پیش بینی شدت تصادفات فوتی جاده ای ایران با استفاده از مدلهای دسته بندی پایه و جمعی
نویسنده:
نوع مقاله:
مقاله پژوهشی/اصیل (ترویجی)
چکیده:
با توجه به این که شدت تصادفات در راه های برون شهری معمولا از شدت تصادفات در معابر شهری بیشتر است لذا پیش بینی شدت تصادفات جاده ای در راه های برون شهری از اهمیت بسزایی برخوردار است. در این مقاله با استفاده از متغیرهای مستقل نظیر علت تصادف، نوع برخورد، نوع وسیله نقلیه مقصر، زمان تصادف، روز تصادف و فصل تصادف به پیش بینی شدت تصادفات فوتی جاده ای پرداخته شده است. بدین منظور انواع مختلفی از مدلهای دسته بندی پایه به مانند -K نزدیک ترین همسایگی ، بیز ساده ، درخت تصمیم و دسته بندی جمعی بگینگ و بوستینگ از داده های تصادفات فوتی سال 88 برازش شده اند. نتایج حاصل از برازش مدلها از سویی نشان دهنده افزایش دقت مدلهای دسته بندی جمعی بگینگ و بوستینگ به اندازه 04/0 بوده است و از طرف دیگر مدلهای دسته بندی جمعی بگینگ با الگوریتم یادگیری درخت تصمیم و دسته بندی جمعی بوستینگ با الگوریتم یادگیری بیز ساده در پیش بینی شدت تصادفات فوتی جاده ای کارایی بالای داشته است.
کلیدواژگان:
زبان:
فارسی
انتشار در:
صفحات:
11 تا 24
لینک کوتاه:
magiran.com/p2106254
دانلود و مطالعه متن این مقاله با یکی از روشهای زیر امکان پذیر است:
اشتراک شخصی
با عضویت و پرداخت آنلاین حق اشتراک یکساله به مبلغ 1,390,000ريال میتوانید 70 عنوان مطلب دانلود کنید!
اشتراک سازمانی
به کتابخانه دانشگاه یا محل کار خود پیشنهاد کنید تا اشتراک سازمانی این پایگاه را برای دسترسی نامحدود همه کاربران به متن مطالب تهیه نمایند!
توجه!
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.
دسترسی سراسری کاربران دانشگاه پیام نور!
اعضای هیئت علمی و دانشجویان دانشگاه پیام نور در سراسر کشور، در صورت ثبت نام با ایمیل دانشگاهی، تا پایان فروردین ماه 1403 به مقالات سایت دسترسی خواهند داشت!
In order to view content subscription is required
Personal subscription
Subscribe magiran.com for 70 € euros via PayPal and download 70 articles during a year.
Organization subscription
Please contact us to subscribe your university or library for unlimited access!