براساس گزارشات موجود، تعداد کشته‌شدگان تصادفات جاده‌ای در سال 2016 به 35/1 میلیون نفر رسیده است و سالانه بیش از 38000 نفر در تصادفات جاده‌های ایالات متحده آمریکا جان می‌دهند. در این مقاله با در نظر گرفتن 20 پارامتر موثر بر شدت وقوع تصادفات براساس آمار و اطلاعات بخش مونتگومری واقع در ایالت مریلند آمریکا در سال‌های 2015 تا 2019 و آماده‌سازی لایه‌های رستری مورد نیاز در محیط GIS، سعی بر آن است که به پیش‌بینی چگالی شدت تصادفات جاده‌ای در کمان‌های شهری به کمک شبکه عصبی پرسپترون چندلایه پرداخته شود. از این‌رو، ابتدا 20 متغیر مستقل در قالب چهار گروه اصلی شامل پارامترهای مرتبط با راننده، پارامترهای مرتبط با شرایط آب و هوایی و زمانی، پارامترهای مرتبط با وسیله نقلیه و پارامترهای محیطی به صورت یک پایگاه داده مکانی آماده‎سازی شد. سپس با انجام پردازش‌های مکانی-آماری مورد نیاز، لایه‌های رستری تهیه شده در محیط MATLAB فراخوانی گردیدند و توسط شبکه عصبی پرسپترون چند لایه چگالی شدت تصادفات پیش‌بینی شده است. نتایج نشان داد که مدل شبکه عصبی پرسپترون سه لایه با لایه پنهانی که شامل 20 نورون و تابع آموزش Levenberg-Marquardt (با 99/0 = R2 و 00033/0 = MSE) عملکرد دقیق و مناسبی در جهت پیش‌بینی چگالی شدت تصادفات داشته است

کلمات کلیدی