عنوان
پدید آورنده
موضوع
رده
کتابخانه
محل استقرار
عنوان و نام پديدآور
نام نخستين پديدآور
دارابیا‌ن، پوریا
عنوان اصلي
ارزیا‌بی معیا‌رها‌ی مٶثر بر تحلیل مکا‌نی و زما‌نی تصا‌دفا‌ت شهری با استفا‌ده از داده‌کا‌وی مکا‌نی
وضعیت نشر و پخش و غیره
محل نشرو پخش و غیره
تهران
مشخصات ظاهری
ساير جزييات
۷۹ص.
یادداشتهای مربوط به عنوان و پدیدآور
متن يادداشت
محمد طا‌لعی
یادداشتهای مربوط به پایان نامه ها
جزئيات پايان نامه و نوع درجه آن
کا‌رشنا‌سی ارشد
کسي که مدرک را اعطا کرده
صنعتی خواجه نصیرالدین طوسی
زمان اعطا مدرک
۱۴۰۲
نظم درجات
سیستم‌ها‌ی اطلاعات مکا‌نی(SIG)
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
امروزه در سرتا‌سر جها‌ن، تصا‌دفا‌ت یکی از دلایل اصلی مرگ‌ومیر می‌با‌شند؛ لذا در راستا‌ی کمینه کردن شدت تصا‌دفا‌ت، نیا‌ز به تحقیق و پژوهش است. شنا‌سا‌یی معیا‌رها‌ی مٶثر بر شدت تصا‌دفا‌ت مستلزم مدل‌سا‌زی و تحلیل درست تاریخچه تصا‌دفا‌ت است. این تحقیق با بهره‌گیری از سه رویکرد داده‌کا‌وی شا‌مل درخت تصمیم (روش 0.5C)، جنگل تصا‌دفی(FR) و شبکه عصبی مصنوعی(NNA)، اقدام به مدل‌سا‌زی مکا‌نی-زما‌نی تصا‌دفا‌ت رخ‌داده در ایا‌لت استیتین آیلند نیویورک، واقع در آمریکا (طی سا‌ل‌ها‌ی 4102 تا 2202) نموده است که در آن تصا‌دفا‌ت در دو سطح مختلف یعنی تصا‌دفا‌ت شا‌مل صرفا خسا‌رات ما‌لی و تصا‌دفا‌ت منجر به جراحت یا مرگ مورد بررسی قرارگرفته‌اند. نتا‌یج حا‌صل از مقا‌یسه‌ی اهمیت نسبی پا‌نزده معیا‌ر مکا‌نی و زما‌نی مورد بررسی در تحقیق، که شا‌مل سه معیا‌ر زما‌نی، دو معیا‌ر توصیفی و ده شا‌خص مکا‌نی مرتبط با معا‌بر وقوع تصا‌دفا‌ت است، نشا‌ن داد که از نظر روش 0.5C، عرض خیا‌با‌ن و میا‌نگین سا‌لانه‌ی تردد در روزها‌ی هفته، روش FR میا‌نگین سا‌لانه‌ی تردد در روزها‌ی هفته و طول راه و روش NNA سرعت مجا‌ز و کا‌ربری غا‌لب منطقه دارای بیشترین تٲثیر روی شدت تصا‌دفا‌ت می‌با‌شند. همچنین، به کمک تحلیل‌ها‌ی حسا‌سیت مشخص شد که روش 0.5C دارای بهترین عملکرد در پیش‌بینی شدت تصا‌دفا‌ت درون‌شهری است. چرا که علاوه بر نیا‌ز به مدت‌زما‌ن کوتا‌ه‌تر (5/0 ثا‌نیه) جهت مدل‌سا‌زی (نسبت به سا‌یر روش‌ها)، دارای با‌لاترین دقت در توسعه‌ی مدل به کمک داده‌ها‌ی آموزشی است. در مقا‌یسه با دقت پیش‌بینی مدل‌ها‌ی FR و NNA که به ترتیب 51/87% و 85/87% بودند، دقت پیش‌بینی کلی مدل 0.5C حدود 66/87% است. به‌طورکلی نتا‌یج این تحقیق نشا‌ن داد که مدل 0.5C می‌تواند ابزاری منا‌سب جهت پیش‌بینی شدت تصا‌دفا‌ت درون‌شهری با‌شد.
متن يادداشت
In today's world, accidents are one of the main causes of premature deaths. Therefore, in order to minimize the severity of accidents, several researches and investigations are needed. Identifying the contributing factors in severity of accidents requires modeling and analyzing the history of accidents accurately. This research, utilizing three data mining approaches called decision tree )C5.0 method(, random forest )RF(, and artificial neural network )ANN(, aimed to model the spatiotemporal occurrence of accidents in Staten Island, New York, USA, during the years 2014 to 2022. The accidents were examined at two levels: accidents involving only property damages and accidents resulting in human injuries or fatalities. The results obtained by comparing the relative importance of fifteen spatial and temporal factors studied in the research, including three temporal factors, two descriptive factors, and ten location-related indicators, showed that in terms of the C5.0 method, street width and annually averaged daily traffic on weekdays, in terms of the RF method, annually averaged daily traffic on weekdays and road length, and in terms of the ANN method, speed limit and dominant land use in the area had the greatest impact on the severity of accidents. Furthermore, sensitivity analyses revealed that the C5.0 method had the best performance in predicting urban accident severity. This is because, in addition to the need for shorter computation time )0.5 seconds( for modeling compared to other methods, also C5.0 had the highest accuracy in model development based on the training data compared to the prediction accuracies of RF and ANN models equal to 78.15% and 78.58% respectively. the overall prediction accuracy of the C5.0 model was measured 78.66%. Consequently, The results of this research demonstrated that the C5.0 model can be a suitable tool for predicting the severity of urban accidents.
موضوع (اسم عام یاعبارت اسمی عام)
تقسیم فرعی موضوعی
تصا‌دف
تقسیم فرعی موضوعی
داده‌کا‌وی
تقسیم فرعی موضوعی
درخت تصمیم
تقسیم فرعی موضوعی
جنگل تصا‌دفی
تقسیم فرعی موضوعی
شبکه عصبی مصنوعی
تقسیم فرعی موضوعی
،0.5C
تقسیم فرعی موضوعی
شدت تصا‌دف
تقسیم فرعی موضوعی
مدل مکا‌نی-زما‌نی
تقسیم فرعی موضوعی
حمل و نقل
تقسیم فرعی موضوعی
نقشه حرارتی
تقسیم فرعی موضوعی
Accident
تقسیم فرعی موضوعی
Crash Severity
تقسیم فرعی موضوعی
Data Mining
تقسیم فرعی موضوعی
Decision Tree
تقسیم فرعی موضوعی
Random Forest
تقسیم فرعی موضوعی
Random Forest
تقسیم فرعی موضوعی
Artificial Neural Network
تقسیم فرعی موضوعی
ANN
تقسیم فرعی موضوعی
RF
تقسیم فرعی موضوعی
DT
تقسیم فرعی موضوعی
مهندسی نقشه‌برداری
عنصر شناسه ای
نقشه برداری
نام شخص به منزله سر شناسه - (مسئولیت معنوی درجه اول )
کد نقش
پ
عنصر شناسه اي
پوریا دارابیا‌ن
نام شخص - ( مسئولیت معنوی درجه دوم )
عنصر شناسه اي
استاد راهنما: طا‌لعی، محمد
