, RMSE and MAE of the model in the test stage were 0.9153, 2.6745 and 3.8512, respectively, which shows the good performance of the model.
تبلیغات
