کاربرد مدل های فضایی- مکانی در پیش بینی فراوانی تصادفات جاده ای (مطالعه موردی: شبکه راه های اصلی استان همدان)

پیام:
نوع مقاله:
مطالعه موردی (دارای رتبه معتبر)
چکیده:

شناسایی بخش های جاده ای با خطر تصادف رویکرد ویژه ای برای درک بهتر الگوهای تصادفات و افزایش مدیریت ایمنی جاده ای به متخصصان ایمنی ارایه می دهد. روش های معمول شناسایی مقاطع حادثه خیز و الگوهای تصادف آن قدر قوی نیستند که خصوصیات مکانی داده های تصادف را در مدل لحاظ کنند. حوادث رانندگی دارای خاصیت فضایی تمایل به وابستگی مکانی دارند، پدیده ای که به عنوان همبستگی مکانی شناخته می شود. مدل های فضایی مقدار پیش بینی شده الگوی تصادف را در فضا را توصیف می کند که می تواند ناشی از تغییر در خصوصیات قابل توجه محیط محلی باشد با توجه به ماهیت گسسته داده های تصادف و دسترسی محدود به مکان های دقیق تصادف، یک سطح مداوم که از نقاط گسسته کشیده شده باشد، تراکم تصادف را بهتر منعکس می کند و تصویر واقع بینانه تری از توزیع تصادف ارایه می دهد. در این مطالعه کل محورهای اصلی برون شهری استان همدان بر اساس داده های تصادف مکانمند از سال 1396 تا 1398 با استفاده از روش های توزیع چگالی کرنل، رگرسیون وزن دار جغرافیایی، رگرسیون پوآسون وزن دار جغرافیایی مورد بررسی قرار گرفته است. نتایج مدل ها نشان می دهد که مدل رگرسیون پوآسن وزن دار جغرافیایی نتایج بهتری برای پیش بینی مکان های تصادف نسبت به سایر مدل ها دارد

زبان:
فارسی
صفحات:
45 تا 58
لینک کوتاه:
magiran.com/p2409910 
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.
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!