فهرست نشریات علمی دسترسی آزاد ایران

تصادفات جاده‌ای، به‌ویژه در جاده‌های کوهستانی، از چالش‌های مهم ایمنی ترافیک محسوب می‌شوند که نیازمند پیش‌بینی دقیق و مدیریت بهینه هستند. در ایران به‌عنوان کشوری حادثه‌خیز، تصادفات جاده‌ای پس از زلزله در رتبه دوم از نظر فراوانی وقوع قرار دارند که این موضوع اهمیت بالای آن‌ها را به‌عنوان یکی از عوامل اصلی خطر نشان می‌دهد.در این پژوهش، با استفاده از داده‌های گزارش مأموریت‌های هلال‌احمر به‌همراه ویژگی‌های مرتبط با جاده، شرایط محیطی و ترافیکی، یک مدل یادگیری عمیق مبتنی بر ترنسفورمر برای شناسایی نقاط حادثه‌خیز در محور چالوس توسعه داده شد. این مدل توانست الگوهای پیچیده و غیرخطی را با دقت قابل‌توجهی استخراج کرده و نقاط پرخطر را در سه سطح شدت تصادف (فوتی، مصدوم و درمان سرپایی در محل) پیش‌بینی کند.در ادامه، با بهره‌گیری از الگوریتم بهینه‌سازی گرگ خاکستری (Grey Wolf Optimizer)، مکان‌یابی بهینه پایگاه‌های امداد و نجات به‌منظور افزایش پوشش جاده‌ای و کاهش زمان پاسخ انجام شد. نتایج نشان داد که پوشش امدادی در محور چالوس از ۲۲٫۷۷ درصد به ۸۶٫۹۱ درصد افزایش یافته و میانگین زمان پاسخ نیز از حدود ۱۴ دقیقه و ۴۵ ثانیه به ۸ دقیقه و ۲۲ ثانیه کاهش یافته است؛ که به‌ترتیب نشان‌دهنده ۶۴ درصد بهبود در پوشش و ۴۳ درصد کاهش در زمان واکنش است.این پژوهش نشان داد که تلفیق داده‌های واقعی، مدل‌های پیشرفته یادگیری عمیق و الگوریتم‌های بهینه‌سازی می‌تواند ابزاری مؤثر برای بهبود مدیریت امداد و نجات، ارتقای ایمنی در کریدورهای پرتردد و پرخطر، و کاهش تلفات و مصدومان باشد. یافته‌های این مطالعه می‌تواند مبنایی برای طراحی سیستم‌های هوشمند مدیریت بحران و تدوین برنامه‌های پیشگیرانه در سایر مناطق کشور قرار گیرد.