چکیده:
تصادفات پدیده ای چند علتی است که نمی توان آن را با درنظر گرفتن عواملی محدود به طور کامل کنترل و مدیریت کرد. یکی از مهم ترین عوامل مؤثر در اولویت بندی معابر پر خطر شهری (تصادف خیز) برای عابران پیاده، عوامل محیطی وقوع تصادف است که تاکنون در روش های موجود به طور جامع در نظر گرفته نشده است. اولویت بندی این معابر را نمی توان بدون در نظر گرفتن و استفاده از آمار و اطلاعات وضع موجود، از ترکیب های خطی و مدل های ساده ریاضی مورد بررسی قرار داد زیرا تصمیم گیری درباره انتخاب معابر پرخطر را دچار مشکل می کند. در این تحقیق با ارائه روش مشاهده ای با استفاده از شبکه های عصبی مصنوعی، مدلی جدید به منظور اولویت بندی معابر پر خطر شهری با محوریت عابران پیاده ارائه می شود. در این روش، معابر شهری مذکور با درنظرگرفتن هم زمان پارامترهای هندسی، ترافیکی و کنترلی با استفاده از یک مدل ارائه شده با شبکه های عصبی مصنوعی و آمار و اطلاعات تصادفات عابران پیاده به عنوان مدل پیش بینی و به دنبال آن، استفاده از داده های تصادفات و خطرپذیری معابر به عنوان مدل اولویت بندی ارائه شده است. از عوامل مؤثر در تولید این مدل می توان به طول معابر، عرض معابر، عرض پیاده روها، پارک حاشیه ای معابر، عرض میانه معبر، محدودیت سرعت معبر، روشنایی معابر، کیفیت رویه آسفالت معابر، میزان تفکیک سواره رو و پیاده رو، کاربری اطراف معابر، میزان حضور پلیس در معابر، میزان تناسب سرعت با کاربری در معابر، تناسب گذرگاه های عرضی و شیب معابر اشاره کرد. استفاده از مدل ارائه شده با عوامل ذکرشده در این تحقیق، دقت و کارایی فرآیند اولویت بندی معابر پرخطر شهری برای عابران پیاده، با استفاده از آمار و اطلاعات تصادفات به مقدار قابل توجهی افزایش می دهد.
خلاصه ماشینی:
"در این روش،معابر شهری مذکور با در نظر گرفتن همزمان پارامترهای هندسی،ترافیکی و کنترلی با استفادهاز یک مدل ارائه شده با شبکههای عصبی مصنوعی و آمار و اطلاعات تصادفات عابران پیاده بهعنوان مدل پیشبینی و به دنبال آن،استفاده از دادههای تصادفات و خطرپذیری معابر بهعنوان مدل اولویتبندی ارائه شده است.
در این مقاله سعی شده است با استفاده از متغیرهای محیطی مؤثر برتصادفات عابران پیاده،ارتباط آنها را با دادههای تصادفات عابران مورد بررسی قرار دادهو در نهایت مدلی برای اولویتبندی این معابر ارائه شود.
دادههای پژوهش دادههای این پژوهش در حقیقت برای به کارگیری در شبکههای متوالی عصبی در نظرگرفته شده است و در حقیقت در مدل پیشبینی از یک شبکه اول )fbR( که از 14متغیر محیطی تشکیل شده به عنوان ورودی و از 2 متغیر(آمار تصادفات)به عنوان هدفاستفاده کرده و در مدل اولویتبندی از یک شبکه )PB( از 2 متغیر مذکور هدف مدلاول به عنوان ورودی و در مقابل تک متغیر ریسک خطرپذیری را به عنوان هدف مورداستفاده قرار میدهد.
ی-حضور پلیس تغییرات این متغیر نیز میتواند در کنترل وسیله نقلیه توسط راننده و عدم قانون گریزیو در نهایت بر تصادفات عابران پیاده مؤثر بوده و پس از مقیاسبندی در مرجع دادههابه صورت نسبی و در بازه صفر تا 0/75 متغیر است.
&%01606TMMG016G% م-تناسب گذرگاههای عرضی تغییرات این متغیر نیز میتواند در کنترل تردد عابران پیاده از محلهای مجاز تردد درعرض تأثیر داشته و در نهایت بر تصادفات عابران پیاده مؤثر بوده و پس از مقیاسبندیدر مرجع دادهها به صورت نسبی و در بازه صفر تا 0/75 متغیر است."