تجزیه و تحلیل داده های عظیم یک کار پیچیده است که بدون یک سیستم مناسب قابل اجرا نیست. سیستم های اطلاعات جغرافیایی (GIS) توسط بسیاری از آژانس های حمل و نقل و ادارات پلیس برای تجزیه و تحلیل و مدیریت داده های تصادفات ترافیکی شهری (UTA) و برای تصمیم گیری با هدف کاهش نرخ تصادفات و افزایش ایمنی استفاده شده است. مکان دقیق حوادث و ویژگی های محیطی باید تجزیه و تحلیل شود زیرا UTA ها در مکان های خاص با ویژگی های خاص رخ می دهند. نرم افزار ArcGIS بهترین انتخاب برای به دست آوردن اطلاعات معنی دار و نتایج تجزیه و تحلیل از UTAs در یک بازه زمانی رصدی است. فناوری GIS عنصری اساسی برای بررسی و ارزیابی روابط پیچیده فضایی بین اجزای مختلف است که تصادف ترافیکی شهری یکی از آنهاست. تجزیه و تحلیل خرد یا کلان UTAها از طریق چشم انداز فضایی در محیط جغرافیایی و ساختار شهری می تواند علاوه بر کمک به تصمیم گیری، درک عمیقی از الگوهای UTAها ایجاد کند. UTA ها را می توان رویدادهای پیچیده ای دانست که در دو بعد مکانی و زمانی یا به عبارت دیگر مکان و زمان رخ می دهند. یک GIS می تواند بیش از دو پایگاه داده متفاوت و نامرتبط را ادغام کند. ارزیابی بین اشیاء فضایی مختلف در یک محیط جغرافیایی و عوامل مرتبط با آن در ساختار شهری که شامل مقوله کاربری اراضی، صلاحیت شبکه حملونقل جادهای، تراکم جمعیت و غیره میشود اما نه محدود، یکی از مشخصات GIS است. سازمان های ایمنی ترافیک و محققان UTA از GIS به عنوان یک فناوری کلیدی برای پشتیبانی از نیازهای تحقیقاتی و عملیاتی خود استفاده می کنند. به خصوص،
کلید واژه ها
اطلاعات جغرافیایی , تصادفات جاده ای , تحلیل فضایی , حوادث ترافیکی شهری
1. مقدمه
هدف اصلی این مقاله بررسی انتقادی ادبیات GIS یا سیستم اطلاعات جغرافیایی در منفیترین تأثیرات حملونقل شهری، UTA است، زیرا جغرافیا میتواند با پدیدههای مختلف از جمله حوادث ترافیکی مرتبط باشد. تجزیه و تحلیل UTA ها از طریق آینده نگر فضایی در یک محیط جغرافیایی با عوامل مرتبط، عامل کلیدی برای ایمنی و تصمیم گیری را بیان می کند. تصادفات جادهای را میتوان نه تنها در فضا، بلکه در زمان نیز بهعنوان حادثهای گسسته تحلیل کرد. تعداد زیاد رانندگان وسایل نقلیه و کاربران حملونقل جادهای منجر به تعداد قابل توجهی تصادفات شده است و کشورهای توسعهیافته و توسعه نیافته در حال حاضر از پیامدهای این تصادفات رنج میبرند. GIS نقش حیاتی در زمینه مهندسی حمل و نقل ایفا کرده است. تکنیک اصلی این مقاله مروری بر تحقیقات با کاربرد GIS در UTA و ساختار شهری بود. این مقاله ادبیات مربوط به مطالعات موجود در مورد تصادفات رانندگی را از منظرهای متعدد مورد بررسی قرار می دهد. تحلیلهای مکانی، زمانی و مکانی-زمانی قبلی تصادفات رانندگی خلاصه میشود. سپس، بررسی مفصلی از کاربردهای GIS در مطالعات تصادفات ترافیکی ارائه می کنیم. مدلهای پیشبینی تصادفات رانندگی و رویکرد بیزی بررسی میشوند. علاوه بر این، روشهای کنونی شناسایی مکانهای جادهای خطرناک برای حوادث ترافیکی شرح داده شده است. ما بررسی مفصلی از کاربردهای GIS در مطالعات تصادفات رانندگی ارائه می دهیم. مدلهای پیشبینی تصادفات رانندگی و رویکرد بیزی بررسی میشوند. علاوه بر این، روشهای کنونی شناسایی مکانهای جادهای خطرناک برای حوادث ترافیکی شرح داده شده است. ما بررسی مفصلی از کاربردهای GIS در مطالعات تصادفات رانندگی ارائه می دهیم. مدلهای پیشبینی تصادفات رانندگی و رویکرد بیزی بررسی میشوند. علاوه بر این، روشهای کنونی شناسایی مکانهای جادهای خطرناک برای حوادث ترافیکی شرح داده شده است.
2. GIS و حوادث ترافیکی
فرض اساسی استفاده از سیستم اطلاعات جغرافیایی در ارتباط با حوادث ترافیکی این است که تصادفات رویدادهای مجزایی هستند که به صورت مکانی و زمانی موضعی می شوند و هر پدیده دو ضلع مکانی و زمانی دارد. با دیدگاه آیندهنگر فضایی به UTAها، واضح است که بسیاری از عوامل مختلف حتی با یک UTA مرتبط هستند، از جمله نوع جاده، تراکم جمعیت، آب و هوا، فرهنگ، توزیع امکانات و غیره. درک روابط فضایی بین تصادفات شهری و عوامل مرتبط مهم است.
سیستمهای اطلاعات جغرافیایی اکنون شامل سیستمهای رایانهای میشوند که شامل لایههایی از اطلاعات اضافی و پسزمینه نقشه دیجیتال است که میتواند در هر ترکیب دلخواه و در هر مقیاسی مشاهده شود. ثابت شده است که GIS یکی از مفیدترین ابزار برای تحلیل فضایی و نقشه برداری موضوعات مختلف در مطالعات حمل و نقل است. UTA با افزایش جمعیت و وسایل نقلیه رایج تر شده است. اشتباهات انسانی و خطاهای انسانی شایع ترین دلیل UTAS است. با این حال، فراوانی UTA و شدت آنها را می توان با تجزیه و تحلیل مناسب و کارآمد کاهش داد. GIS و تجزیه و تحلیل مکانی مناسب ترین روش برای انجام تحلیل مکانی-زمانی در نظر گرفته می شوند. توزیع فضایی UTA به عنوان ساده ترین عوامل مکان یابی حوادث را می توان به صورت یک نقشه توسط GIS نشان داد و ایجاد کرد. جغرافیا می تواند در زمینه پدیده های مختلف مهم باشد، از جمله UTA ها این زیرفصل مروری بر ادبیات تجزیه و تحلیل حوادث GIS ارائه می دهد. رانندگی یک کار پیچیده است و UTAها تحت تأثیر عوامل متعددی قرار می گیرند که شامل اما نه محدود به صلاحیت شبکه حمل و نقل جاده ای، زمان به عنوان مهم ترین عامل در الگوی پویای شهری، جغرافیا و همه عوامل مرتبط در جغرافیا مانند آب و هوا و غیره می شود. UTAها رویدادهای پیچیده ای هستند و تجزیه و تحلیل آنها ساده نیست.
فناوری GIS یک عنصر اساسی برای بررسی و ارزیابی پدیده های پیچیده است. تجزیه و تحلیل فضایی UTAها و رابطه آنها با محیط جغرافیایی و ساختار شهری می تواند بینش عمیقی در مورد الگوهای تصادفات، نتایج ایمنی و فرآیند تصمیم گیری ارائه دهد. UTAها رویدادهای پیچیده ای هستند که دارای دو جنبه مکانی یا مکانی و زمانی یا زمانی هستند. تعداد زیادی از UTAها در سالهای اخیر ناشی از گسترش شهری و افزایش کاربران شبکه حمل و نقل جاده ای و وسایل نقلیه است. در حال حاضر، هم کشورهای توسعه یافته و هم کشورهای در حال توسعه با مسائل جدی UTAها و پیامدهای آن، مانند ناتوانی، ضربه، مرگ و غیره مواجه هستند. ایجاد رابطه فضایی بین اشیاء مختلف در یک محیط جغرافیایی و ساختار شهری که می تواند شامل تراکم جمعیت مقوله کاربری اراضی، پویایی شهری و همچنین داده های اجتماعی-اقتصادی شهری باشد اما نه محدود، یکی از کاربردی ترین کاربردهای GIS است. سازمان های ایمنی ترافیک و محققان UTA از GIS به عنوان یک فناوری کلیدی برای پشتیبانی از نیازهای تحقیقاتی و عملیاتی خود استفاده می کنند. به طور خاص، GIS-T یک برنامه GIS است که اغلب در برنامه ریزی حمل و نقل و تصمیم گیری استفاده می شود.
UTA یک تأثیر منفی ناشی از ارتباط داخلی با دو یا بیش از دو عامل مرتبط است. چندین مطالعه به این موضوع پرداخته اند که چگونه GIS به یکپارچه سازی شبکه های حمل و نقل با عناصر مختلف کمک می کند. به عنوان مثال، مارتین در سال 2002 توضیح داد که چگونه برنامه های تصمیم گیری ایمنی ترافیک و تجزیه و تحلیل قابلیت اطمینان نتایج را با استفاده از GIS در UTAها بهبود می بخشد.
در سال 1994، جانسون مطالعه ای با Demetsky [ 1 ] انجام داد و با این مطالعه آنها پتانسیل کاربردهای GIS در حمل و نقل و مدیریت حوادث را تأیید کردند. این مطالعه مفهوم کاربرد GIS در UTA و شبکه حمل و نقل را برجسته می کند.
علاوه بر این، تحقیقات دیگری کاربرد GIS را در مطالعات UTA و مدیریت حمل و نقل و تصمیم گیری نشان داده است. یک پایگاه داده UTA که می تواند توسط GIS با ویژگی ها مورد استفاده قرار گیرد در سال 1995 توسط Faghri و Raman [ 2 ] برای شهرستان کنت، دلاور ساخته شد. این سیستم شامل ویژگیهای UTA، مانند عوامل محیطی و فراوانی حوادث در محل حادثه برای انواع جادهها بود. مبانی اصلی GIS، از جمله جمع آوری داده ها، پیش پردازش آماده سازی داده ها، تفسیر و تجزیه و تحلیل داده ها، و نتایج و تولید کمی و کیفی، توسط لوئیس [ 3 ] مورد مطالعه قرار گرفت.
3. روابط فضایی و UTAs
هدف اصلی تجزیه و تحلیل روابط فضایی و UTAها ایجاد طرحی است که بتواند شناسایی خرد توزیع UTAها را برای شناسایی علل و پیامدها و تغییرات زمانی، مکانی یا زمانی در UTAها ایجاد کند.
هدف بعدی تجزیه و تحلیل روابط فضایی و UTAها، بررسی نقاط به اصطلاح داغ یا مناطق پر فعالیت در ساختار شهری با استفاده از GIS است. این طرح شامل وظایف زیر است: شناسایی نقاط داغ با استفاده از روش خوشهبندی، شناسایی الگوی UTA برای انواع جادههای مختلف، انجام نقاط داغ UTA، شناسایی الگوی نقاط داغ از طریق ساختار شهری، شناسایی توزیع فضایی UTAs و گرم / سرد در طول زمان، نقاط خطر را بر اساس جمعیت و کاربری زمین ایجاد می کند.
تجزیه و تحلیل الگوهای زمانی، مکانی و مکانی زمانی حوادث ترافیکی
روشها و روشهای مختلفی برای مطالعات و تحلیلهای مکانی و زمانی UTA استفاده شده است. از نظر الگوهای زمانی UTAها، مطالعات عمدتاً بر نوسانات در کمیت یا میزان شدت تصادفات رانندگی که شامل جراحات و تلفات است، بر اساس مقیاسهای زمانی که 24 ساعت در مقیاس خرد و سالانه در مقیاس کلان هستند، متمرکز شدهاند [ 4 ] [ 4]. 5 ] [ 6 ] . سطوح بالای تجمیع زمانی نمیتواند به وضوح تفاوتهایی را در متغیرهای مختلف نشان دهد، در حالی که تجزیه و تحلیل تفکیکشده به اطلاعات زمانی بیشتری در جزئیات نیاز دارد و تنوع بالایی دارد.
در مورد الگوهای فضایی UTAها، مطالعات مختلفی برای تجزیه و تحلیل UTAها در محیطهای جغرافیایی مختلف و ویژگیهای منطقه مختلف، مانند جادههای خاص [ 7 ] [ 8 ]، تقاطعها [ 9 ] یا راهروها [ 10 ] انجام شده است. علاوه بر این، بسیاری از مطالعات در مقیاس خرد و کلان توسط پایگاههای اطلاعاتی مختلف در محیطهای جغرافیایی مختلف منطقه مورد مطالعه انجام شده است که از منطقه آماری/تحلیل ترافیک (TAZ) [ 11 ] تا شهر [ 9 ]، شهرستان [ 5 ] و ایالت و ایالت را شامل میشود. سطوح ملی [ 12 ] .
یکی دیگر از مزایای GIS در UTA ها تفکیک داده ها به صورت مکانی است. قبل از اینکه GIS در جهان معروف شود، مجموعه داده های بسیار انباشته شده توسط بسیاری از محققان مورد استفاده قرار می گرفت. دادههای UTA بسیار انباشتهشده که میتواند به تعداد و نرخ UTA بر اساس مسافت سفر به عنوان مثال محدود شود، یا بر اساس دادههای جمعیتی، مانند سن، جنسیت، نوع تصادف و شدت، دسته خودرو یا نوع تسهیلات جادهای (شهری در مقابل روستایی و غیره)، به جای جنبه های فضایی [ 5 ] [ 8 ] [ 13 ]. با محبوب شدن روزافزون GIS، تفکیک فضایی داده ها و انجام تجزیه و تحلیل با وضوح بهتر آسان تر و کم هزینه تر شده است.
محققان همچنین تفکیک داده های تصادفات ترافیکی را در مقیاس زمانی و مکانی [ 14 ] [ 15 ] برای شناسایی تغییرات زمانی و مکانی در الگوهای تصادفات ترافیکی، توزیع ها یا خطرات بررسی کرده اند. GIS هم تفکیک مکانی و هم تفکیک زمانی را تسهیل می کند. کاربردهای آن در تجزیه و تحلیل حوادث ترافیکی در بخش بعدی مورد بحث قرار می گیرد.
4. کاربردهای GIS در تجزیه و تحلیل حوادث ترافیکی
GIS می تواند قابلیت های تحلیلی بسیار بیشتری نسبت به سایر ابزارهای نقشه برداری ارائه دهد. به عنوان مثال، در حالی که GIS یک پایگاه داده حاوی اطلاعات جغرافیایی است، همچنین یک سیستم نقشه برداری هوشمند است که می تواند ویژگی ها را با سایر ویژگی ها پیوند دهد و یک ابزار تبدیل اطلاعات است که می تواند با اعمال توابع تحلیلی، پایگاه های جغرافیایی جدید را بر اساس پایگاه های موجود ایجاد کند [ 16 ]. ] .
با داده های مکانی (جغرافیایی) ذخیره شده، GIS ها نمایش فضایی، ادغام فضایی، پرس و جوی فضایی، تحلیل و پردازش مکانی و غیره را امکان پذیر می کنند که تقریباً همه آنها در مطالعات حمل و نقل، به ویژه در تجزیه و تحلیل حوادث ترافیکی کاربرد دارند [ 17 ].
4.1. نمایش فضایی
تصادفات رانندگی را می توان در محل وقوع آنها بر روی نقشه های دیجیتال نشان داد. حداقل سه روش برای مکان یابی دقیق تصادفات رانندگی بر روی نقشه ها استفاده می شود. انتخاب روش به داده های مکان ثبت شده بستگی دارد.
• مکان دقیق تصادف مهم است، زیرا یک حادثه تنها در صورتی می تواند به صورت مکانی نمایش داده شود که هماهنگ کننده XY شناخته شود.
• آدرس های کدگذاری جغرافیایی فقط می توانند از آدرس های دقیق باشند. این رویکرد معمولاً برای دو نوع آدرس آدرس تصادفات رانندگی که در گزارشهای تصادفات رانندگی ثبت شدهاند، اعمال میشود. یکی آدرس دقیق قالب دیگر تقاطع دو خیابان است. هر دوی این قالبهای آدرس را میتوان تشخیص داد و در صورت انتخاب مدیر آدرس یاب صحیح، به مکانهای صحیح اضافه کرد. با این حال، این روش به ورودی یک لایه مرجع نیاز دارد که تمام اطلاعات جغرافیایی و ویژگی های هر بخش جاده را ذخیره می کند.
• تجزیه و تحلیل اضافه کاری می تواند محل دقیق UTA را در شبکه حمل و نقل جاده ای با شرایط و ویژگی های آن مکان خاص مشاهده کند. این روش به یک لایه مسیر نیاز دارد که شامل ویژگی های خطی است که شناسه ها و سیستم های اندازه گیری منحصر به فرد را ذخیره می کند. داده های تصادفات رانندگی باید با یک ویژگی که نام مسیر را نشان می دهد و یک ویژگی نشان دهنده اندازه گیری ذخیره شود. با توسعه علم کامپیوتر و تکنیکهای GIS، محققان متعددی از GIS برای نمایش UTA بر روی نقشه دیجیتال و انجام تحلیلهای مکانی استفاده کردهاند، GIS مناسبترین فناوری است.
4.2. ادغام فضایی
GIS یکپارچه سازی داده ها از منابع مختلف را بر اساس موقعیت های جغرافیایی افزایش می دهد. در تجزیه و تحلیل تصادفات ترافیکی، محققان از GIS برای پیوند داده های تصادفات ترافیکی با داده های ترافیکی (به عنوان مثال، حجم ترافیک و محدودیت سرعت) [ 18 ]، داده های موجودی جاده ها (به عنوان مثال، روسازی، هندسه، وضعیت جاده و تعداد خطوط) استفاده کرده اند [ 18 ] داده های زیست محیطی (به عنوان مثال، کاربری زمین) [ 11 ]، داده های جمعیت شناختی (به عنوان مثال، اشتغال و جمعیت) [ 19 ]، عوامل اجتماعی-اقتصادی و سایر عوامل بالقوه کمک کننده، و مکان های خاص مورد علاقه مانند مدارس [ 20 ]] برای ارزیابی و بررسی روابط بین وقوع حوادث رانندگی و عوامل مؤثر. همچنین استدلال شده است که کاربردهای GIS عنصری اساسی در هر مکانی و همچنین زمانی هستند حتی اگر تمرکز اصلی GIS نباشد [ 21 ].
4.3. پرس و جوهای فضایی
مزایای عمده پرس و جوهای فضایی در GIS این است که نتایج یک پرس و جو از پایگاه داده را می توان در قالب فضایی [ 22 ] و نتایج یک پرس و جو از نقشه های دیجیتال را می توان در قالب جدول مشاهده کرد. ارتباط بین قالب پایگاه داده و قالب مکانی یکی از ویژگی های اصلی داده های GIS است.
این قابلیت تجزیه و تحلیل عاملی را تسهیل می کند. می توان تصادفات رانندگی را بر اساس متغیرها انتخاب کرد و الگوهای فضایی تصادفات رانندگی انتخابی را به صورت بصری مشاهده کرد تا روابط جغرافیایی را تشخیص دهد. به عنوان مثال، با محدود کردن تصادفات رانندگی که در روزهای هفته و آخر هفته از شب تا صبح زود (بین ساعت 21:00 تا 6:00) برای رانندگان کمتر از 24 سال رخ می دهد، انواع خاصی از خوشه های فضایی را می توان یافت [ 23 ]. از طرف دیگر، می توان تصادفات رانندگی را به صورت مکانی انتخاب کرد تا مشخص شود که آیا این حوادث ترافیکی دارای ویژگی های مشترک هستند یا خیر. به عنوان مثال، Steenberghen، Dufays، Thomas and Flahaut [ 24] در مطالعه منطقه ای خود دریافتند که UTA در مناطق مدارس همیشه در 1 کیلومتر منطقه حائل از مدارس رخ می دهد. پرس و جو فضایی و پرس و جو جدولی نیز می توانند به طور همزمان مورد استفاده قرار گیرند. برای مثال، با بررسی یک معیار فضایی (مثلاً در فاصله 1600 متری از یک حادثه رانندگی قبلی) با استفاده از یک پرس و جوی فضایی در زمان مشخص میتوان تعیین کرد که آیا یک تصادف ترافیکی ناشی از یک حادثه رانندگی قبلی بوده است (به عنوان مثال، [ 25 ]).
4.4. تحلیل فضایی
تجزیه و تحلیل مکانی حوادث ترافیکی یک فرآیند آماری بسیار کمی است. در تجزیه و تحلیل تصادفات ترافیکی، تجزیه و تحلیل خوشه ای معمولاً برای یافتن نقاط داغ برای حوادث ترافیکی با رویکرد دو بعدی یا رویکرد خطی انجام می شود [ 14 ] [ 24 ] [ 26 ] [ 27 ] [ 28 ].
یکی از مشکلات اساسی در تحلیل خوشه ای تصادفات ترافیکی، خودهمبستگی فضایی است که قبلاً توسط بلک [ 14 ] و بلک و توماس [ 29 ] بحث شده است. تحلیل خوشه ای تصادفات ترافیکی مبتنی بر شبکه توسط Choi and Park [ 30 ] و Steenberghen و همکاران پیشنهاد و اجرا شد. [ 24 ] .
یامادا و تیل مطالعه ای بر روی تجزیه و تحلیل خودهمبستگی شبکه انجام دادند که به انجام تحلیل فضایی از طریق داده های نقطه ای در یک شبکه حمل و نقل [ 31 ] پرداخت. رویکردهای آماری برای تجزیه و تحلیل خوشهای نیز به طور گسترده در بستههای نرمافزاری متعدد، از جمله CrimStat III [ 32 ]، SAS [ 33 ]، Splus [ 34 ] و ArcGIS [ 35 ] در دسترس هستند.
در روش خطی برای تجزیه و تحلیل فضایی UTAs، به منظور پرداختن به ایمنی، تقسیم راه ها به واحدهای خرد یا کلان بر اساس روش تجزیه و تحلیل یک روش رایج است. روش های مختلفی برای تعریف بخش ها وجود دارد. یک کتابچه راهنمای ایمنی بزرگراه (HSM) تلاش می کند تا هر بخش را با در نظر گرفتن شرایط جاده که شامل اما محدود به عرض جاده، کاربری زمین، جمعیت، جزیره ایمنی نمی شود، برای بزرگراه های دو خطه «همگن کند [ 35 ] [ 36 ]. علاوه بر این، یک بخش جدید در تقاطع ها، 250 فوت قبل و بعد از مرکز هر تقاطع شروع می شود [ 36 ]. روش پنجره کشویی یکی دیگر از تکنیک های مفید برای لغزش شبکه و داده های خاص فنجانی توسط سلول ها در چندین بخش مختلف است [ 30 ].
5. مدل های پیش بینی تصادفات ترافیکی
محققان در دو دهه گذشته روشهای آماری مختلفی را برای پیشبینی تصادفات رانندگی در بخشهای مختلف جاده و ایجاد روابط بین تصادفات رانندگی بین مدارک UTA ایجاد کردهاند که شدت برای UTA، نوع حادثه، وضعیت ترافیک، آب و هوا، شرایط جاده، کاربری غالب زمین است. دسته و رفتار راننده
مدل هایی که از روزهای اولیه تحقیقات تصادفات رانندگی به طور گسترده مورد استفاده قرار گرفته اند شامل مدل های رگرسیون خطی چند متغیره و مدل های رگرسیون خطی لگ می باشد. این دو مدل فرض می کنند که عبارت خطای تصادفی در تابع معمولاً مستقل است. بنابراین نتایج و نتایج آماری برای ضرایب و همچنین متغیرها را می توان به راحتی به دست آورد. متأسفانه، بسیاری از موقعیتهای عملی به وجود میآیند که در آنها فرض یک خطای معمولی توزیع شده نمیتواند برقرار باشد. داده های شمارش تصادفات ترافیکی، پاسخ های باینری و سایر متغیرهای پیوسته با توزیع های مثبت و بسیار اریب را نمی توان با یک عبارت خطای توزیع شده نرمال مدل سازی کرد [ 37 ].
به منظور اجازه دادن به مدل رگرسیون برازش که با یا وابسته به تنها یک داده متغیر تصادفی مشخص میشود، مدل GLM (مدل خطی تعمیمیافته) برای اجازه دادن به مدلهای رگرسیون برازش برای دادههای پاسخ تک متغیره که از توزیعهای کلی پیروی میکنند، توسعه داده شد. به این خانواده نمایی می گویند که شامل توزیع های نرمال، دو جمله ای، پواسون، دوجمله ای منفی، هندسی و گاما و غیره است [ 37 ]. GLM ها معمولاً از سه جزء مختلف تشکیل شده اند: تصادفی، پیوند عملکردی و سیستماتیک [ 38 ]. مدل GLM در مقایسه با سایر مدل های خطی سودمندتر است زیرا انعطاف پذیری را در انتخاب تابع پیوند و توزیع عبارت خطا فراهم می کند [ 39 ]] . به عنوان مثال، یک تابع پیوند خطی ورود به سیستم و توزیع خطای دو جمله ای منفی را می توان برای تجزیه و تحلیل داده های شمارش تصادفات رانندگی انتخاب کرد. ساختار رسمی GLM ها توسط مایرز و همکاران خلاصه شد. [ 40 ] . تابع GLM در معادلات (2.1) و (2.2) برای مدل های آماری ایمنی نشان داده شده است. استفاده از یک برنامه نرم افزاری برای تناسب داده ها و برآورد ضرایب راحت است.
yمن=β0×افمنانقضا (∑j = 2βjایکسj)yi=β0×Fiexp(∑j=2βjxj)(2.1)
لوگاریتمyمن= lnβ0+β1لوگاریتمافمن+∑j = 2βjایکسjlnyi=lnβ0+β1lnFi+∑j=2βjxj(2.2)
جایی که yمنyi= متغیر نتیجه یا پاسخ، تعداد تصادفات رانندگی در واحد زمان.
افمنFi= جریان ترافیک؛
β0β0= رهگیری
β1β1= ضریب جریان ترافیک.
βjβj= ضرایب مجهول؛
ایکسjxj= متغیرهای کمکی یا توضیحی.
در سال 2003، Miaou [ 13 ] مطالعه ای انجام داد و بیان کرد که برخی از مدل های رگرسیون نه تنها برای تجزیه و تحلیل UTA بلکه برای رویدادهای دیگر در شبکه حمل و نقل جاده ای مناسب نیستند. هنگامی که میانگین و واریانس فراوانی تصادفات ترافیکی تقریباً برابر بود، رگرسیون پواسون مدل مناسب تری برای بررسی روابط بین تصادفات رانندگی بود [ 13 ]. پراکندگی بیش از حد زمانی اتفاق می افتد که واریانس مشاهده شده در داده ها بزرگتر از واریانس پیش بینی شده باشد. هنگامی که پراکندگی بیش از حد متوسط یا زیاد باشد، استفاده از رگرسیون دو جمله ای منفی مناسب تر است [ 13 ].
یافتن رابطه معنادار بین نرخ UTA و تعداد امکانات شهری مورد توجه محققین بوده است. یک رابطه خطی ( β1= 1β1=1) بین تعداد تصادفات رانندگی و AADT توسط چیپمن [ 41 ]، گاردر [ 42 ]، هاوئر [ 43 ]، یانسنس [ 44 ] و پرساود و دزبیک [ 45 ] پشتیبانی شد. این یافته نشان می دهد که با افزایش قرار گرفتن در معرض، احتمال فردی برای درگیر شدن در یک حادثه رانندگی به صورت خطی افزایش می یابد. نتیجه ای که توسط لرد در سال 2002 یافت شد [ 46 ] این را بیان کرد β1= 1.206 > 1β1=1.206>1برای شدت تصادف در بزرگراه های بیش از 3 خط. با این حال، اکثر محققین موافق هستند که الگوی UTAها در مورد حجم ترافیک از رابطه خطی پیروی نمی کند. β1< 1β1<1). این بدان معناست که با افزایش حجم ترافیک، سرعت رانندگی کاهش مییابد [ 47 ] [ 48 ]. نتایج نشان داد که عوامل خطر UTA و آسیب پذیری با افزایش حجم ترافیک کاهش می یابد زیرا رانندگان هوشیارتر هستند و با سرعت کم رانندگی می کنند.
با این حال، نتیجه ضریب توان جریان ترافیک کمتر از 1 می تواند مشکلاتی را در بهینه سازی ایمنی شبکه ایجاد کند. ماهر و همکاران [ 49 ] سعی کردند ایمنی و تأخیر خودرو را به طور همزمان در شبکه جاده دیجیتال بهینه کنند و دریافتند که جریان ترافیک به جای پراکنده شدن در بسیاری از جادهها زمانی که شبکه صرفاً برای ایمنی بهینه شده است، تمایل دارد بر روی چند جاده متمرکز شود. بنابراین، لرد [ 46 ] استدلال کرد که دستیابی به روششناسی مناسب برای اندازهگیری حجم ترافیک و تصادف توسط ادبیات ممکن نیست. پیشنهاد شد که تابع گاما ممکن است برای توصیف رابطه بین تعداد تصادفات ترافیکی و جریان ترافیک مناسبتر باشد و اینکه چگالی ممکن است معیار مناسبی برای نشان دادن قرار گرفتن در معرض در یک تابع تصادف ترافیکی باشد.
5.1. روش بیز
یکی از رشته های علمی معروف که به طور گسترده برای مطالعات UTA مورد استفاده قرار گرفته است، روش بیزی است. رویکرد بیزی در دهه گذشته به طور گسترده در آمار و رشته های علمی مورد استفاده قرار گرفته است. یکی از مزایای عمده رویکرد بیزی این است که پیش بینی خطرات را حتی برای داده های پراکنده یا رویدادهای نادر ممکن می سازد [ 50 ]. روش بیز روشی قدرتمند و موثر در پیش بینی است که می تواند در زمینه های مختلف مورد استفاده قرار گیرد.
روش بیز برای مدل سازی و تجزیه و تحلیل داده ها در معادله زیر نشان داده شده است. وقتی y فراوانی تصادفات رانندگی مشاهده شده را نشان می دهد، احتمال وقوع تصادفات رانندگی θ چقدر است؟
p ( θ | y) =p ( θ ) p ( y| θ )p ( y)=p ( θ ) p ( y| θ )🔻p ( θ ) p ( y| θ ) dθp(θ|y)=p(θ)p(y|θ)p(y)=p(θ)p(y|θ)∫p(θ)p(y|θ)dθ
جایی که
p ( θ | y)p(θ|y)= احتمال پسین مشروط بر y;
p ( θ )p(θ)= توزیع قبلی (می تواند آموزنده یا غیر آموزنده باشد).
p ( y| θ )p(y|θ)= تابع احتمال؛
p ( y)p(y)= توزیع قبلی تصویری.
روش EB یا روش تجربی بیز
روش بیز تجربی روشی با قابلیت تخمین توزیع قبلی از داده های بزرگ و واقعی است.
این رویکرد اصول روش بیز کامل را به چالش می کشد زیرا روش EB دو بار از داده ها استفاده می کند. وزن های مختلفی به تخمین استاندارد اختصاص داده می شود. این تخمین بر اساس فرض هر بخش است که از توزیع گاما پیروی می کند.
μEB i t=γمن تیμˆمن تی+ ( 1 –γمن تی)yمن تیμEBit=γitμ^it+(1−γit)yit(2.4)
جایی که
μEB i tμEBit= EB برآورد پسین برای بخش i در زمان t.
μˆمن تیμ^it= تعداد تصادفات ترافیکی مورد انتظار بخش i در زمان t (تخمین حداکثر احتمال، میانگین a، را می توان از یک سایت مرجع تخمین زد).
5.2. روش بیز کامل
روش بیز کامل یک فرآیند محاسباتی فشرده است که معمولاً با استفاده از رایانه اجرا می شود. روش متداول برای تخمین توزیع پسین در حال حاضر روش های شبیه سازی توسط مارکوف زنجیره مونت کارلو (MCMC) است.
این رویکرد معمولاً از چندین سطح تحلیل به روش تکراری استفاده میکند، بنابراین به آن مدل بیز سلسله مراتبی میگویند. مدل سلسله مراتبی به مدل ساز اجازه می دهد تا رابطه معناداری بین پارامترهای مطالعه با یک آینده نگر منطقی برقرار کند. رویههای سلسله مراتبی، چه از یک مدل بیز کامل یا یک مدل EB، معمولاً منجر به هموارسازی تخمینها برای هر واحد به سمت نرخ پیامد متوسط میشوند و عموماً نشان داده شده است که دقت و عملکرد پیشبینی را بهبود میبخشد [ 51 ]. این پایان نامه از رویکرد بیزی سلسله مراتبی برای مدل سازی خطرات نسبی تصادفات ترافیکی استفاده می کند. یک فرآیند مدل سازی دقیق در بخش 3.5 نشان داده شده است.
در تحقیقات بهداشت عمومی، ملاحظات اصلی مدل سلسله مراتبی، ایجاد روشهای جدید برای نقشهبرداری بیماری و پیشبینی بیماری است [ 52 ] [ 53 ] [ 54 ] [ 55 ] [ 56 ].
مطالعاتی در مورد مزایا و معایب مدل سلسله مراتبی در مقایسه با روش های قبلی و کلاسیک نشان داده و مورد بحث قرار گرفته است. مطالعات نشان داده اند که انجام یک برآورد ریسک با استفاده از مدل سلسله مراتبی بیز دارای مزایای متعددی نسبت به روش های کلاسیک است. وقوع بیماری معمولاً برای یک مکان تجزیه و تحلیل نادر است، بنابراین، تنوع زیادی در بین واحدهای تجزیه و تحلیل وجود دارد، به ویژه برای واحدهای تجزیه و تحلیل با اندازه جمعیت کوچک، که تمایز تنوع شانس و تفاوت واقعی در برآوردها را به چالش میکشد.
روشهای بیز سلسله مراتبی، که در آنها اثرات تصادفی همبسته فضایی مناسب مدلسازی میشوند، میتوانند تخمین واریانس بالا در مناطق کم جمعیت را محاسبه کنند و روند کلی فضایی را حفظ کنند [ 55 ] [ 57 ].
حوادث ترافیکی از نظر وقوع نادر و تنوع زیاد در واحدهای تجزیه و تحلیل شبیه به حوادث بیماری هستند، بنابراین مناسب است که مدلهای بیز سلسله مراتبی از نقشهبرداری بیماری برای مدلسازی تحلیل تصادفات ترافیکی، ارزیابی ریسک و نقشهبرداری تصادفات ترافیکی اتخاذ شود. بسیاری از مطالعات از رویکرد بیزی سلسله مراتبی به منظور برآورد عملکرد تصادفات رانندگی از نظر ایمنی استفاده شده است [ 15 ] [ 58 ]. نقشه مکان خطر تصادفات ترافیک شهری نیز توسط سان و میائو [ 15 ] [ 58 ] مورد بررسی قرار گرفت.
6. شناسایی مکان های خطرناک
روشهای مختلف و متنوعی برای بررسی و شناسایی مکانهای خاص خطر یا مکان مکانی به عبارتی دیگر استفاده شده است.
روشهای مختلفی برای شناسایی مکانهای خطرناک مورد استفاده قرار گرفتهاند و این پیشنیاز برای مطالعات مهندسی در نظر گرفته شده برای بررسی اقدامات متقابل است.
6.1. روش فرکانس
انجمن جهانی جاده تعداد تصادفات رانندگی را برای هر سایت خلاصه کرد و آنها را به ترتیب نزولی رتبه بندی کرد. مکان هایی با تعداد تصادفات ترافیکی از پیش تعیین شده بالا به عنوان مناطقی با طبقه بندی فرکانس بالا انتخاب شدند. این روش معمولاً برای اندازه گیری ایمنی برای یک مکان نقطه (شناسایی نقطه داغ) استفاده می شود. با این حال، این روش نمی تواند در شمارش قرار گرفتن در معرض وسایل نقلیه (به عنوان مثال، حجم ترافیک)، که به طور مستقیم با نسبت تصادفات ترافیکی مرتبط است، اعمال شود. این روش همچنین از یک سوگیری رگرسیون به میانگین رنج میبرد که در آن تعداد غیرعادی بالا احتمالاً متعاقباً کاهش مییابد حتی اگر هیچ بهبودی اعمال نشود.
6.2. روش نرخ تصادفات رانندگی
روش نرخ تصادفات ترافیکی، سایت ها را بر اساس نسبت بین تعداد تصادفات رانندگی و قرار گرفتن در معرض وسایل نقلیه رتبه بندی می کند. نرخها به صورت تصادفات ترافیکی/میلیون، وسایل نقلیه ورودی (EV) برای یک منطقه یا مکان خاص و تصادفات رانندگی بر اساس مایلهای طی شده وسیله نقلیه (VMT) برای بخشها داده میشود. سایت هایی که نرخ های بالاتر از نرخ مورد انتظار دارند به عنوان سایت های با نرخ بالا طبقه بندی می شوند. مزیت این روش این است که قرار گرفتن در معرض خودرو را به عنوان مخرج شامل می شود. اهمیت استفاده از حجم ترافیک برای عادی سازی توسط Affum و Taylor [ 59 ] مورد تاکید قرار گرفت.
یکی دیگر از روشهای نرخ تصادفات رانندگی، رویکرد رتبهبندی مبتنی بر پنجره کشویی است. فرکانس تصادفات ترافیکی، VMT و سایر مقادیر متغیر کمکی برای هر سلول ترکیب و محاسبه میشوند. سپس، نرخ تصادفات رانندگی به طور مستقل برای هر سلول محاسبه میشود و سلولها با نرخ [ 30 ] رتبهبندی میشوند. مشکل دیگر این روش این است که نرخ های مشاهده شده دارای مقدار زیادی عدم قطعیت در مکان های با نوردهی کم خودرو (EV کم، طول کوتاه یا VMT کم) هستند. به دلیل این عدم قطعیت بالا، نرخها در بخشهای با نوردهی کم مفید نیستند زیرا میتوانند بسیار بالا یا بسیار پایین باشند.
6.3. روش نرخ تصادفات ترافیکی بحرانی، روش معیارهای ترکیبی
تحلیل کمی تصادفات رانندگی و روش نرخ، نقاط داغی را شناسایی میکند که در آن نرخ تصادفات ترافیکی بالاتر از میانگین نرخ تصادفات رانندگی برای همان مکانها یا مناطق و همچنین مناطق در مقیاس ملی است.
یکی دیگر از کاربردهای این روش، تعیین معنادار نرخ تصادفات ترافیکی هر سایت نسبت به میانگین نرخ تصادفات ترافیکی همان مناطق است. این روش از همان مشکل تخمین مساحت کوچک مانند روش نرخ تصادفات ترافیکی رنج می برد.
جغرافیا و UTA بدون شک به هم مرتبط هستند. چه مشکلات مربوط به کیفیت پایین شبکه حمل و نقل و ایمنی، ویژگی های زیست محیطی یا دسترسی به منابع باشد، کابین جغرافیا برای همه مسائل ایمنی ترافیک کاربرد دارد.
سایت ها ابتدا با یک روش رتبه بندی می شوند و سپس سایت هایی که رتبه های بالایی دریافت می کنند با روش دیگری بررسی می شوند. برای بررسی، وزنهای مختلفی نیز میتواند به روشهای مختلف برای انتخاب مکانهای اولویتدار اختصاص داده شود. این رویکرد می تواند از محدودیت های استفاده از یک روش واحد جلوگیری کند.
7. نتیجه گیری
حادثه رانندگی رویدادی است با عوامل متعدد مرتبط که شامل کنش و رفتار انسانی، ساختار شهری، فرهنگ و غیره می شود اما محدود به آن نمی شود.
عوامل مرتبط با حوادث رانندگی معمولاً متفاوت و وابسته به یکدیگر هستند. GIS روشهای فضایی منحصربهفردی را نشان میدهد که پاسخهایی را به سؤالات در مورد علت پیچیده تصادفات ترافیکی ارائه میدهد. چنین سیستم هایی می توانند برای یکپارچه سازی و تحلیل محیط های فیزیکی، اجتماعی و فرهنگی موثر باشند. فناوری GIS مزایای زیادی در رابطه با یکپارچه سازی داده ها، پرس و جو تعاملی از پایگاه های داده و طراحی و ارائه یافته ها در قالب نقشه ارائه می دهد. هم تاثیر بصری و هم تجزیه و تحلیل داده های ارائه شده توسط GIS مزایایی هستند که استفاده از آنها را پشتیبانی می کنند. قابلیت همپوشانی لایههای داده، تفسیری فراتر از آنچه در هنگام استفاده از تحقیقات سنتی و روشهای آماری در دسترس است، میدهد.
بدون دیدگاه