استفاده از رویکرد مبتنی بر پیش بینی مالی واقتصاد سنجی نرم برای آینده پژوهی رفتار سیستم ها

محورهای موضوعی : آینده پژوهی

نبی امیدی ¹ (استادیار، گروه مدیریت ،دانشگاه پیام نور، تهران، ایران)

تاریخ دریافت : 1398/04/01 تاریخ پذیرش : 1402/09/16 تاریخ انتشار : 1402/09/01

کلید واژه: اقتصاد سنجی, مهندسی مالی, روش های پیش بینی,

چکیده مقاله :

امروزه از روش های پیش بینی مبتنی بر اقتصاد سنجی نرم و همچنین روش های پیش بینی مالی در سیستم های مختلفی مورد استفاده قرار می گیرد، یکی از جنبه های استفاده از روش های پیش بینی ، استفاده از آن برای پیش بینی رفتار سیستم های جمل و نقل است. در این تحقیق با استفاده از آمار مصدومان ترافیکی ارجاعی به پزشکی قانونی استان گلستان بین فروردین 1374 تا اسفند 1401 که در استان گلستان به پزشکی قانونی ارجاع شده اند و با استفاده از شبکه عصبی مصنوعی که یکی از پیشرفته ترین روش ها پیش بینی و آینده پژوهی در حوزه سیستم های سلامت است، به پیش بینی تعداد مصدومین برای 12 ماهه منتهی به سال 1402 پرداخته شده است. و همچنین دقت این روش با استفاده از میانگین درصد قدر مطلق خطا مورد سنجش قرار گرفته است. نتایج تحقیق نشان داد که شبکه عصبی مصنوعی با 12 ورودی یک خروجی و 5 لایه پنهان مناسب برای پیش بینی مصدومین ارجاعی به پزشکی قانونیگلستان می باشد، مقادیر پیش بینی شده نشان داد تعداد مصدومان ترافیکی در استان گلستان در حال افزایش است.با توجه به دقت بالا شبکه عصبی مصوعی در این تحقیق می توان این روش را به عنوان مبایی برای آینده پژوهی در تصادفات قرار داد. روند صعودی تعداد مصدومان ترافیکی استان گلستان نشان از لزوم باز بینی تصمیم گیری ها در حوزه حمل و نقل در این استان حکایت دارد.

چکیده انگلیسی:

Today, forecasting methods based on soft econometrics as well as financial forecasting methods are used in various systems, one of the aspects of using forecasting methods is to use it to predict the behavior of general systems and It is a quote. In this research, using the statistics of traffic injuries referred to forensic medicine in Golestan province between April 1374 and March 1401, which were referred to forensic medicine in Golestan province, and using artificial neural network, which is one of the most advanced methods of forecasting and future research In the field of health systems, the number of injured people has been predicted for the 12 months ending in 1402. Also, the accuracy of this method has been measured using the average percentage of the absolute value of the error. The results of the research showed that the artificial neural network with 12 inputs, one output and 5 hidden layers is suitable for predicting the injured referred to Golestan forensic medicine,. The predicted values showed that the number of traffic injuries in Golestan province is increasing. Due to the high accuracy of the neural network in this research, this method can be used as a basis for future research in accidents. The upward trend in the number of traffic injuries in Golestan province indicates the need to review decisions in the field of transportation in this province.

متن کامل:



استفاده از رویکرد  مبتنی بر پیش بینی  مالی و اقتصاد سنجی نرم جهت  آینده پژوهی رفتار سیستم ها

 

چکیده

امروزه از روش های پیش بینی مبتنی بر اقتصاد سنجی نرم و همچنین روش های پیش بینی مالی در سیستم های مختلفی مورد استفاده قرار می گیرد، یکی از جنبه های استفاده از روش های پیش بینی ، استفاده از آن برای پیش بینی رفتار سیستم های جمل و نقل است. در این تحقیق با استفاده از آمار مصدومان ترافیکی ارجاعی به پزشکی قانونی استان گلستان بین فروردین 1374 تا اسفند 1401 که در استان گلستان به پزشکی قانونی ارجاع شده اند و با استفاده از شبکه عصبی مصنوعی که یکی از پیشرفته ترین روش ها پیش بینی و آینده پژوهی در حوزه سیستم های سلامت است، به پیش بینی تعداد مصدومین برای 12 ماهه منتهی به سال 1402 پرداخته شده است. و همچنین دقت این روش با استفاده از میانگین درصد قدر مطلق خطا مورد سنجش قرار گرفته است. نتایج تحقیق نشان داد که شبکه عصبی مصنوعی با 12 ورودی یک خروجی و 5 لایه پنهان مناسب برای پیش بینی مصدومین ارجاعی به پزشکی قانونیگلستان می باشد، شبکه عصبی مصنوعی با شرط توقف 60000 هزار تکرار و رسیدن به دقت قابل قبول شروع به یادگیری کرد و توانست که با دقت 91 درصد و خطای 9 درصد مقادیر 12 ماهه مصدومان گلستان در سال 1402 را به خوبی پیش بینی کند. مقادیر پیش بینی شده نشان داد تعداد مصدومان ترافیکی در استان گلستان در حال  افزایش  است.با توجه به دقت بالا شبکه عصبی مصوعی  در این تحقیق می توان این روش را به عنوان مبایی برای آینده پژوهی در تصادفات قرار داد. روند صعودی  تعداد مصدومان ترافیکی استان گلستان نشان از لزوم باز بینی تصمیم گیری ها در حوزه حمل و نقل در این استان حکایت دارد.

 

واژگان کلیدی: روش های پیش بینی، اقتصاد سنجی، مهندسی مالی

 

 

 

 

 

 

 

 

مقدمه

افزایش روز افزون وسایل نقلیه و استفاده کنندگان از راه‌های ارتباطی از جمله مسائل مهم و گسترده‌ای است که ابعاد متنوع و پیچیده ای را شامل می‌شود (Kurakina, Evtiukov, & Rajczyk, 2018)  در حال حاضر در کلیه جوامع اعم از مترقی و رو به رشد، بر تهیه آمار دقیق و صحیح بسیار تاکید می‌شود، زیرا نتایج پیش بینی آماری را می‌توان بعنوان ابزاری قوی برای اتخاذ تصمیم گیری‌های مناسب و تخصیص درست منابع در نظر گرفت(Fountas, Anastasopoulos, & Mannering, 2018) حوادث ترافیک جاده ای یک مشکل جدید بهداشت عمومی در سراسر جهان است به گونه ای که ﺗﺼﺎدﻓﺎت راﻧﻨﺪﮔﯽ یکی از ﻣﻬﻢﺗﺮﯾﻦ دﻟﯿﻞ ﻣﺮگ، ﻧﺎﺗﻮاﻧﯽ و ﺑﺴﺘﺮي در ﺑﯿﻤﺎرﺳﺘﺎن را ﺗﺸﮑﯿﻞ ﻣﯽدﻫﻨﺪ ﮐﻪ ﻋﻮارض اﻗﺘﺼﺎدي و اجتماعی ﭼﺸﻤﮕﯿﺮي ﺑﻪ دﻧﺒﺎل دارﻧﺪ.پیش بینی ﻣﯽﺷﻮد در ﺳﺎلﻫﺎي آﯾﻨﺪه، ﺗﺼﺎدﻓﺎت و ﺣﻮادث راﻧﻨﺪﮔﯽ ﺑﻪ دوﻣﯿﻦ ﻋﺎﻣﻞ اﺻﻠﯽ ﻣﺮگ و ﻣﯿﺮ در ﮐﺸﻮرﻫﺎي ﭘﺮ درآﻣﺪ و ﺑﺎ درآﻣﺪ ﻣﺘﻮﺳﻂ ﺗﺒﺪﯾﻞ ﺷﻮد(Grant, Salmon, Stevens, Goode, & Read, 2018)) پژوهش‌های نشان می‌دهد ، تا سال 2020 ﺗﻌﺪاد ﻣﺮگ و ﻣﯿﺮ ﻧﺎﺷﯽ از ﺗﺼﺎدﻓﺎت رانندگی به بیش از2 ﻣﯿﻠﯿﻮن ﻧﻔﺮ دردﻧﯿﺎ ﺧﻮاﻫﺪ رﺳﯿﺪ که ﺑﺨﺶ ﻗﺎﺑﻞ ﺗﻮﺟﻬﯽ از آن ﻣﺮﺑﻮط ﺑﻪ ﮐﺸﻮرﻫﺎي در ﺣﺎل ﺗﻮﺳﻌﻪ اﺳﺖ ﺑﻪ ﮔﺰارش ﺳﺎزﻣﺎن ﺑﻬﺪاﺷﺖ ﺟﻬﺎﻧﯽ،در ﺻﻮرت ﻋﺪم اﻧﺠﺎم اﻗﺪاﻣﺎت ﭘﯿﺸﮕﯿﺮاﻧﻪ در ﺧﺼﻮص ﮐﺎﻫﺶ روﻧﺪ ﻓﻌﻠﯽ ﺗﺼﺎدﻓﺎت، ﺳﻬﻢ ﺗﺼﺎدﻓﺎت راﻧﻨﺪﮔﯽ از ﻣﺮگ و ﻣﯿﺮ به بیش از 67% افزایش خواهد یافت((Fountas & Anastasopoulos, 2018)( امروزه ایمنی در حمل و نقل جاده ای در زمره مهم ترین نگرانی‌های جامعه جهانی قرار دارد،. همه ساله هزینه‌های بسیاری برای کاهش تصادفات و همچنین کاهش مرگ و میر ناشی از این تصادفات در کشورهای مختلف صرف می‌شود. در کشور ایران نیز با افزایش تعداد وسایل نقلیه و عدم توجه رانندگان این وسایل به مقررات ایمنی راه، بر تعداد و شدت تصادفات ترافیکی افزوده شده است((Tabrizi et al., 2017))، تصادف علاوه بر کاهش ایمنی، هزینه گزافی را به جامعه وارد می‌کند، خسارت‌های مالی و جانی، ایجاد تاخیر در جریان ترافیک و کاهش سرعت رفت و آمد از جمله تاثیراتی است که وقوع تصادف بر جامعه تحمیل می‌کند، که خود باعث کاهش سرمایه‌های ملی می‌شود. یکی از مهم ترین عوامل در کنترل زیر ساخت‌های حمل و نقل وقوع تصادف به عنوان پدیده ای مخرب است. بکارگیری راهکارهای کاهش تصادفات و تلفات جاده ای مستلزم تجزیه و تحلیل تصادفات با استفاده از مدل‌های پیش بینی و تاثیر پارامترهای گوناگون در وقوع آن‌ها و تلاش در جهت بهبود وضعیت ایمنی ترافیک است (Mannering, 2018)). مدل‌های پیش بینی کاربرد زیادی در تحلیل ایمنی راه‌ها دارد و امروزه به طور وسیعی در شناسایی فاکتورهای موثر بر ایمنی راه ها، شناسایی و اولویت بندی مکان‌های حادثه خیز راه‌ها، ارزیابی عملکرد ایمنی شبکه حمل و نقل، ارزیابی ایمنی پروژه‌های منتج از برنامه‌ریزی‌های کلان حمل و نقل و تعیین شاخص ریسک برای تعیین ایمن ترین مسیر در سیستم دینامکی راه‌ها مورد استفاده قرار میگیرد( (Mehdizadeh, Shariat-Mohaymany, & Nordfjaern, 2018)( روش‌های مختلفی برای پيش بيني تصادفات توسط پژوهشگران استفاده شده است، مانند روش‌هاي سری زمانی، روش‌های خاکستری، روش‌های پیش بینی هالت وینترز، تحليل چندمتغيره، روش‌هاي بيز تجربي، روش‌هاي شبكه عصبي مصنوعي و روش‌هاي برپايه منطق فازي، تمامی این روش‌ها نیازمند جمع آوری داده‌های کافی برای ارضای محدودیت‌های خود هستند. پیش بینی تعداد تصادفات نه تنها برای دولت‌ها بلکه برای شرکت‌های و سازمان‌ها بسیار مهم و حیاتی است (Mohammadzadeh Moghaddam, Tabibi, Sadeghi, Ayati, & Ghotbi Ravandi, 2017).

اهمیت و ضرورت تحقیق

حمل و نقل حلقه اتصال صنایع مختلف می‌باشد و همواره باید مورد توجه قرار گیرد. بدون تردید شکل گرفتن سیستم نظارتی کافی و مدرن در شبکه‌های حمل و نقل در یک کشور و افزایش امنیت ترافیکی سطح زندگی عموم را بالا می‌برد و در امتداد آن تولید نیز افزایش پیدا میکند. همانطور که واضح است تقریبا در تمام کشورهاي دنیا نجات جان انسانها و محافظت از جان آنها جزء مهمترین و اولین عاملی است که در راس همه امور واقع شده و توجه تصمیم گیران حوزه حمل و نقل را به خود جلب کرده است((Sadeghniiat-Haghighi, Yazdi, Moradinia, Aminian, & Esmaili, 2015)( بنابراین توجه به کاهش آمار تصادفات و همچنین کاهش شدت تصادفات نیز مورد نظر مسولین کشورها بوده و برنامه ریزي‌ها و اولویت بندي آنها نیز در همین راستا می‌باشد، بنابراین وضعیت موجود در مورد میزان قابل توجه تصادفات ناشی از خروج وسیله نقلیه از جاده در کشور، اهمیت تحقیق بیشتر در زمینه کاهش تصادفات را مشخص می‌کند. آمارها نشان می‌دهد در دنیا به ازای هر 10 هزار خودرو 9 نفر کشته می‌شوند، در حالی که در ایران به ازای این تعداد خودرو، 37 تن جان خود را از دست می‌دهند((Ahmadabadi & Heravi, 2019)( اگر میانگین 23 تا 27 هزار کشته در حوادث ترافیکی در طول سال را همراه با میانگین 250 هزار زخمی این حوادث در نظر گرفته شود، گویی هر ساله در ایران زلزله بزرگ با این مقدار کشته و زخمی اتفاق می‌افتد، با توجه به این آمار وضعیت نامناسب حوادث جاده ای در کشور باعث شده است که بانک جهانی در بررسی و مطالعات خود، وضعیت حوادث ترافیکی جاده ای ایران را بحرانی عنوان کند و بر اساس اعلام پژوهشکده بیمه مرکزی ایران، کشور ما از نظر تصادفات نا ایمن رانندگی در بین 190 کشور جهان رتبه 189 را به خود اختصاص داده، در مقایسه با برخی از کشورهای آسیایی می‌توان گفت میزان تلفات تصادفات رانندگی 25 برابر ژاپن و 2 برابر ترکیه است((Omidi & Omidi, 2018)( بر اساس آمارهای موجود، خودروهای سبک و سنگین در ایران تا 100 برابر بیش تر از برخی از کشورهای دنیا با یکدیگر برخورد می‌کنند، به عنوان مثال در انگلستان با وجود اینکه تا سه برابر بیشتر از ایران خودرو وجود دارد، میزان بروز تصادفات 32 برابر کمتر است(Khanke & Maleknia, 2014)( در مجموع علل حوادث رانندگی و جاده ای به سه عامل بر میگردد که به عنوان وقوع حوادث به حساب می‌آیند، انسان، راه و وسیله نقلیه(Ebrahimi, Sadeghi, Azami, & Bazghaleh, 2016)( مهمترین عامل تاثیر گذار در بروز حوادث رانندگی که در تحقیقات مختلف به آن پرداخته شده، عامل انسانی است که درصد بالایی از تصادفات به این عامل برمیگردد. یکی از عوامل تاثیر گذار بر کاهش تصادفات از نظر عوامل انسانی ، بهبود نظارت بر رانندگان است ، که این امر در کشور بر عهده پلیس راهور است، منابع نظارتی پلیس راهور می‌تواند با بهبود کنترل بر رانندگان و همچنین وضع قوانین مناسب و آموزش به رانندگان تعداد تصادفات را کاهش دهد. پیش بینی ابزار مناسب برای اطلاع از آینده و تصویری از وقوع و روند حوادث ترافیکی ارائه می‌دهد که میتواند به عنوان پایه ای برای تصمیم گیری در حوزه حوادث ترافیکی منجر شود(Omidi & Omidi, 2018)( وجود این ضرورت‌ها باعث گردید که در این تحقیق به پیش بینی میزان مصدومان حوادث ترافیکی با استفاده از شبکه عصبی مصنوعی پرداخته شود.

وضعیت حوادث ترافیکی در ایران

گزارش‌ها نشان ميدهند كه 5/13درصد از عمر از دست رفته در ايران نتيجه حوادث ترافيكي است كه اين نسبت نيزدر مقايسه با جهان و منطقه از رقم بالائي برخوردار است (.Mehdizadeh, 2018) اين افزايش به خصوص در زمينه دو نسبت مزبور ناشي از بالا بودن ميزان بروز حوادث ترافيكي در ايران و جوان تر بودن جمعيت در مقايسه با جهان ومنطقه است. آنچه كه مشخص است همه اين واقعيت‌ها نشان از جايگاه ويژه اين مشكل بهداشتي در جهان و ايران دارد. در كشور ما به ويژه اين مساله به صورت يك معضل و مشكل ويژة بهداشت و سلامت جامعه درآمده است به صورتيكه از نظر سازمان جهاني بهداشت، ايران به لحاظ سوانح جاده اي و ترافيكي به عنوان يكي از كشورهايي كه داراي بيشترين موارد تصادف و مرگ و مير است، معرفي شده است(Bakhtiyari, 2012: 9) باتوجه به مطالب ذكر شده، مشخص است كه نمود اين مشكل در عرصه بهداشت و سلامت در ايران يك حقيقت انكارناپذير بوده و زنگ خطري براي مسئولين ذيربط ميباشد. لذا با توجه به آمارها و گزارشات تلفات ترافيكي ضروري است كهدرزمينه‌هاي مختلف مثل تحقيقات، آموزش، نظارت و غيره به منظور كاهش چنين خطراتي اقدامات لازم صورت گيرد. آنچه كه مشخص است در ايران در خصوص تصادفات جادهاي و پيشگيري از آنها سازمانها ونهادهاي مختلفي فعاليت ميكنند كه از آن جمله مي‌توان به نيروي انتظامي، سازمان پزشكي قانوني، وزارت بهداشت و درمان و آموزش پزشكي، وزارت راه و شهرسازي، سازمان پايانه‌هاي كشور وغيره اشاره كرد. اما اينكه اين نهادها در انجام رسالت خود چقدر موفق بودهاند و يا اينكه آيا اصولاً به اصل هماهنگي بين بخشي كه يكي از راهكارهاي اساسي ارتقاء سلامت است توجه شده است، جاي بحث و تامل دارد. پر واضح است با تمام تلاشهاي انجام شده كه بيش ترين بار مسئوليت و فعاليتها هم در اين زمينه بر عهده نيروي انتظامي بوده است، باز هم آمار و ارقام موجود حكايت از فراواني حادثه و مرگ و ميردر اثر حوادث رانندگي درون شهري و جاده اي دارد. حوادث ترافیکی باعث افزايش هزينه‌هاي مستقيم مثل هزينه‌هاي درماني ناشي از آن، مراقبت از معلولين حادثه و هزينه‌هاي غيرمستقيم مثل ايجاد مشكلات رواني وافسردگي در افراد و خانواده‌هاي آنها، هزينه‌هاي از دست دادن نيروي كار فعال دائم يا موقت ميشود و به لحاظ اجتماعي، رواني و اقتصادي تبعات منفي برجاي ميگذارد و همه اين موارد باعث اخلال در بهداشت و سلامت عمومي مي‌گردد(Mohammadzadeh Moghaddam, 2017: 8) در كشورمان در سالهاي اخير و به ويژه در يك ده ه گذشته به علت افزايش توليد اتومبيل، بار ترافيكي معابردرون شهري و برون شهري به طور چشمگيري روند افزايشي داشته است. در حاليكه معابر موجود از نظر كمي و كيفي متناسب با روند افزايش توليد اتومبيل توسعه داده نشده است. از طرفي ديگرفرهنگ ترافيك در كشورمان داراي اشكالات فراواني است و بسياري از رانندگان هنوز به مقررات راهنمائي و رانندگي احترام نمي گذارند. مطالعه روند اين نوع حوادث در طي سالهاي اخير مي‌تواند به روشن شدن بيشتر اين مسئله كمك كند برهمين اساس مطالعه حاضر با هدف تعيين روند بروز يا به عبارتي تعيين سيماي اپيدميولوژيك جراحات ناشي از حوادث ترافيكي طراحي واجرا شد.

 

مرور ادبیات و پیشینه تحقیق

در سال‌هاي اخير، مطالعات گسترده اي در خصوص مدل سازي تصادفات و بررسي ارتباط بينرخدادهاي تصادفات در انواع راه‌هاي درون شهري و برون شهري با پارامترهاي جريان ترافيك، مشخصات طرح هندسي، شرايط محيطي و شرايط روسازي راه انجام يافته است. علاوه بر اين، در اين مطالعات توجه كمتري به بزرگراه‌هاي درون شهري شده است  (Kurakina et al., 2018) به هر حال محققين واقف هستند كه ارائه مدل‌هاي مطلوب و مطمئن تصادف، كاري دشواراست. ارائه مدل‌هاي مطمئن پيش بيني تصادف با نوعي از داده‌ها كه عموماً توسط مدل‌هاي پيش بيني سفر توليد مي‌شوند، جهت كاربرد در طرح ريزي‌هاي بلندمدت در نواحي شهري امري ساده نيست، زيرا رسيدن به اطمينان بالاي آماري با اين متغيرها كه منحصر به محل نيستند، امري پيچيده است. تشخيص مشكلات طراحان ممكن است جهت تركيب دستاوردهاي كيفي و كمي به كار بسته شود. دستاورد كمي، احتمالاً بر مبناي نرخ‌هاي كلي و تجمعي تصادف جهت كلاس‌هاي متفاوت بزرگراه‌ها وتقاطع‌هاي همسطح مي‌باشد و نيز شمار تصادفات مبني بر اين نرخ‌ها براي آلترناتيوهاي مختلف بايد به كار بسته شود((Zhanli, 2012) ممكن است در راستاي اين هدف، مدل‌هاي رياضي ارائه مي‌شوند كه پيش بيني‌هاي مستدلي دارند. اخيراً تحقيقات قابل ملاحظه اي جهت برقراري روابط بين تصادفات با جريان ترافيك، مشخصات زيرساخت‌هاي طرح هندسي و نيز فاكتورهاي زيست محيطي براي بسياري از زيرساخت‌هاي شبكه حمل و نقل انجام يافته است. در اين راستا و جهت بررسي علمي تصادفات و كاهش برنامه ريزي شده آمارتلفات جاني و مالي ناشي از اين رخداد خطرناك، محققان دست به ارائه مدل‌هاي پيش بيني تصادفاتزده اند و اين راهكار حساب شده علمي را به بسياري از حوزه‌هاي شبكه حمل و نقل كه با اين معضلدست و پنحه نرم مي‌كنند تعميم داده‌اند(Zhan-li & Jin-hua, 2011)(  

به طور كل، بيشترين حوزه‌هاي شبكه حمل و نقل كه مدل‌هاي پيش بيني تصادفات در شکل2-1 نشان داده شده است.

 

 

 

شکل 1. مهم ترين حوزه‌هاي به كارگيري مدل‌هاي پيش بيني تصادفات بر اساس زيرساخت ها

 

صدمات ناشی از تصادفات فقط یک موضوع ساده مربوط به حمل و نقل نیست، بلکه دغدغه اصلی بسیاری از نهادها و سازمان‌های مسئول تامین سلامت جامعه می‌باشد. صدمات و ضایعات ناشی از تصادفات جاده ای از بعد سلامت و بهداشت یک پدیده خطرناک ضد سلامت، از نظر اجتماعی یک پدیده خطرناک برای خانواده ها، از لحاظ سیاسی یک پدیده خطرناک برای اعتبار کشورهای سیاسی بحران زده و از بعد اقتصادی یک پدیده خطرناک نابود کننده منابع اقتصادی بسیار کمیاب، از جمله منابع انسانی می‌باشد. معمولا در ادبیات تحقیق، تصادفات جاده ای را در زمره آلودگی‌های زیست محیطی قرار می‌دهند.  

پیوتر و همکاران ( 2023) از روش شبکه عصبی مصنوعی برای پیش بینی نرخ حوادث ترافیکی در کشور لهستان استفاده کرد که نتایج تحیق آنان نشان داد شبکه عصبی مصنوعی دارای قدرت مناسبی در پیش بینی حوادث ترافیکی است(Gorzelanczyk, 2023). گاترا ( 2023) به تلفیق روش ها مبتنی بر اقتصاد سنجی با روش های شبکه عصبی مصنوعی برای پیش بینی میزان و نرخ حوادث ترافیکی پرداخت، نتایج تحقیق آنان نشان داد که استفاده از روش ترکیبی دارای مزیت های بیشتری نسبت به استفاده تکی از روش های حمل و نقل است(Gatera, Kuradusenge, Bajpai, Mikeka, & Shrivastava, 2023). چان و همکاران ( 2023) با توسعه ماشین های یادگیری و تلفیق آن با روش های آماری به این نتیجه رسیدند که استفاده از روش تلفیقی روش های آماری و روش های مبتنی بر یادگیری ماشینی تاثیر مناسبی بر بهبود دقت روش های پیش بینی دارد(Nguyen & Diab, 2023).  امیدی و همکاران (1395) با استفاده از مدل‌هاي اقتصادسنجي خودرگرسيوني به پيش بيني تعداد مصدومان و كشته شدگان برون شهري تصادفات استان اصفهان پردختند، آمار مورد استفاده در تحقیق آنان ، سري زماني تعداد تلفات و مصدومان تصادفات برون شهري استان اصفهان بين فروردين 1388 تا آذر 1394 بود. نتايج تحقیق آنان نشان داد كه تعداد كشته شدگان برون شهري و مصدومان بر اثر تصادفات استان اصفهان به ترتيب داراي مدل‌هاي سري  زماني ARIMA(3,1,4) ،,1,2) ARIMA(3 هستند. هم چنین تعداد كشته شدگان در حال كاهش و تعداد مصدومان با شيب كم در حال افزايش است كه نشان دهنده كاهش شدت تصادفات در اين استان است (امیدی, امیدی, عسگری, & مفتاحی, 1395). در هر يك از اين حوزه‌هاي نامبرده، تحقيقات قابل ملاحظه اي انجام يافته است. بديهي است محققان و موسسات تحقيقاتي و نيز دانشگاه‌ها هر يك به بررسي اين مهم از دريچه اي خاص با متغيرهاو عوامل دخيل مربوط به آن موضوع و گاهي هم با روش‌هاي مشابه به پژوهش در اين حوزه‌هاي تصادف خيز پرداخته اند.

بالغ بر بيست سال است كه شبكه عصبي مصنوعي يك ابزار عمومي عددي شناخته شده است كه كاربردهاي مختلفي دارد. مك كلاك و و پيتز كليات مدل ANN را در سال 1943 براي حل مسأله اي عددي به طريقي كه مغز انسان آن را حل مي‌كند، ارائه كردند. مقاله آنها نتايج چشمگيري را نشان داد كه با يك تركيب مناسب از واحدهاي پردازشي ساده مدل ANN قادر به محاسبه هر تابع قابل محاسبه مي‌باشد (Tan et al., 2018)(. با اين ادعا روشهاي استفاده از شبكه عصبي شروع شده و رو به پيشرفت، حركت كرد.

براي اينكه بدانيم ANN چگونه شناخته شده است، ابتدا مقدمه اي بر مغز انسان داريم. مغز بيولوژيكي يك پردازنده قدرتمند مي‌باشد كه توانائي انجام كارهاي فيزيكي مانند تشخيص الگو را در زمان بسيار كوتاهي دارد. مطالعه علم اعصاب براي مغز انسان نشان مي‌دهد كه اين عملكرد قدرتمند از يك سري اجزاي پايه اي به نام نرون شروع مي‌شود كه هر كدام از آنها به نرون ديگر با يك ارتباط پيچيده وصل مي‌باشند(Sivaneasan, Yu, & Goh, 2017) شكل 2-2 اجراء پايه اي يك نرون را نشان مي‌دهد كه عبارتند از دندریت، بدنه سلول، آكسون و سيناپس. اطلاعات از منبع خارجي به نرون از طريق دندريت وارد مي‌شوند. اين اطلاعات به وسيله يك جزء ديگري به نام سيناپس وزن دهي مي‌شوند. سيناپس داراي يك تابع است تا پتانسيل الكتريكي را به سيگنال شيميايي جهت تحريك و يا سكون هر ورودي، تبديل كند. سپس ديگر عضوي كه بدنه سلول نام دارد ورودي‌ها را تركيب كرده و يك خروجي را آتش (فعال) مي‌كند، البته به شرطي كه سطح ورودي تركيبي بزرگتر و يا مساوي مقدار معين آستانه باشد. آكسون كه همانند يك مسير انتقال عمل مي‌كند، در نهايت خروجي پردازش شده را به واحد ديگر مي‌فرستد( Dzalbs & Kalganova, 2018)

 

 

 

 

 

 

 

 

شکل2. ساختار سلولی مغز انسان

شبكه عصبي مي‌تواند همانند يك ساختار با اتصالات موازي و پيچيده و بسيار زياد ديده شود كه با پردازشهاي ساده و بسيار زياد همراه است وكوچكترين عضو آن به عنوان نرون شناخته شده است. هر نرون براي پردازش اطلاعات شبيه مغز بيولوژيكي ساخته و طراحي شده است تا كار خاصي را انجام دهد. عموماً اتصالات به صورت لايه اي مي‌باشد تا ساختار شبيه مغز انسان باشد. اتصالات ميان نرونها بهوسيله خطوطي انجام مي‌شود كه وزنهاي سيناپسي ناميده مي‌شود.

ANN را عموماً با نامهاي مختلفي مي‌خوانند، مانند ماشين الگوريتم يادگيري، سيستم هوش عصبي، محاسبات عصبي و پردازش توزيع شده موازي. انواع مختلفي از شبكه‌هاي عصبي وجود دارد Panigrahi & Behera, 2017)) شكل 3 طبقه بندي مدلهاي ANN را درحالت كلي نشان مي‌دهد.

 

 

 

شکل3. طبقه بندی مدل های ANN

همتراز با ساختار مغز انساني، ANN‌ها به طور قابل ملاحظه اي توجهات را به سمت خود به عنوان يك ماشين منطبق كننده همراه با توانائي ذخيره دانسته‌ها در ميان پروسه يادگيري جلب كرده اند. روش سنتي براي حل مسائل رياضي نياز به محاسباتي بر اساس قوانين از قبل تعريف شده و يا معادلات فرضي دارد. در بعضي حالتها هم اين قوانين قادر به فرموله كردن يا تعيين رابطه ميان ورودي- خروجي نيستند و يا خيلي مشكل بدست مي‌آيند اما ANN مدل عامي است كه براي حل اين مسائل به كار مي‌رود(Amber et al., 2018)(.

ANN مي‌تواند به طور هوشمندانه اي ارتباط ميان متغيرهاي مستقل در داده‌هاي آموزشي را در طول فرايند آموزش كشف كند. مدل ANN همچنين قادر به تأثير گذاشتن بر روي ديگر مشخصات آشكار مدل همانند تلرورانس خطا،زمان بدست آوردن رابطه ورودي خروجي و... است(Prasad, Deo, Li, & Maraseni, 2017)(

كاربرد موفقANN در موارد مختلف به كرات ديده شده است. اغلب كاربردهايANN در موارد پيش بيني و تخمين تابع مي‌باشد. پيش بيني كوتاه مدت قيمت مثالي از اين كاربردها مي‌باشد كه در آن تخمين يك تابع غيرخطي انجام مي‌شود. شبکه عصبی مصنوعی به طور ويژه در بازشناسي الگو به كار مي‌رود. تحقيقات فراواني همراه با كاربرد بر روي تعريف نوشتن دستي براي كساني كه كَر و لال مي‌باشند، انجام گرفته شده است. از ديگر دامنه كاري ANN مي‌توان به رباتيك، تشخيص گفتار، پردازش سيگنال، بهينه سازي و سيستم كنترل، اشاره كرد.

 

ساختار شبکه عصبی مصنوعی برای پیش بینی   مصدومان حوادث ترافیکی در گلستان

در شبكه MLP، نرونها به صورت لايه‌هاي پي در پي سازمان دهي شده اند. اولين لايه، لايه ورودي نام دارد كه شامل تعداد نرونهايي است كه ورودي را از جهان واقعي دريافت مي‌كند. آخرين لايه، لايه خروجي است كه خروجي سيستم را فراهم مي‌كند. لايه‌هاي ميان اين دو، لايه‌هاي پنهان ناميده مي‌شوند. لايه‌هاي پنهان از يكي بيشتر هم مي‌توانند باشند. لايه‌هاي پنهان توانايي شبكه را براي استخراج اطلاعات مفيد از داده‌هاي ورودي و برگرداندن آنها به خروجي هدف، نشان مي‌دهد.

براي يك شبكه تغذيه مستقيم¹ اتصالات ميان نرونهاي ورودي و خروجي غير مستقيم مي‌باشد بدين معني كه نرونهاي ورودي به طور مستقيم به خروجي‌ها ارتباط ندارند بلكه ارتباط آنها از طريق نرونهاي لايه پنهان صورت گرفته است و نرونها هيچ اتصال برگشتي ندارند(Gao et al., 2019) سيگنالهاي ورودي وزن داده شده هر نرون در لايه نخست، خروجي خود را از طريق تركيب خطي وزنهاي سيگنال ورودي با تابع فعال سازي، فراهم مي‌كند. خروجي به عنوان يك ورودي به طور مستقيم به لايه پنهان انتقال داده مي‌شود واين امر به صورت پي در پي تكرار مي‌شود تا اينكه به آخرين لايه برسد وخروجي لاية خروجي ايجاد شود. يك ساختار پايه اي از شبكه MLP همراه با يك لايه پنهان در شكل 4 نشان داده شده است. عملكرد MLP همانند يك تابع نگاشت است كه فضاي ورودي را به فضاي خروجي مي‌نگارد كه البته ابعاد ورودي وخروجي با هم فرق مي‌كند. لزومي ندارد كه تعداد نرونهاي ورودي با خروجي برابر باشد. شبكه نشان داده شده در شكل (2-4) داراي N ورودي وL خروجي است. ارتباط ميان ورودي‌ها و خروجي‌ها به وسيلة وزن‌هاي سيناپسي وباياسها تعيين مي‌شود. در اغلب كاربردهاي پيش بيني كوتاه مدت، يك شبكه MLP همراه با سه لايه را به كار گرفته مي‌شود.

 

شكل 4: يك شبكه 3 لايه MLP

 

براي لايه‌هاي پنهان عموماً توابع سيگموئيدي ترجيح داده مي‌شود. براي واحدهاي خروجي، تابع خروجي هم مي‌تواند خطي وهم غيرخطي باشد. انتخاب براساس توزيع متغيرهاي خروجي است به عنوان مثال يك تابع سيگموئيدي مي‌تواند هنگامي كه خروجي داراي مقادير پيوسته ومحدود است به كار رود. اگر مرزهاي خروجي نامحدود باشند، يك تابع فعال سازي نامحدود مانند تابع خطي مي‌تواند انتخاب بهتري باشد. اثبات شده كه يك MLPتغذيه مستقيم با حداقل 1 لايه پنهان توانائي تخمين هر ارتباط ميان ورودي- خروجي همراه با دقت خوب را دارد. شبكه عصبي از اين نوع را بعضي مواقع تخمين زن همگاني مي‌نامند.

يك ANN ساخته شدة ابتدائي كمي تا قسمتي شبيه يك مغز كودك است. وزنها و باياسها با مقادير تصادفي، در ابتدا مقدار دهي اوليه ميشوند. فرآيند يادگيري(يا آموزش) نياز به يك مربي دارد تا به اين شبكه آموزش نديده به وسيلة داده ها، آموزش دهد. اين داده ها، اطلاعاتي را براي مدل فراهم مي‌كند تا به نحوي شايسته خود را با محيط خارج تطبيق دهد. در تكرارهاي پي در پي شبكه به وسيلة پارامترهايش به طور مكرر تنظيم شده و اطلاعات لازم را براي حل مساله اي خاص ذخيره مي‌كند.

 الگوريتم رياضي به كار گرفته شده براي به روزرساني پارامترهاي شبكه به عنوان قانون يادگيري شناخته شده است. يك قانون خاص و منحصر به فرد براي انواع شبكه‌هاي طرح شده وجود ندارد و قوانين مختلف مي‌باشند. انتخاب قانون بستگي به طبيعت مساله دارد. عموماً يادگيري ANN مي‌تواند به دو دسته تقسيم شود؛ نظارت شده و بدون نظارت.

در يادگيري نظارت شده كه به آن يادگيري با معلم هم مي‌گويند، يك سري الگوهاي مشخص در اختيار شبكه قرار ميگيرد وشبكه پارامترهاي خود را با توجه به آن الگوها تنظيم مي‌كند. حال اگر اطلاعات جديدي به شبكه ارائه شود؛ شبكه مناسبترين الگويي را كه با اطلاعات ورودي تناسب دارد برگزيده و به خروجي ميدهد. يادگيري نظارت شده معمولاً از روش گراديان نزولي² براي يافتن يك مسير بهينه كه كمترين سطح خطا را در بر بگيرد، استفاده مي‌كند(Naderi, Khamehchi, & Karimi, 2019)).   

اگر هيچ خروجي هدفي وجود نداشته باشد، يادگيري بدون نظارت يا بدون سرپرست خواهد بود. نرونهاي لايه پنهان بايد راهي را پيدا كنند تا دانش ريشه دار را بدون هيچ نوع هدايتي از خروجي سيستم، استخراج كنند. داده‌هاي آموزشي فقط با سيگنال‌هاي ورودي مي‌باشند. يادگيري رقابتي مثالي از يادگيري بدون سرپرست است كه درآن نرونهاي خروجي با خودشان آنقدر رقابت مي‌كنند تا فعال شوند. هنگام دادن يك الگوي ورودي، فقط وزنهاي متصل شده به خروجي، آنهم با فعال سازي بالا، براي خروجي سيستم اصلاح مي‌شوند تا اين خروجي به بردار ورودي نزديك شود. هيچ تنظيمي به وسيلة ديگر نرونهاي خروجي انجام نمي شود. در نهايت براي سيستم يك نرون فعال براي هر الگوي خاص باقي مي‌ماند. اين نوع يادگيري عمداً براي طبقه بندي داده‌ها به كار مي‌رود. رابطه متغيرهاي سيستم عمداً پيچيده است. فرايند يادگيري به طور مكرر انجام مي‌شود تا كارائي مدل بهبود يابد. آموزش موفق، شبكه را با توانائي يافتن رابطه بين الگوهاي جديد و خروجي‌هاي مشخص، به بار مي‌آورد(Hribar, Potočnik, Šilc, & Papa, 2019)) الگوریتم پس انتشار برروي الگوريتم‌هاي يادگيري كه عمداً براي شبكه MPL ودرجهت پيش بيني قيمت وبار به كار مي‌روند تمركز دارد. يادگيريMLP از نوع يادگيري‌هاي نظارت شده مي‌باشد. عمده ترين الگوريتم به كار گرفته شده در MLP كه در راستاي كاهش خطا حركت مي‌كند. شبكه‌هاي چند لايه عموما از توابع سيگموئيدي در لايه‌هاي پنهان خود استفاده مي‌كنند.اين توابع معمولا توابع نُرم شده ناميده مي‌شوند، زيرا كه ورودي بينهايت را به مقداري معين و متناهي تبديل مي‌كنند. توابع سيگموئيدي بر اساس اين حقيقت كه شيب آنها به ازاي يك ورودي بزرگ مقدار صفر را اختيار مي‌كند به انواع مختلفي طبقه بندي مي‌شوند. حال چنانچه شما از شيب نزولي براي آموزش يك شبكه چند لايه استفاده كنيد به مشكل بر مي‌خوريد، چرا كه گراديان مي‌تواند مقدار كوچكي را در دامنه براي خود اختيار كند، بنابراين باعث تغييرات كوچكي در دامنه شود و بدين ترتيب باعث تغييرات كوچك در وزنها و باياسها مي‌شود. استفاده از روش پس انتشار ارتجاعي اين مشكل را برطرف مي‌كند بدين صورت كه از آنجايي كه فقط علامت انحرافات مي‌تواند تعيين كننده جهت تصحيح وزنها باشد، دامنه انحرافات هيچ تاثيري بر تصحيح وزنها ندارد. اندازه تغييرات وزنها به وسيله يك مقدار مجزا تصحيح مي‌شود. افزايش و كاهش مقدار تصحيح براي هر وزن و باياسي به وسيله فاكتور دلتا معين مي‌شود. اگر انحراف صفر باشد مقدار تصحيح همان مقدار قبلي باقي مي‌ماند، اما هرگاه كه وزنها نوسان كنند تغيير وزن كاهش پيدا مي‌كند واگر وزن در چندين بارتكرار به كاهش يافتن در جهت يكساني ادامه دهد دامنه تغيير وزن افزايش ميابد. الگوريتم پس انتشار ارتجاعي بسيار سريعتر از الگوريتم استاندارد است. همچنين اين الگوريتم دركاهش حجم حافظه كارايي بالايي دارد.((Debnath & Mourshed, 2018))

 

روش تحقیق

تحقیق حاضر توصیفی و تحلیلی از نوع مقایسه ای است که با استفاده از اطلاعات گذشته به پیش بینی برای آینده می‌پردازد. هدف از این تحقیق پیش بینی میزان مصدومین برای 12 ماهه سال 1398 و سنجش دقت روش شبکه عصبی مصنوعی در پیش بینی حوادث ترافیکی است. داده‌های مورد استفاده در این تحقیق شامل تعداد مصدومین حوادث ترافیکی و فوت شدگان حوادث ترافیکی به تفکیک استان‌های کشور بین سال‌های 1367 تا 1397 می‌باشد، که از پایگاه اطلاع رسانی پزشکی قانونی و همچنین سازمان طرح و برنامه پلیس راهور ناجا دریافت شد. برای پیش بینی با شبکه عصبی از نرم افزار متلب، استفاده گردید.  در این تحقیق از شبکه عصبی مصنوعی با 12 ورودی ( مقادیر واقعی قبلی) و لایه های پنهان بهینه و لایه خروجی استفاده شد، داده ها با استفاده از شبکه عصبی مصنوعی به دو دسته آزمایشی و آموزشی تقسیم شدند و شبکه بعد از آموزش به پیش بینی برای 12 ماه آینده سال 1398 پرداخت. شرط توقف تکرار های شبکه عصبی نیز 50 هزار تکرار و رسیدن به دقت بالا در خروجی بود. برای سنجش دقت نیز از شاخص میانگین درصد قدر مطلق خطا MAPE استفاده گردید.

یافته های تحقیق

سری زمانی تعداد مصدومان ترافیکی در استان‌ گلستان که در بین فروردین 1374 تا اسفند 1401 استان گلستان  در نمودار 1 آمده است. که نشان می‌دهد تعداد مصدومین در استان گلستان در سالهای قبل روندی نسبتا ثابت با میل افزایشی داشته است.

 

 

 

نمودار4-1. نمودار سری زمانی تعداد مصدومین ارجاعی به پزشکی قانونی استان گلستان

شبکه عصبی به گونه ای طراحی شده که دارای 12 ورودی باشد. شبکه عصبی داده‌ها را به 270  داده آموزشی و 66 داده آزمایشی تقسیم کرد ، تعداد لایه های پنهان نیز برای شبکه با توجه به سنجیدن دقت برای لایه های پنهان مختلف 5 لایه پنهان به دست آمد. دقت روش شبکه عصبی مصنوعی در جدول 1 نشان داده شده است.

 

جدول 1: دقت شبکه عصبی در پیش بینی مصدومان استان گلستان

	استان گلستان
داده‌هاي آموزش	داده‌هاي آزمايش
270	66	تعداد داده ها
		AE ميانگين
		MSE ميانگين
		تعداد پيش بيني‌هاي درست (خوب)
		تعداد پيش بيني‌هاي غلط (بد)
		MAPE

 

نمودار مقادیر واقعی در برابر مقادیر پیش بینی شده در شکل 5 نشان داده شده است

 

 

شکل 5. مقادیر واقعی در مقابل مقادیر پیش بینی شده

حال از شبکه عصبی مصنوعی آموزش دیده جهت پیش بینی برون نمونه ای 12 ماهه استفاده می‌گردد. که نتایج آن در جدول 2 نشان داده شده است.

 

جدول 2: مقادیر پیش بینی شده برون نمونه ای برای استان‌ها با استفاده از شبکه عصبی مصنوعی

مصدومان حوادث ترافیکی	گام اول	گام دوم	گام سوم	گام چهارم	گام پنجم	گام ششم	گام هفتم	گام هشتم	گام نهم	گام دهم	گام یازدهم	گام دوازدهم	MAPE
گلستان	622	679	712	621	602	619	725	812	825	811	721	766	0.0939

 

شبکه عصبی بر اساس تکرار فرآیند روند تصادفات در استان گلستان را پیش بینی کرده که میزان خظای هر بار تکرار برای رسیدن به پیش بینی مطلوب در شکل 6  نشان داده شده است

 

-شکل 6. مکانیزم تکرارهای صورت گرفته برای رسیدن به دقت بهینه

 

بحث و نتیجه گیری

سالانه تعداد زیادی از هموطنان بر اثر حوادث ترافیکی و ترما تصادفات جان خود را از دست می‌دهند یا با مصدومیت‌های مختلفی رو به رو می‌شوند که باعث هزیمه‌های اجتماعی و اقتصادی هم برای افراد و هم برای جامعه می‌گردد. در این پژوهش تلاش شد با استفاده ار روش‌هاپیش بینی پیشرفته شبکه عصبی مصنوعی علاوه بر پیش بینی میزان مصدومان حوادث ترافیکی در استان گلستان دقت شبکه عصبی مصنوعی نیز مورد سنجش قرار گیرد.  دقت روش‌های پیش بینی با توجه به شاخص درصد میانگین قدر مطلق خطا MAPE مورد سنجش قرار گرفت. نتایج شناسایی دقت روش‌ها پیش بینی نشان داد که روش پیش بینی شبکه عصبی دارای دقت مناسبی در پیش بینی حوادث ترافیکی است .

نتایج این بخش تحقیق با مطالعه میر بها و محبی (2017)، Antoniou و همکاران (2014)، Francisca و همکاران (2014)، Wang و همکاران (2018)، موسوی جهرمی و غلامی (2015) ، Liu ، وهمکاران (2016) ، Li، Wang et al (2018) که در تحقیقشان دقت روش ANN نسبت به روش‌های مورد مطالعه بیشتر بوده هم خوانی دارد. دقت بالا و مناسب روش‌ پیش بینیشبکه عصبی مصنوعی  نشان داد که این روش‌ها می‌توانند به خوبی روند حاکم بر تصادفات را تخمین بزنند. با توجه به آنکه پیش بینی تصویر از آینده به مدیران جهت اخذ تصمیمات تاکتیکی و استراتژیک می‌دهد لذا پیشنهاد می‌شود که کارشناسان جهت پیش بینی و اخد تصمیم از روش‌ها ارائه شده در این تحقیق استفاده نمیاند پیشنهاد می‌شود در تحقیقات آتی با استفاده از روش‌های پیش بینی متفاوت تر در سنجش میزان  تصادفات دقت آن‌ها در پیش بینی مورد مطالعه قرار گیرد. افزایش  تعداد مصدومین در استان گلستان نشان دهنده  عدم موثر بودن اقدامات پلیس راهنمایی و رانندگی در این استان می باشد. مقادیر تلفات و تعداد تصادفات را می توان با آموزش و وضع قوانین و کنترل کاهش داد، مهمترين نكته براي جلوگيري از وقوع تصافات، رعايت قوانين و مقررات راهنمايي و رانندگي و پرهيز از ارتكاب تخلفات رانندگي است ، چرا كه مقدمه هر تصادفي، يقينا ارتكاب تخلف است و تخلف رانندگي زماني رخ مي‌دهد كه قوانين و مقررات رانندگي ناديده گرفته شود ، از مصاديق رعايت قوانين و مقررات رانندگي بستن كمربند ايمني هنگام رانندگي است ، اگر چه بستن كمربند ايمني در ابتدا براي بعضي از افراد آزار دهنده است اما نقش بسيار مهم و حياتي در كاهش تصادفات جاده‌اي، بويژه كاهش تلفات انساني ايفا مي كند . بستن كمربند نه تنها براي رانندگان، بلكه سرنشينان و مسافران اعم از بزرگسال و كودكان بويژه در راه هاي برون شهري بايد جدي گرفته شود تا در تصادفات احتمالي از خطرات جاني در امان باشند، الزامي بودن بستن كمربند ايمني از نگاه قانوني با همين هدف وضع و اجراء مي شود . يكي ديگر از بهترين روش هاي موثر در كاهش تصادفات ، رانندگي تدافعي است، اين بدان معنا نيست كه راننده قادر به كنترل بي مبالاتي رانندگان ديگر باشيد . راننده تدافعی مي‌تواند سوانح جاده اي متحمل را پيش بيني كند و بهترين روش و عكس العمل را براي جلوگيري از وقوع تصادفات، بكار ببندد. يكي از دلايل وقوع تصادفات، بي دقتي و حواس پرتي رانندگان حين رانندگي است که پلیس باید با تذکر و آموزش بیشتر به رانندگان توسط رسانه ها و آموزشگا ههای رانندگی رانندگان را متوجه خطرات حواس پرتی حین رانندگی بکند

 

منابع

Ahmadabadi, A. A., & Heravi, G. (2019). The effect of critical success factors on project success in Public-Private Partnership projects: A case study of highway projects in Iran. Transport Policy, 73, 152-161. doi:https://doi.org/10.1016/j.tranpol.2018.07.004

Amber, K. P., Ahmad, R., Aslam, M. W., Kousar, A., Usman, M., & Khan, M. S. (2018). Intelligent techniques for forecasting electricity consumption of buildings. Energy, 157, 886-893. doi:https://doi.org/10.1016/j.energy.2018.05.155

Debnath, K. B., & Mourshed, M. (2018). Forecasting methods in energy planning models. Renewable and Sustainable Energy Reviews, 88, 297-325. doi:https://doi.org/10.1016/j.rser.2018.02.002

Ebrahimi, H., Sadeghi, M., Azami, A. A., & Bazghaleh, M. (2016). Epidemiological Study of Fatal and Nonfatal Road Traffic Accidents and Their Outcomes on Children and Adolescents in Shahroud, Iran. hdqir, 1(2), 97-104.

Fountas, G., & Anastasopoulos, P. C. (2018). Analysis of accident injury-severity outcomes: The zero-inflated hierarchical ordered probit model with correlated disturbances. Analytic Methods in Accident Research, 20, 30-45. doi:https://doi.org/10.1016/j.amar.2018.09.002

Fountas, G., Anastasopoulos, P. C., & Mannering, F. L. (2018). Analysis of vehicle accident-injury severities: A comparison of segment- versus accident-based latent class ordered probit models with class-probability functions. Analytic Methods in Accident Research, 18, 15-32. doi:https://doi.org/10.1016/j.amar.2018.03.003

Gatera, A., Kuradusenge, M., Bajpai, G., Mikeka, C., & Shrivastava, S. (2023). Comparison of random forest and support vector machine regression models for forecasting road accidents. Scientific African, 21, e01739. doi:https://doi.org/10.1016/j.sciaf.2023.e01739

Gorzelanczyk, P. (2023). Using neural networks to forecast the number of road accidents in Poland taking into account weather conditions. Results in Engineering, 17, 100981. doi:https://doi.org/10.1016/j.rineng.2023.100981

Grant, E., Salmon, P. M., Stevens, N. J., Goode, N., & Read, G. J. (2018). Back to the future: What do accident causation models tell us about accident prediction? Safety Science, 104, 99-109. doi:https://doi.org/10.1016/j.ssci.2017.12.018

Hribar, R., Potočnik, P., Šilc, J., & Papa, G. (2019). A comparison of models for forecasting the residential natural gas demand of an urban area. Energy, 167, 511-522. doi:https://doi.org/10.1016/j.energy.2018.10.175

Khanke, H., & Maleknia, S. (2014). Verification of reported chief complaints about the injuries in Tehran road accidents from pre-hospital emergency, year 2010-2011. [بررسی شکایت اصلی گزارش شده از مصدومین حوادث ترافیکی شهر تهران در اورژانس پیش بیمارستانی، سال 1389 - 1390]. hdqir, 1(2), 128-142.

Kurakina, E., Evtiukov, S., & Rajczyk, J. (2018). Forecasting of road accident in the DVRE system. Transportation Research Procedia, 36, 380-385. doi:https://doi.org/10.1016/j.trpro.2018.12.111

Mannering, F. (2018). Temporal instability and the analysis of highway accident data. Analytic Methods in Accident Research, 17, 1-13. doi:https://doi.org/10.1016/j.amar.2017.10.002

Mehdizadeh, M., Shariat-Mohaymany, A., & Nordfjaern, T. (2018). Accident involvement among Iranian lorry drivers: Direct and indirect effects of background variables and aberrant driving behaviour. Transportation Research Part F: Traffic Psychology and Behaviour, 58, 39-55. doi:https://doi.org/10.1016/j.trf.2018.05.029

Mohammadzadeh Moghaddam, A., Tabibi, Z., Sadeghi, A., Ayati, E., & Ghotbi Ravandi, A. (2017). Screening out accident-prone Iranian drivers: Are their at-fault accidents related to driving behavior? Transportation Research Part F: Traffic Psychology and Behaviour, 46, 451-461. doi:https://doi.org/10.1016/j.trf.2016.09.027

Naderi, M., Khamehchi, E., & Karimi, B. (2019). Novel statistical forecasting models for crude oil price, gas price, and interest rate based on meta-heuristic bat algorithm. Journal of Petroleum Science and Engineering, 172, 13-22. doi:https://doi.org/10.1016/j.petrol.2018.09.031

Nguyen, T. C. H., & Diab, A. (2023). Using machine learning to forecast and assess the uncertainty in the response of a typical PWR undergoing a steam generator tube rupture accident. Nuclear Engineering and Technology, 55(9), 3423-3440. doi:https://doi.org/10.1016/j.net.2023.05.025

Omidi, N., & Omidi, M. R. (2018). Estimating Accident-Related Traumatic Injury Rate by Future Studies Models in Semnan Province, Iran. hdqir, 3(4), 191-198. doi:10.32598/hdq.3.4.191

Prasad, R., Deo, R. C., Li, Y., & Maraseni, T. (2017). Input selection and performance optimization of ANN-based streamflow forecasts in the drought-prone Murray Darling Basin region using IIS and MODWT algorithm. Atmospheric Research, 197, 42-63. doi:https://doi.org/10.1016/j.atmosres.2017.06.014

Sadeghniiat-Haghighi, K., Yazdi, Z., Moradinia, M., Aminian, O., & Esmaili, A. (2015). Traffic crash accidents in Tehran, Iran: Its relation with circadian rhythm of sleepiness. Chinese Journal of Traumatology, 18(1), 13-17. doi:https://doi.org/10.1016/j.cjtee.2014.09.001

Tabrizi, R., Akbari, M., Lankarani, K. B., Heydari, S. T., Masoudi, A., Shams, A. H., . . . Peymani, P. (2017). Relationship between religion and school students' road behavior in southern Iran. Chinese Journal of Traumatology, 20(5), 264-269. doi:https://doi.org/10.1016/j.cjtee.2016.12.001

Tan, Q.-F., Lei, X.-H., Wang, X., Wang, H., Wen, X., Ji, Y., & Kang, A.-Q. (2018). An adaptive middle and long-term runoff forecast model using EEMD-ANN hybrid approach. Journal of Hydrology, 567, 767-780. doi:https://doi.org/10.1016/j.jhydrol.2018.01.015

Zhan-li, M. A. O., & Jin-hua, S. U. N. (2011). Application of Grey-Markov Model in Forecasting Fire Accidents. Procedia Engineering, 11, 314-318. doi:https://doi.org/10.1016/j.proeng.2011.04.663

Zhanli, M. (2012). Disastrous Forecasting of Fire Accidents in Assembly Occupancies. Energy Procedia, 16, 1899-1903. doi:https://doi.org/10.1016/j.egypro.2012.01.290

امیدی, م. ر., امیدی, ن., عسگری, ح. ا., & مفتاحی, ه. (1395). تجزیه و تحلیل ریاضی حوادث ترافیکی با استفاده از مدل های خاکستری و چرخشی. مطالعات مدیریت ترافیک, 42(11), 97-112.

 

---

[1]  Feed Forward

[2]  Gradient Descent

---