استفاده از تکنیک های بهینه سازی یادگیری ماشین برای پیش بینی حوادث شغلی

شرایط کاری منجر به کاهش احتمال وقوع تصادف می شود. بنابراین، توسعه یک مدل شناسایی عوامل اصلی وقوع حادثه می تواند یک ابزار مفید و مناسب برای اجرای معیارهای پیشگیرانه باشد. تحقیقات کنونی در مورد خطر کار در محیط کار عمدتا با استفاده از آمار توصیفی معمولی صورت می گیرد که، با این وجود، قادر به شناسایی مناسب ارتباطات علت و اثر نیست و قادر به ساخت مدل هایی نیست که بتواند تصادفات را پیش بینی کند. با وجود مفید بودن روش یادگیری ماشین ML اما استفاده ازالگوریتم های مبتنی بر آن تا وقتی پارامترهایش به درستی تنظیم یا بهینه سازی نشود، نمی تواند بهترین عملکرد را تولید کند. علاوه بر این، انتخاب طبقه بندی کارآمد بهینه سازی به تنهایی ممکن نیست به اهداف کلی تصمیم گیری برسد، زیرا نمی تواند رابطه بین عوامل وقوع حوادث را توضیح دهد. از این رو، علاوه بر پیش بینی، قوانین تصمیم گیری نیز باید از داده های حادثه استخراج شود. دو الگوریتم رایج یادگیری ماشین، یعنی ماشین بردار پشتیبانی ( SVM ) ، که نوعی روش یادگیری آماری می باشد در این تحقیق مورد استفاده قرار گرفته تا پیش بینی حوادث شغلی با موفقیت انجام شود، و شبکه عصبی مصنوعی ANN ، که پارامترهایش توسط دو الگوریتم بهینه سازی قدرتمند، یعنی الگوریتم ژنتیک GA و بهینه سازی ازدحام ذرات PSO ، به منظور دستیابی به درجه بالاتر دقت و استحکام استفاده شده اند. در نهایت، مجموعه ای از 9 قانون مفید برای شناسایی علل اساسی آسیب، شکست در رسیدن به هدف و موارد خسارت مالی استخراج شده است.

کلیدواژه ها:

حوادث شغلی ، ماشین بردار پشتیبانی ، شبکه عصبی مصنوعی ، الگوریتم ژنتیک ، بهینه سازی