این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
جاده، جلد ۳۲، شماره ۱۲۰، صفحات ۱۳۱-۱۴۸
عنوان فارسی پیش‌بینی رفتار رانندگان وسایل نقلیه سواری در هنگام مواجهه با راه‌بندان با استفاده از مدل شبکه عصبی
چکیده فارسی مقاله عدم توازن عرضه و تقاضا در ساعات شلوغی تردد باعث ازدحام ترافیک در معابر می‌شود که تأثیر بسزایی بر ایمنی، زمان سفر و مصرف سوخت دارد. بررسی رفتار رانندگان قبل از ازدحام و راه‌بندان می‌تواند ضمن ارائه راهکارهای مناسب به کاهش اثرات آن کمک کند. اگرچه پیش‌بینی رفتار رانندگان با استفاده از مدل‌های مختلف توسط محققین ارائه شده است، اما به‌ پیش‌بینی رفتار رانندگان قبل از راه‌بندان توجه چندانی نشده است. هدف اصلی این مطالعه تعیین مدلی برای پیش‌بینی رفتار رانندگان در مواجهه با راه‌بندان با استفاده از مدل شبکه عصبی است. در این تحقیق رفتار 124 راننده هنگام مواجه‌شدن با راه‌بندان از طریق فیلم‌برداری ویدئویی بدون جلب‌توجه رانندگان ضبط و پردازش شد و مشخصات فردی و رفتاری رانندگان نیز با تجزیه‌وتحلیل پرسش‌نامه‌های تکمیل شده توسط رانندگان استخراج شد. پس از تحلیل توصیفی، داده‌های جمع‌آوری‌شده با استفاده از تحلیل عاملی تأییدی روابط بین متغیرهای مشاهده شده و نهفته (نگرشی یا رفتاری) در نرم‌افزار Amos v.24 مورد ارزیابی قرار گرفتند و دو متغیر پنهان قانون‌گریزی و رانندگی پرخاشگرانه تعیین شدند. باتوجه‌به خروجی مدل شبکه عصبی که در نرم‌افزار SPSS ایجاد گردید، مهم‌ترین عامل در پیش‌بینی رفتار تغییر خطوط رانندگان در هنگام مواجهه با ترافیک، متغیر نگرشی قانون‌گریزی و سپس فاصله عرضی تا موانع یا خودروهای واقع در سمت چپ و راست ماشین موردنظر تعیین شدند. دقت مدل برای داده‌های آزمون برابر با 93/9 درصد است.
کلیدواژه‌های فارسی مقاله رفتار راننده،ازدحام،راه‌بندان،شبکه عصبی مصنوعی،
عنوان انگلیسی Predicting Passenger Car Drivers' Behavior when Encountering Traffic Jams Using a Neural Network Model
چکیده انگلیسی مقاله The imbalance of supply and demand during rush hours causes traffic congestion on roads, which has a significant impact on safety, travel time, and fuel consumption. Investigating the behavior of drivers before congestion and traffic jams can help to reduce its effects while providing suitable solutions. Although the prediction of drivers' behavior using different models has been presented by researchers, the prediction of drivers' behavior before traffic jams has not been paid much attention. The main purpose of this study is to determine the model for predicting the behavior of drivers when they encounter traffic jams using a neural network model. In this research, the behavior of 124 drivers was processed by recording video films without attracting drivers' attention, and the demographic and behavioral characteristics of the drivers were extracted from the analysis of the questionnaires completed by the drivers. After descriptive analysis, the collected data were evaluated using confirmatory factor analysis of the relationships between the observed and latent (attitudinal or behavioral) variables in Amos v.24 software, and two latent variables of law evasion and aggressive driving were determined. According to the output of the neural network model that was formed in SPSS software, the most important in predicting the behavior of drivers to lane changes when encountering traffic jams is the attitudinal variable of law evasion and then the transverse distance to obstacles or cars on the left and right side of the target car. The accuracy of the model for the test data is equal to 93.9%.
کلیدواژه‌های انگلیسی مقاله رفتار راننده,ازدحام,راه‌بندان,شبکه عصبی مصنوعی
نویسندگان مقاله سید حامد سید متین |
دانشجوی دکتری، گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه بین‌المللی امام خمینی (ره)، قزوین، ایران

علی عبدی کردانی |
استاد، گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه بین‌المللی امام خمینی (ره)، قزوین، ایران

نشانی اینترنتی https://road.bhrc.ac.ir/article_198232_1c5a2bc262e85f7904a9195690bf25ab.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات