Arami Sham Asbi M, Yazdani Cherati J, Mohammadpour R A. Predicting Fatality and Injuries of Traffic Accidents by Conventional Time Series and Neural Network Modeling in Iran. J Mazandaran Univ Med Sci 2023; 33 (1) :205-215
URL:
http://jmums.mazums.ac.ir/article-1-19613-fa.html
آرامی شام اسبی محسن، یزدانی چراتی جمشید، محمدپور رضاعلی. مقایسه مدلهای SARIMA و LSTM در برآورد سری زمانی فوتیها و مصدومان حوادث ترافیکی سالهای 1390 تا 1400. مجله دانشگاه علوم پزشکی مازندران. 1402; 33 (1) :205-215
URL: http://jmums.mazums.ac.ir/article-1-19613-fa.html
چکیده: (1298 مشاهده)
سابقه و هدف: حوادث ترافیکی یکی از مهمترین دلایل مرگ و میر و به وجود آمدن ناتوانی در جهان است که سالانه آسیبهای فراوانی را به کشورها و میلیونها انسان تحمیل میکند. سریهای زمانی ناشی از ابعاد مختلف این حوادث مورد توجه پژوهشگران بسیاری قرار میگیرد. یکی از سریهای زمانی متداول و پرکاربرد در مدلبندی و پیشبینی سریهای زمانی، مدلهای باکس- نکینز هستند که شرط استفاده از آنها ایستایی مدل است. با پیشرفت فناوری و ظهور مدلهای شبکه عصبی و گسترش کاربرد انواع آنها در سریهای زمانی، بحث مقایسه قدرت پیشبینی این مدلها با مدلهای سنتی سری زمانی پیش آمده است. در این مطالعه، سری زمانی تعداد فوتیها و مجروحین حوادث ترافیکی در ایران در سالهای 1390 تا 1400 بررسی شده است.
مواد و روشها: تحلیلهای آماری مربوط به مدل سری زمانی SARIMA با استفاده از نرمافزار Minitab و EViews و مدل شبکه عصبی LSTM با استفاده از نرمافزارهای Python و Visual Studio Code انجام شده است.
یافتهها: در بازه زمانی مطالعه، روند تعداد فوتیها همواره کاهشی ولی مصدومان تا پیش از همهگیری کرونا افزایشی و پس از آن کاهشی شده و همواره بیشترین تعداد فوتی و مصدوم در شهریورماه هر سال بوده و ماههای با تعطیلی نه روز به شکل معنیداری فوتی کمتر و مصدوم بیشتری داشتند. به ترتیب 21/38 درصد و 27/56 درصد از فوتیها و مصدومان زنان بودند. سنین 20 تا 29 سال بیشترین تعداد فوتی و مصدوم را داشتند اما کودکان و افراد مسن آسیبپذیرتر بودند و سهمشان در فوتیها بیشتر از مصدومان است. بنابه نتایج، هرچه هوا بدتر شده است سهم حوادث منجر به فوت بیشتر شده است. در مقایسه SARIMA و LSTM یافتهها حاکی از برتری مدل LSTM در برآورد بهتر روند دادهها بودند. پیشبینی صورت گرفته نشان از روند افزایشی تعداد فوتیها و مصدومان طی سالهای آتی دارد.
استنتاج: مدل LSTM در مقایسه با مدل SARIMA عملکرد بهتری را در پیشبینی روند و تغییرات موجود در سری زمانی از خود نشان داد.
نوع مطالعه:
پژوهشي-کامل |
موضوع مقاله:
آمار زیستی