1

Bayesian Network-Based Road Traffic Accident Causality AnalysisBayesian Network-Based Road Traffic Accident Causality Analysis

Xu Hongguo

Changchun, China Zhang Huiyong

2010 IEEE

2

Bayesian آنالیز علت تصادفات رانندگی بر اساسNetwork

Bayesian آنالیز علت تصادفات رانندگی بر اساسNetwork

چکیده :•آنالیز تصادفات رانندگی یکی از مهمترین جنبه های مورد •

تحقیق محققانی است که بر روی موضوع رانندگی ایمن تمرکز کرده اند و اکثر آنها برای ارزیابی و تحلیل های اماری داده های بدست آمده از تصادفات جاده ای از

استفاده کرده اند. Bayesian Networkتوسعه

Bayesianنتایج نشان می دهد که با استفاده از •Network می توان یک رابطه پیچیده بین تصادفات و

برخی عوامل دیگر بدست آورد.

3

چکیده :چکیده :

با کمک نتایج حاصل از آنالیز ، اطالعات ارزشمندی بدست •می آید که با استفاده از آنها می توان مکانیزمی برای

استخراج عوامل تصادفات جاده ای ایجاد کرد و همچنین چگونگی انجام اقدامات در جهت افزایش ایمنی رانندگی را

بیان کرد.

4

مقدمه :مقدمه :

عوامل تصادف شامل یک سری علتها و معلول ها می باشد:•که شامل رانندگان وسایل نقلیه موتوری و غیر فاکتور انسانی •

موتوری ، سرنشینان و عابرین پیاده می باشد.مانند وسیله نقلیه ، محیط جاده ای و محیط اطراف عوامل عینی •

می باشد.فاکتور های وسیله نقلیه مانند عملکرد ماشین•شامل انواع ترازبندی – چهار راه ها و نوع عوامل جاده ای •

پوشش جاده ای و از این قبیل موارد می باشد.شامل شرایط آب و هوایی ، حجم ترافیک و از عوامل محیطی •

این قبیل موارد می باشد

5

سیستم ترافیک جاده ای یک سیستم پیچیده و پویا می باشد و •عوامل مختلفی روی آن تاثیر گذار است این عوامل شامل

انسان ، ماشین ، جاده و محیط زیست می باشد و اختالل در هر یک از این موارد می تواند منجر به تصادف شود . به همین دلیل به یک سری خصوصیات شانسی و تصادفی وابسته است.

6

عناوین مطالبعناوین مطالب

مرور تحقیقات گذشته •

Bayesian Networkمقدمه ای از •

برای بررسی عوامل Bayesian Networkتوسعه•تصادفات رانندگی

ارتباط بین تصادفات جاده ای و علتهای آن•

خالصه و نتیجه گیری •

7

مرور تحقیقات گذشته مرور تحقیقات گذشته

محققان زیادی در سالهای اخیر نظریه هایی برای علت •تصادفات بیان کرده اند:

و 2004برای نمونه چونگ مایو و آبراهام اجیر در سال • مطالعاتی بر روی متدهای علتهای تصادفات 2005

رانندگی و داده کاوی تصادفات به وسیله الگوی ماشین یادگیرنده انجام دادند.

یک سیستم 2001ژانگ هایی و هم گروهی هایش در سال •طراحی کردند.association rulesآنالیز تصادفات بر اساس

8

Bayesian Method Bayesian Method

را روی آن اعمال می کنیم تا Bayesian Methodبرای یک ترافیک ایمن •زمان وقوع تصادفات را پیش بینی کنیم

را برای پیش Bayesian Network مدل 2005کینگ کیا او سو در سال •بینی ترافیک توسعه داد.

برای Bayesian Network یک 2006وانگ فاژی در سال •ارزیابی حالتهای رخداد تصادفات طراحی کرد و چندین عامل

تصادفات را مورد ارزیابی قرار داد. برای نمونه آب و هوا، حجم ترافیک و نوع وسیله نقلیه و از این قبیل را در زمان بروز تصادفات

مورد بررسی قرار داد.

. هرچند عوامل تصادفات چند بعدی است و بین آنها رابطه منطقی •وجود دارد. رابطه ها جهت دار می باشند اما بدون هرگونه

خصوصیت کلی و اساسی

9

در پیش بینی زمان رخداد Bayesian Networkکاربرد •تصادفات نشان می دهد که

می تواند ارتباط منطقی بین Bayesian، در مقایسه با سایر متدها•متغییرهای شبکه را توصیف کند.

•Bayesian می تواند ارتباط بین متغییرهای پویای شبکه را تضمین کند.

•Bayesian Method روش بهتری را برای بیان اطالعات درون یک مدلارائه می دهد مانند یک پیشنهاد متخصصانه

می تواند مشکالت موجود Bayesian Networkدالیل باال نشان می دهد که •در تحقیقات را حل کند

10

METHODOLOTYMETHODOLOTY

•Bayesian Network یا مدل گراف جهتدار بدون دوریک مدل گراف احتماالتی است.این شبکه مجموعه ای از متغییرهای تصادفی و وابستگی های شرطی بین آنها را با

استفاده از یک گراف جهت دار بدون دور نشان می دهد

•Bayesian Network شامل مجموعه ای از اعضایزیر می باشد:

مجموعه ای از متغییرها و مجموعه ای از لینک های •ارتباطی بین متغییرها

زوج متغییرهایی؛ با لینکهای ارتباطی سازنده یک گراف •جهت دار بدون دور

هر متغییر به وسیله یک جدول احتماالتی شرطی بیان می •شود.

11

بر اساس فرمول بیز برای Bayesian Networkپایه و اساس •احتماالت شرطی می باشد.

•P(H|D)=P(H)*P(D|H)/P(D) (1)•H یک فرضیه و D.یک داده می باشد •P(H) احتمال مقدم می باشد . احتمال رخداد H قبل از

دیده شود.Dاینکه •P(D|H) یک احتمال شرطی می باشد و بیان رخداد D با

درست باشد می باشد.Hفرض اینکه •P(D) احتمال رخداد D.می باشد •P(H|D) یک احتمال پسین است با احتمال اینکه فرضیه

درست باشد و داده وحالت قبلی فرضیه را بر می گرداند.

12

Bayesian NetworkBayesian Network

شامل دو مرحله می Bayesian Networkمدلسازی •باشد:

parameter learning یادگیری پارامتری •

structure learning یادگیری ساختاری

هدف از یادگیری ساختاری تعریف لینکهای ارتباطی بین نود • Bayesian Networkها بر اساس فرم ساختاری

است. می باشد که K2 الگوریتم ؛معروفترین متد در این زمینه•

یک الگوریتم جستجوی حریصانه می باشدیادگیری پارامتری:تشخیص حالت بعدی نود با استفاده از •

حالت قبلی نود.

13

هرچند اختالف بزرگی بین نتایج تخمین زده شده و نتایج •واقعی وجود دارد. معروفترین متد برای یادگیری پارامتری

به وسیله آنالیز پیش گویی می باشد.

قسمتهای داده نوع دادهخصوصیات نوع زمین– آب و هوا –کنترل ترافیک

محیطی

نوع – نوع پوشش جاده ای –نوع تقاطع – سطح تقاطع – و ضعیت جاده –جاده

برش جاده

خصوصیات جاده

شکل – نوع تصادف –علت تصادف تعداد کشته ها- تعداد –تصادف

تعداد –مجروحین با جراحت شدید خصوصیات آسیب–صدمات اندک

تصادف رانندگی

14

Bayesian Network متغییرها در Bayesian Network متغییرها در

در این شبکه نشان داده شده است که نوع جاده بر روی •نوع تصادفات تاثیر گذار است و همچنین نوع تصادفات بر

. کوهستانی3. تپه 2.مسطح 1روی تعداد کشته شدگان تاثیر گذار است زمین.جاده 6 4.اتوبان کالس 5 3. اتوبان کالس 4 2. اتوبان کالس 3 1. اتوبان کالس 2.آزاد راه 1

. جاده شهری 7زیر استاندارد نوع جاده

. جاده با 3. جاده با خطوط تقسیم شده 2.جاده به وسیله خطوط و عالئم تقسیم بندی شده 1. ترکیبی از خطوط و عالمتها4عالمتها تقسیم بندی شده

جاده مسطح-متقاطع

. 4. تخطی وسیله نقلیه غیر موتوری 3. تخطی وسیله نقلیه موتوری 2.نقص وسیله نقلیه 1. سایر موارد5عوامل غیر منتظره

علت تصادف

. برخورد از 5. برخورد از جهت مخالف 4. برخورد از عقب 3. برخورد از بغل 2.برخورد از جلو 1. خوردن به یک ماشین 9. خوردن به یک شی ثابت 8. چرخش 7. چپ کردن 6جهت خودش

. سایر موارد12. آتش گرفتن 11. سقوط کردن 10ساکن

شکل تصادف

. مرگبار3. احتمال مرگ 2.صدمه و آسیب 1 نوع تصادفتعداد کشته ها 4.5 3.4 2.3 1.2 0.1تعداد اشخاصی که شدیدا آسیب نفر3.حداقل 4 2.3 1.2 0.1

دیده اندتعداد اشخاصی که مصدومان نفر3.حداقل 4 2.3 1.2 0.1

سرپایی هستنداحتمال خسارت مالی نفر100000. حداقل 5 10000-100000. 4 1000-10000. 3 0-1000 2 .0.1

موجود در full-BNTتوسط متد یادگیری پارامتری و ابزار Bayesian Networkمتغییرها در مطلب محاسبه می شوند

15

C. Parameter Learning C. Parameter Learning

متد بررسی خواهد شد:2درستی پیش بینی توسط •

training data-مقایسه پیش بینی ها با 1•-محاسبه نرخ برخورد2•

مقایسه پیش بینی ها و داده های آموزشی در جدول نمایش داده شده است نتایج نشان می دهد که حداکثر خطای مطلق پیش بینی می باشد. زیرا سایر نمونه تصادفات با احتمال خسارت بر روی جاده های زیر استاندارد 0.0018 و حداقل 0.0116 با داده های آزمایشی

است.1 است. خطا در این مورد خیلی زیاد است و حدودا نرخ خطا 0برابر

16

D. Validity TestD. Validity Test

قطعه دادهk برای i پیش بینی احتمال تصادفات نوع •

باشد.i --اگر بیشترین مقدار برای تصادف • ها را i را تعریف می کنیم اگر و فقط اگر همه •

پیمایش کند.

pik

iDkp

iki

kp

ik

sk dd

kk

kk

,0

,1

Nنرخ برخورد برابر است با n

kkn SR /

1

% باشد پیش بینی می 80اگر نرخ برخوردبیشتر از تواند قطعا درست باشد.

17

آنالیز علت های تصادفاتآنالیز علت های تصادفات

احتمال شرطی تلفات حادثه تحت تاثیر جاده

18

با فرض اینکه تعداد کشته ها، آنهایی که آسیب جدی دیده اند و آنهایی که •آسیب اندک دیده اند همگی صفر باشد تاثیر جاده های متقاطع بر روی عوامل تصادفات نشان داده شده است. نتایج نشان می دهد که هر چه

وضعیت تقاطع ها بهتر باشد احتمال بروز تصادفات کمتر می شود.

اثر جاده در تلفات حادثه

19

با همان متد قبلی و با استفاده از اطالعات موجود مشخص •شد که تقاطع های جاده یکی از عوامل مهم در بروز

تصادفات رانندگی است.زمانی که تقاطع ها با استفاده از خط کشی و عالمتها •

مشخص شده باشند تعداد تلفات تا حد زیادی کاهش پیدا می کند . و این به این معناست که بهتر بودن امکانات

جاده ای باعث کاهش تلفات می شود.تاثیر سایر عوامل را با استفاده از همین روش می توان •

بررسی کرد

20

- نتیجه گیری:• Bayesian براساس آنالیز داده ها و آنالیز آماری؛ یک •

Network برای آنالیز عوامل بروز تصادفات رانندگی ارائهشد

این تالش برای ایجاد روش جدیدی برای آنالیز عوامل •حادثه ساز بود . نتایج حاصل از تجزیه تحلیل ، اطالعات

ارزشمندی در زمینه نحوه آشکارسازی علت تصادفات و چگونگی عمل کردن برای افزایش ایمنی رانندگی در بر

داشت.

21

REFERENCESREFERENCES

• [1] C. Miao, A. Ajith, “Traffic accident analysis using machine learning paradigms,” omputational Intelligence in Data Mining, 2005, vol. 29, No. 5, pp. 89-98.

•[2 ]C. Miao, A. Ajith, “Traffic Accident Data Mining Using Machine•Learning Paradigms,” Fourth International Conference on Intelligent Systems Design and

pplications (ISDA'04), Hungary,2004, pp. 415-42

•[3 ]H. Zhang, B. Back, W. Zhou, “The Design and Implementation of a Traffic Accident Analysis System,” Proceedings of the 14th International conference on Industrial and engineering applications of artificial intelligence and expert systems: engineering of

•intelligent systems, 2001, pp. 476-481. 0

•[4 ]H. Zhang, B. Back, W. Zhou, “The Design and Implementation of a Traffic Accident Analysis System,” Proceedings of the 14th International conference on Industrial and engineering applications of artificial intelligence and expert systems: engineering of

•intelligent systems, 2001, pp. 476-481.

22

Making a junction treeMaking a junction tree

A

B

C

D

E

Fmoralize

A

B

C

D

E

F

A

B

C

D

E

F

Triangulate(order f,d,e,c,b,a)

{b,d} {b,e,f}

{b,c,e} {a,b,c}

{a,b,c}

{b,c,e}

{b,e,f}

{b,d}

Wij = |Ci Å Cj|

1

11

2

2

1

Max spanning tree Findmax cliques

JtreeJgraph

GT

GMG

Jensen94