ورود
مقالات فارسیISIکنفرانسهاژورنالها

استفاده از روش ماشین بردار پشتیبان در شناسایی عوامل موثر در شدت تصادفات کاربری های پرخطر

محل انتشار: کنفرانس سالانه تحقیقات در مهندسی عمران،معماری و شهرسازی و محیط زیست پایدار
سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 620

فایل این مقاله در 17 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:
https://civilica.com/doc/422459

شناسه ملی سند علمی:

CAUEM01_026

تاریخ نمایه سازی: 25 بهمن 1394

چکیده مقاله:

هدف اصلی این مطالعه شناسایی کاربری های پر خطر از نظر شدت تصادفات در جاده های دوخطه دوطرفه ایران دربازه سال های 1391-1388 و بررسی مهمترین عوامل موثر در تعیین شدت تصادفات رانندگان آن ها با استفاده از روش ماشین بردار پشتیبان است.در این مطالعه ابتدا با استفاده از تحلیل های آماری موتورسیکلت و دوچرخه سوارانبه عنوان کاربری های پر خطر نسبت به سایر رانندگان شناسایی شدند. .پس از شناسایی گروه های پر خظر، تصادفات این گروه از رانندگان با استفاده از روش ماشینهای بردار پشتیبان که یکی از روشهای جدید داده کاوی است، موردتحلیل قرار گرفت.این مدل از یک تصویر غیرخطی برای انتقال دادههای اصلی به فضایی با بعد بالاتراستفاده می کند ومی توان از آن به عنوان روشی مفید در تحلیل داده های حجیم نام برد. نتایج استفاده از این مدل نشان داد،استفاده از کلاه ایمنی مهمترین عامل در تعیین شدت آسیب وارده به این گروه ها می باشد.

کلیدواژه ها:

نویسندگان

محمودرضا کی منش

عضو هیات علمی رشته راه و ترابری، دانشگاه پیام نور تهران

علی نصراله تبار آهنگر

دانشجوی دکتری رشته راه و ترابری، دانشگاه پیام نور تهران

سیدمیلاد جلیلیان

دانشجوی کارشناسی ارشد رشته راه و ترابری ،دانشگاه پیام نور تهران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • شریعت، ا، توکلی کاشانی، ع، (1389)" تحلیل شدت مصدومیت‌های ناشی ...
  • I2] سازمان پزشکی قانونی کشور (1390)" آمار مقایسه‌ای متوفیات ناشی ...
  • ابراهیم خانی، س، افضلی، م، شکوهی، ع (1390)" پیش بینی ...
  • آیتی، ا (1391)"هزینه تصادفات درون شهری و برون شهری، تئوری ...
  • اعفتی، م، رجبی، م ع، حکیم پور، ف، شعبانی، ش ...
  • Jones, S. gurupackiam, S. Walsh, J. (2013) factors influencing the ...
  • Montella, A. Aria, M. Ambrosio, A. Mauriello, F. (2011)" Analysis ...
  • Bedard, M. and Guyatt, G. (20 02) The independent contribution ...
  • Dursun, D. Ramesh Sh. Max, B. (20 06) Identifying Significant ...
  • 0]Xindong, W. Vipin, K. (2008) Top 10 algorithms in data ...
  • Shuyan, C. Wei W. Henk V. (20 09) Construct Support ...
  • Shuyan C. Wei W. (20 09) Decision tree learning for ...
  • Chengcheng X.(20 12) Using Support Vector Machine ب [15]Zhibin L. ...
  • Rongiie Y. Abdel-Aty, M. (20 13) Uftilizing Support Vector Machine ...
  • Li-Yen C. Wen-Chieh . (20 05) Data mining of tree-based ...
  • Al-Ghamdi, A. (2002) "Using logistic regression to estimate the influence ...
  • Savolainen, P, Mannering, F, Lord, D, Quddos, M. (2011) The ...
  • Dissanayake, S. and Lu, J. J. (20 02) Factors influential ...
  • Jung, S, Xiao, Q, Yoon, Y, (2013). Evaluation of motorcycle ...
  • Khorashadi, A. Debbie, N. Venky S. Mannering , F. (20 ...
  • Jung, S, Xiao, Q, Yoon, Y, (2013). Evaluation of motorcycle ...
  • Shuyan , C. Wei , W. van Zuylen, H. (2010) ...
  • Siddiqui, C., Abdel-Aty, M. and Huang, H. (2012). Aggregate nonparametric ...
  • Anderson, T.K. (2009). Kermel density estimation and K-means clustering o ...
  • UNICEF(20 13). Road Traffic Injuries in Iran and their Prevention. ...
    • نمایش کامل مراجع