فهرست نشریات علمی دسترسی آزاد ایران

پیشینه: تخلف سرعت یکی از عوامل اصلی حوادث در آزادراه‌ها می‌باشد و آسیب‌های جانی، اقتصادی و اجتماعی متعددی در پی دارد. تاکنون در مطالعات متفاوتی پژوهشگران به پیش‌بینی تخلفات و حوادث پرداخته‌اند، امّا مطالعه تعداد تخلفات با تفکیک زمانی ساعتی و معماری ترکیبی از مدل‌های آموزش عمیق کمتر دیده می‌شود. روش: مطالعه حاضر با ارائه معماری ترکیبی نوینی از روش‌های آموزش عمیق به پیش‌بینی تعداد تخلفات سرعت در ساعت میپردازد. مدل پیشنهادی مبتنی بر روش شبکه‌های کانولوشنی و روش حافظه طولانی ‌مدت کوتاه مدت است که جهت پیش‌بینی تعداد تخلفات سرعت غیرمجاز با داده‌های ترافیکی ساعتی توسعه داده شده است. داده‌ها شامل متغیرهایی مانند تعداد وسایل نقلیه، سرعت، تخلفات فاصله و زمان وقوع تخلف بودند. داده‌ها پس از پیش‌پردازش به سه بخش آموزش 70%، اعتبارسنجی 15%، و آزمون 15% تقسیم شدند و از اعتبار سنجی متقاطع در مدل استفاده شده است. نتایج حاصل از اعتبارسنجی متقاطع 5 تایی نشان‌دهنده عملکرد قابل‌قبول مدل در پیش‌بینی تعداد تخلفات سرعت غیرمجاز است. در آموزش، مقادیر RMSE در محدوده 05/69 تا5/201 متغیر بود که به‌جز فولد اول، سایر فولدها عملکرد بهتری با R2 بین 68/0 تا 85/0 و KGE بین 67/0 تا 83/0 نشان دادند. در فاز آزمون، میانگین RMSE ،R2 و KGE به ترتیب 4/89، 77/0 و78/0 به‌طور قابل‌توجهی نزدیک به میانگین مقادیر فاز آموزش بود، که حاکی از عملکرد مورد تایید مدل است. در اعتبار سنجی مدل عملکرد RMSE ،R2 و KGE به ترتیب 4/88، 76/0 و79/0 از خود نشان داد. استفاده از مدلهای ترکیبی از آموزش عمیق مانند آنچه در این مطالعه مطرح شد، میتواند در تشخیص نقاط حادثه خیز با دقت و سرعت بهتر کمک کنند. بهینه‌سازی نظارت، تخصیص منابع، و افزایش ایمنی جاده‌ای به تبع این اقدام میتواند اتفاق بیافتد. پیشنهاد می‌شود به‌عنوان ورودی مدل در مطالعات آتی داده‌های شرایط جوی برای بهبود دقت نهایی ادغام شوند.