عنوان رویداد:
پانزدهمین سمینار احتمال و فرایندهای تصادفی
برگزار شده توسط:تاریخ برگزاری : 08 شهريور 1404
عنوان مقاله:
مدلبندی زمان حوادث ترافیکی با استفاده از شبکه عصبی عمیق بقا
نویسندگان:
فاطمه محمدی، محمد آرشی، آرزو حبیبی راد، ابوالفضل محمدزاده مقدم
دانلود فایلحوادث ترافیکی یکی از چالشهای اصلی در مدیریت ترافیک شهری هستند که میتوانند تاثیرات منفی بر ایمنی و کارایی سیستمهای حمل و نقل داشته باشند. یکی از آثار منفی حوادث ترافیکی، ایجاد ترافیک و تاخیر در عبور و مرور است. اقدامات نادرست آژانسهای مدیریت ترافیک در برخورد با تصادفات میتواند منجر به تاخیر در ترافیک و خطر تصادف شود. آژانسهای حمل و نقل برای مدیریت حوادث ترافیکی و به کارگیری استراتژیهای مناسب برای کاهش زمان حادثه و به دنبال آن کاهش ازدحام ترافیکی نیاز به پیشبینی مدت زمان حادثه دارند. دادههای زمان حوادث ترافیکی دادههای زمان تا رویداد هستند. یکی از ویژگیهای این دادهها وابستگی به مدت زمان است. یکی از مدلهای رایج برای در نظر گرفتن این ویژگی، مدلهای نرخ خطر مبنا است. مدلهای نرخ خطر مبنا شامل مدلهای زمان شکست شتابیده و مدل خطرات متناسب پارامتری و نیمه پارامتری کاکس می باشد. عملکرد مدلهای نرخ خطر مبنا در پیشبینی زمان حوادث ترافیکی، با توجه به فرضیاتی که دارند ممکن است دارای محدودیتهایی باشد.از جمله این فرضیات میتوان به فرض خطرات متناسب، در نظر گرفتن توزیع خاص برای دادهها، اثر ثابت با زمان عوامل تاثیرگذار و رابطه خطی بین متغیرهای مستقل و وابسته، اشاره کرد و ممکن است برخی از این فرضیات در دادههای حوادث ترافیکی وجود نداشته باشد. یکی دیگر از روشهای رایج برای مدلبندی زمان حوادث ترافیکی مدلهای یادگیری ماشین میباشد. نقطه قوت این مدلها این است که برخی از فرضیات مشکلساز مدلهای نرخ خطر مبنا را ندارند. یکی از روشهای یادگیری ماشین، شبکههای عصبی عمیق میباشد. اگر هدف این مدلها پیشبینی مدت زمان پاکسازی حادثه باشد، آن ها نمیتوانند وابستگی به مدت زمان را در دادههای حوادث ترافیکی در نظر بگیرند. لذا از مدلهای شبکههای عصبی عمیق با هدف برآورد تابع بقا استفاده میکنیم. اما این مدلها هم نمیتوانند به صراحت مدت زمان یک حادثه ترافیکی را پیشبینی کنند. بنابراین در این مطالعه علاقهمندیم که مدل یادگیری عمیق مبتنی بر تحلیل بقا طراحی کنیم که هم تابع بقا را برآورد کند و هم زمان حوادث ترافیکی را پیشبینی کند. مدل پیشنهادی میتواند وابستگی مدت زمان را هنگام پیشبینی مدت زمان حادثه با برآورد همزمان تابع بقا بر اساس مفهوم یادگیری چند وظیفهای در نظر بگیرد.
تحلیل بقای عمیق، مدلهای نرخ خطر مبنا، زمان پاکسازی حادثه، تابع بقا، یادگیری چند وظیفهای
برای لینکدهی به این مقاله از آدرس زیر استفاده نمایید:
برای ارجاع در منابع از عبارت زیر استفاده کنید:
محمدی، فاطمه، آرشی، محمد، حبیبی راد، آرزو، محمدزاده مقدم، ابوالفضل، 1404، مدلبندی زمان حوادث ترافیکی با استفاده از شبکه عصبی عمیق بقا، پانزدهمین سمینار احتمال و فرایندهای تصادفی، https://conference.uok.ac.ir/fa/archive_index.php?c=HN-spsp15&aid=1518083
دیگر مقالات این رویداد:
- بهبود مدل های جمعی تعمیم یافته در سری های زمانی
فاطمه رجبی نارکی، احد ملکزاده
- تشخیص اعداد دستنویس با رهیافت یادگیری ماشین
آرزو حاج رجبی، نوشین رضائی طالقانی
- برآورد عدد مولد موثر بیماری سل با استفاده از فرایند شاخه ای
مریم رستگار، وحید فکور، محمد تقی شاکری
- Application of Functional Linear Regression with Impact Points to Real Data: A Case Study
علیرضا شیروانی
- مروری بر استفاده از خانواده توزیع های فاز-نوع در مدل شوک های تعمیم یافته
سیروس فتحی منش، محی الدین ایزدی
- Kolmogorov-Arnold Networks (KAN): Revolutionizing Prediction in Machine Learning
حسین حق بین
تماس با ما
ایران، سنندج، بلوار پاسداران، دانشگاه کردستان، معاونت پژوهش و نوآوری
کدپستی: 15175-66177
تلفن: 33624008-087
پست الکترونیک: conference@uok.ac.ir
© کلیه حقوق متعلق به دانشگاه کردستان میباشد. (همایش نگار نسخه 11.0.1 )