پورتال همایش ها و سمینارهای دانشگاه کردستان
  • صفحه اصلی
  • آرشیو مقالات
  • سایت دانشگاه
  • سامانه قدیم
Bootstrap Touch Slider
  • مجموعه مقالات
  • معرفی سمینار
  • محورهای سمینار
  • ساختار سازمانی
  • پوستر
جستجوی مقالات
poster

عنوان رویداد:

پانزدهمین سمینار احتمال و فرایندهای تصادفی

برگزار شده توسط:

تاریخ برگزاری : 08 شهريور 1404

برگزار شده توسط :

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 فایل
چکیده

حوادث 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.‏

کلیدواژه‌ها

تحلیل بقای عمیق‏، مدل‌های نرخ خطر مبنا‏، زمان پاکسازی حادثه‏، تابع بقا‏، یادگیری چند وظیفه‌ای

لینک ثابت

برای لینک‌دهی به این مقاله از آدرس زیر استفاده نمایید:

https://conference.uok.ac.ir/fa/archive_index.php?c=HN-spsp15&aid=1518088
نحوه استناد به مقاله

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=1518088

OpenAccess
مقاله فوق علاوه بر این پایگاه در پایگاه OpenAccess.ir نیز درج شده است http://openaccess.ir/c/HN-spsp15/paper_1518088
مشاهده همه مقالات رویداد Poster
دیگر مقالات این رویداد:
  • خواص مجانبی برآوردگر ترکیبی در مدل‌های خطی با خطا در اندازه‌گیری

    فاطمه قپانی

  • قانون لگاریتم مکرر برای براوردگر هموار تابع توزیع در داده های در طول اریب

    مسعود عجمی، محبوبه اکبری

  • بهبود مدل های جمعی تعمیم یافته در سری های زمانی

    فاطمه رجبی نارکی، احد ملکزاده

  • بهبود مدل های جمعی تعمیم یافته در سری های زمانی

    فاطمه رجبی نارکی، احد ملکزاده

  • Diagnostic methods Using Liu Estimator in Linear Mixed Measurement Error Models

    شادی برهانی، فاطمه قپانی، راضیه جعفر اقایی

  • مقایسه روش‌های کلاسیک و بیزی در برآورد پارامتر قابلیت اعتماد تنش- مقاومت برای توزیع گمپرتز تعمیم‌یافته یکه

    اعظم کاراندیش مروستی، احسان ارمز، مریم بصیرت

OpenAccess
مقاله فوق علاوه بر این پایگاه در پایگاه OpenAccess.ir نیز درج شده است http://openaccess.ir/c/HN-spsp15/paper_1518088

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

سامانه قدیم


سامانه قدیم

© کلیه حقوق متعلق به دانشگاه کردستان می‌باشد. (همایش نگار نسخه 11.0.1 )