| کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
|---|---|---|---|---|
| 572773 | 877377 | 2011 | 10 صفحه PDF | دانلود رایگان |
کلمات کلیدی
1. مقدمه
2. مواد و روش ها
2.1. داده های مربوط به تصادفات
2.2. تعریف شبکه بیزی
2.3. یادگیری BN ومعیارهای نمره دهی مورداستفاده
جدول1: متغیرها، مقادیر و دسته بندی واقعی براساس شدت
شکل1: نمونه ای از یک شبکه بیزی با CPTهای متناظر برای هر گره
2.4. پیش پردازش داده‌های BN
2.5. شاخص‌های ارزیابی BN
2.6. استنتاج BN
شکل2: منحنی های roc برای سه روش نمره دهی و یک مجموعه داده. (a) منحنی ROC برای نمره BDe، ناحیه roc برابر 0.62 است؛(b) منحنی ROC برای نمره MDL، ناحیه roc برابر 0.61 است و (c) منحنی ROC برای نمره شهز، ناحیه roc برابر 0.59 می باشد.
جدول2: دقت، حساسیت، ویژگی، HMSS و ناحیه roc برای معیارهای نمره دهی BDe، MDL و AIC (مجموعه های یادگیری وتست).
شکل3: کمان های بدست آمده با بکارگیری سه معیار نمره دهی
شکل 4: ساختار شبکه بیزی برای معیار MDL
3.نتایج و بحث
جدول4: نتایج استنتاجی برای متغیرهایی که با وقوع KSI در تصادفات ترافیکی ارتباط دارند
1-3- نوع تصادف (ACT)
3.2. AGE
3.3. روشنایی جاده و مسیر
3.4. تعداد مجروحین (NOI)
4. محدودیتهای این مطالعه
5 . خلاصه و نتیجه گیری ها
Several different factors contribute to injury severity in traffic accidents, such as driver characteristics, highway characteristics, vehicle characteristics, accidents characteristics, and atmospheric factors. This paper shows the possibility of using Bayesian Networks (BNs) to classify traffic accidents according to their injury severity. BNs are capable of making predictions without the need for pre assumptions and are used to make graphic representations of complex systems with interrelated components. This paper presents an analysis of 1536 accidents on rural highways in Spain, where 18 variables representing the aforementioned contributing factors were used to build 3 different BNs that classified the severity of accidents into slightly injured and killed or severely injured. The variables that best identify the factors that are associated with a killed or seriously injured accident (accident type, driver age, lighting and number of injuries) were identified by inference.
Research highlights▶ Bayesian Networks are usefully applied in the domain of traffic accident modeling. ▶ BNs are used for classifying traffic accidents according to their injury severity. ▶ BNs inference identifies variables associated with KSI (killed or seriously injured). ▶ The key variables for KSI were accident type, age, lighting and number of injuries.
Journal: Accident Analysis & Prevention - Volume 43, Issue 1, January 2011, Pages 402–411