محسن آرامی شام اسبی، جمشید یزدانی چراتی، رضاعلی محمدپور،
دوره ۳۳، شماره ۱ - ( ۸-۱۴۰۲ )
چکیده
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 ۱۳۹۰ تا ۱۴۰۰ 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 ۲۱/۳۸ درصد و ۲۷/۵۶ درصد از فوتی‌ها و مصدومان زنان بودند. سنین ۲۰ تا ۲۹ 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.
mazums.ac.ir