منصة الرسائل والاطاريح: اكتشاف منطقة الحوادث باستخدام تعلم الرسم البياني العميق بناءً على بيانات القيادة الطبيعية

الخلاصة

حوادث المرور على الطرق هي حوادث شائعة يمكن أن تؤدي إلى إصابات خطيرة وتؤثر بشكل مباشر على أفراد المجتمع. لقد تغير تركيز أبحاث السلامة المرورية من منع الإصابات في التصادم إلى التدابير المتخذة قبل وقوع الحادث لتجنب آثاره تمامًا. هذه التدابير المتخذة تحتاج إلى معرفة العوامل البيئية وغيرها من العوامل التي تسبب الحادث. لذلك ، لتحقيق هذه المتطلبات والتحليل المتعلق بها ؛ ظهرت بيانات القيادة الطبيعية (NDD) كمصدر مهم للبيانات يتمتع بصلاحية بيئية عالية. في هذه الرسالة ، نقوم بتحليل وتوقع مدى خطورة إصابات حوادث المرور وفقًا لقاعدة بيانات كوينزلاند التي تتكون من 328247 سجلًا لحوادث المرور التي حدثت خلال فترة 19 عامًا (من 2001 إلى 2019). لكل حادث 52 ميزة خاصة تم جمعها وقت وقوع الحادث. تُستخدم طرق filtering Feature Selection مثل Information-Gain) ، Gain-Ratio ، Relief-f ، Chi-(Squared لتقليل عدد الميزات التي سيتم استخدامها لاحقًا في نموذج التصنيف ، لتصنيف خمسة أنواع من خطورة الإصابة. تم تصميم النظام المقترح بطريقتين، اعتمد الأول مصنف ANN لتحقيق هدف التنبؤ بخطورة الحوادث باستخدام الميزات الناتجة من خطوة طرق اختيار الميزات السابقة ، والهدف الرئيسي هو رفع دقة التصنيف. النموذج المطبق هو مُصنِّف (ANN Feed-Forward) لتصنيف وتوقع خطورة الإصابة ، وكيف يمكننا استخدام هذه النتائج لتحديد مناطق الحوادث الشديدة. الطريقة الثانية المقترحة يتم تنفيذها لتحسين التصنيف ودقة التنبؤ على نتائج تصنيف الشبكات العصبية الاصطناعية. يتم تمثيل بيانات حوادث المرور (fully connected graph) يستخدم للتعلم العميق(deep graph) باستخدام خوارزمية Node2Vec يستخدم هذا النموذج لاستخراج الميزات الكامنة من البيانات الأولية. هذه الخوارزمية تحول ال (graph) إلى مصفوفات احادية منخفضة الأبعاد حيث يتم تمثيل كل حادث مصفوفة احادية من الخصائص ، ثم تمثل مصفوفة تضمين العقدة كمدخل لمصنف ANN مرة أخرى. بعد استخدام (deep graph learning) ، أشارت الميزات الناتجة إلى تحسن كبير في دقة تنبؤ مصنف ANN ؛ حقق 88.95بالمئة مقارنة بالدقة السابقة باستخدام الميزات الناتجة من طرق اختيار الميزة ، كانت النتائج 80.39 بالمئة. للتحقق من أداء نموذج ANN ، تم اقتراح نموذج اخر في هذه الرسالة. يُقترح نموذج CNN هنا لتصنيف وتوقع شدة الحادث. يتم استخدام كلتا الطريقتين السابقتين لاختيار و / أو استخراج الميزات الجديدة كبيانات إدخال إلى نموذج CNN المقترح. أظهرت النتائج أن الميزات المستخرجة من (deep graph learning) باستخدام نموذج ANN تتمتع بدقة أعلى من تلك التي تم الحصول عليها من نموذج CNN ، فهي تعطي 78.67٪ باستخدام نفس الميزات المستخرجة وفقًا للتقييمات المطبقة على كلا المصنفين. و للأسف لم يعطيCNN دقة عالية على البيانات المستخدمة لعدم وجود ترابط او صلة مشتركة بين الحوادث كما موجود صفة الترابط بين بيانات الصورة الواحدة.