مدل تصمیم‌یار پیشگیری از تصادفات رانندگی با بهره‌گیری از داده‌کاوی (مطالعۀ موردی در استان کرمان)

نوع مقاله: علمی ترویجی

نویسندگان

1 استادیار دانشکده مهندسی کامپیوتر،دانشگاه علم و هنر

2 کارشناسی ارشد، دانشکده مهندسی کامپیوتر، دانشگاه علم و هنر،

3 کارشناسی ارشد، دانشکده مهندسی کامپیوتر، دانشگاه علوم و تحقیقات یزد

چکیده

آمار­ها نشان می­دهد که کشور ایران از لحاظ بروز تخلفات رانندگی و تصادفات نسبت به کشور­های جهان، سهم بیشتری را به خود اختصاص داده است. طبق آماری که توسط کارشناسان امر ترافیک به‌ دست‌ آمده است، سالانه حدود سه درصد از تولید ناخالص ملی کشورمان صرف آثار و تبعات ناشی از تخلفات ترافیکی می­شود. با توجه به اهمیت بالای بحث ترافیک، در این پژوهش با درنظرگرفتن تعدادی از مؤلفه‌های مرتبط با تخلفات رانندگی که شامل اطلاعات فرد متخلف، اطلاعات خودرو و مشخصات خودرو می­باشند و با مدل­سازی از طریق ابزار­هایی مثل درخت تصمیم و انتخاب ویژگی­ها، به بررسی و شناخت رانندگان متخلف پرداخته شده است. داده­های استفاده‌شده در این پژوهش در طول سه ماه در سال 92 بر اساس تخلفات ترافیکی شهر کرمان جمع‌آوری‌ شده است. نوآوری پژوهش بر اساس مطالعۀ شناسایی رفتار رانندگان حادثه‌آفرین و متدولوژی‌های ارائه‌شده در این زمینه شکل‌ گرفته است که در ابتدا، ویژگی‌های مهم برای تقسیم­بندی رانندگان دارای تخلف، بر اساس هدف، استخراج‌ شده و سپس خوشه‌های رانندگان شکل خواهد گرفت؛ این روش روی ‌داده‌های واقعی پیاده­سازی شده است. نتایج پژوهش حاصل، امکان پیاده­سازی به­عنوان یک بستۀ نرم­افزاری برای سیستم­های ثبت و کنترل تخلفات ترافیکی را دارد.

کلیدواژه‌ها


  • -                     Ayuso, M., Guillén, M., & Alcañiz, M. (2010). The impact of traffic violations on the estimated cost of traffic accidents with victims. Accident Analysis & Prevention, 42(2), 709-717.(http://www.sciencedirect.com/science/article/pii/S0001457509002991)
  • -                     Fogue, M., Garrido, P., Martinez, F. J., Cano, J. C., Calafate, C. T., & Manzoni, P. (2012). Using data mining and vehicular networks to estimate the severity of traffic accidents. In Management Intelligent Systems. 37-46. Springer Berlin Heidelberg. (http://link.springer.com/chapter/10.1007/978-3-642-30864-2_4)
  • -                     Guo, X. (2016). Traffic Flow Forecasting Model Based on Data Mining. System, 9 (10), 1043-1046. (https://scholar.google.com/scholar?q=Traffic+Flow+Forecasting+Model+Based+on+Data+Mining&btnG=&hl=en&as_sdt=0%2C5)
  • -                     Kawasaki, Y., Hara, Y., Mitani, T., & Kuwahara, M. (2016). Real-Time Simulation of Dynamic Traffic Flow with Traffic Data Assimilation Approach. Journal of Disaster Research, 11(2), 246-254. (https://www.fujipress.jp/jdr/dr/dsstr001100020246/)
  • -                     Last, M., Avrahami, G., Kandel, A. (2011). Using data mining techniques for optimizing traffic signal plans at an urban intersection. International Journal of Intelligent Systems, 26(7),603-620. (http://onlinelibrary.wiley.com/doi/10.1002/int.20473/full)
  • -                     Moghaddam, M., Ayati, E. (2007). Introducing a risk estimation index for drivers: A case of Iran. Safety Science, 62,90-97. (http://profdoc.um.ac.ir/articles/a/1036938.pdf)
  • -                     Nejad, S.K., Seifi, F., Ahmadi, H., Seifi, N. (2009). Applying Data Mining in Prediction and Classification of Urban Traffic. World Congress on Computer Science and Information Engineering, 3, 674-678. (ftp://161.24.19.221/ele/jrsantos/Leitura/05170926.pdf)
  • -                     Özkan, T., & Lajunen, T. (2005). A new addition to DBQ: Positive driver behaviours scale. Transportation Research Part F: Traffic Psychology and Behaviour, 8(4), 355-368. (https://www.researchgate.net/profile/Tuerker_Oezkan/publication/223324440_A_new_addition_to_DBQ_Positive_Driver_Behaviours_Scale/links/54f1aa6e0cf2b36214aca055.pdf)
  • -                     Pakgohar, A., Sigari Tabrizi, R., Khalili, M., Esmaeili, A. (2011). The role of human factor in incidence and severity of road crashes based on the CART and LR regression:a data mining approach. Procedia Computer Science.3.764-769. (http://www.sciencedirect.com/science/article/pii/S1877050910005016)
  • -                     Shiau, Y. R., Tsai, C. H., Hung, Y. H., & Kuo, Y. T. (2015). The Application of Data Mining Technology to Build a Forecasting Model for Classification of Road Traffic Accidents. Mathematical Problems in Engineering, 57(2), 1-9. (http://www.hindawi.com/journals/mpe/2015/170635/abs/)
  • -                     Solomon, S., Nguyen, H., Liebowitz, J., & Agresti, W. (2006). Using data mining to improve traffic safety programs. Industrial Management & Data Systems, 106(5), 621-643. (http://www.emeraldinsight.com/doi/abs/10.1108/02635570610666412)
  • -                     Spalević, Ž., Ilić, M., & Arsić, N. (2016). Legal aspects of data mining algorithms for stream processing in traffic surveillance. Nauka, bezbednost, policija, 21(1), 57-80. (http://scindeks-clanci.ceon.rs/data/pdf/0354-8872/2016/0354-88721601057S.pdf)
  • -                     Tseng, C. M. (2013). Speeding violations related to a driver’s social-economic demographics and the most frequent driving purpose in Taiwan’s male population. Safety science, 57, 236-242. (http://www.sciencedirect.com/science/article/pii/S0925753513000453)
  • -                     Vlahogianni, E. I., Karlaftis, M. G., & Golias, J. C. (2014). Short-term traffic forecasting: Where we are and where we’re going. Transportation Research Part C: Emerging Technologies, 43, 3-19. (https://www.researchgate.net/profile/Matthew_Karlaftis/publication/260031337_Short-term_traffic_forecasting_Where_we_are_and_where_were_going/links/00b495319ce383d9a9000000.pdf)
  • -                     Wu, B., Zhou, W. J., & Zhang, W. D. (2003). The applications of data mining technologies in dynamic traffic prediction. In Intelligent Transportation Systems, 2003. Proceedings, 1(1), 396-401.(http://ieeexplore.ieee.org/xpl/login.jsp?tp=&arnumber=1251984&url=http%3A%2F%2Fieeexplore.ieee.org%2Fxpls%2Fabs_all.jsp%3Farnumber%3D1251984)
  • -                     Wang, R., Ji, W., Liu, M., Wang, X., Weng, J., Deng, S., Gao, S. and Yuan, C.A. (2018). Review on mining data from multiple data sources. Pattern Recognition Letters, 109, 120-128.(https://www.sciencedirect.com/science/article/abs/pii/S0167865518300199)
  • -                     Ya-jun, W., Zhao-cheng, Y., Song-bai, H., Jie-Li, C., & Zhi-Jun, Z. (2009). A data-mining-based study on road traffic information analysis and decision support. In Web Mining and Web-based Application.pp. 24-27.(http://ieeexplore.ieee.org/xpl/login.jsp?tp=&arnumber=5232459&url=http%3A%2F%2Fieeexplore.ieee.org%2Fxpls%2Fabs_all.jsp%3Farnumber%3D5232459)
  • -                     Yu, J., Kang, H., Park, D., Bang, H. C., & Kang, D. W. (2013). An in-depth analysis on traffic flooding attacks detection and system using data mining techniques. Journal of Systems Architecture, 59(10), 1005-1012.(http://www.sciencedirect.com/science/article/pii/S1383762113001562)
  • -                     Zamani, Z., pourmand, M., saraee, M. (2010). Application of Data minig in Traffic Management:Case of city of Isfahan. International Conference on Electronic Computer Technology (ICECT).(https://core.ac.uk/download/files/130/1667285.pdf)
  • -                     Zhang, G., Yau, K., & Chen, G. (2013). Risk factors associated with traffic violations and accident severity in China. Accident Analysis & Prevention, 59, 18-25. (http://202.114.18.201:8080/u/cms/www/201312/17155833ta1o.pdf)
  •  
  •  
  •  
  •