فهرست نشریات علمی دسترسی آزاد ایران

تصادفات موتورسیکلت به دلیل آسیب‌پذیری بالای این گروه از کاربران راه، سهم قابل توجهی از تلفات جاده‌ای را به خود اختصاص می‌دهند و شدت پیامدهای آن‌ها، به‌ویژه در راه‌های برون‌شهری، همواره یکی از چالش‌های اصلی ایمنی راه بوده است. هدف اصلی این پژوهش، شناسایی و تفسیر عوامل مؤثر بر شدت تصادفات موتورسیکلت در راه‌های برون‌شهری با استفاده از رویکردهای یادگیری ماشین تفسیرپذیر است. بدین منظور، از داده‌های تصادفات سه‌ساله (۱۳۹۶ تا ۱۳۹۸) موتورسیکلت در راه‌های برون‌شهری استان خراسان رضوی استفاده شد. متغیرهای مورد بررسی در قالب سیزده دسته شامل ویژگی‌های راه، وضعیت هندسی، نوع شانه، نقص مؤثر راه، عامل انسانی، نوع وسیله نقلیه مقصر، کاربری اراضی و سایر عوامل محیطی و ترافیکی تعریف شدند. در این پژوهش، سه الگوریتم یادگیری ماشین شامل جنگل تصادفی، XGBoost و LightGBM برای پیش‌بینی شدت تصادفات (خسارتی، جرحی و فوتی) به کار گرفته شدند. پس از پیش‌پردازش داده‌ها و متعادل‌سازی کلاس‌ها با استفاده از روش SMOTE، عملکرد مدل‌ها با معیارهای precision، recallو F1-score ارزیابی شد. نتایج نشان داد که مدل جنگل تصادفی با دقت کلی ۷۶ درصد، عملکرد بهتری نسبت به سایر مدل‌ها دارد و به‌عنوان مدل برتر انتخاب شد. به‌منظور تفسیر خروجی مدل منتخب، از روش SHAP استفاده گردید. نتایج تحلیل SHAP نشان داد که به ترتیب نوع شانه، نوع وسیله نقلیه مقصر، نقص مؤثر راه، عامل انسانی، کاربری اراضی، سرعت مجاز، نوع راه، وضعیت خط‌کشی و هندسه مسیر، مهم‌ترین عوامل مؤثر بر شدت تصادفات موتورسیکلت در راه‌های برون‌شهری هستند. یافته‌های این پژوهش نشان می‌دهد که شدت تصادفات موتورسیکلت حاصل برهم‌کنش پیچیده عوامل زیرساختی، رفتاری و وسیله نقلیه بوده و اتخاذ رویکردهای شدت‌محور در برنامه‌ریزی ایمنی راه می‌تواند نقش مؤثری در کاهش پیامدهای شدید تصادفات داشته باشد.