حوادث ترافیکی یکی از چالش های اصلی در مدیریت ترافیک شهری هستند که میتوانند تاثیرات منفی بر ایمنی و کارایی سیستم های حمل و نقل داشته باشند.اقدامات نادرست آژانس های مدیریت ترافیک در برخورد با این حوادث میتواند منجر به تاخیر در عبور و مرور شود. آژانس های حمل و نقل برای مدیریت حوادث ترافیکی و به کارگیری استراتژی های مناسب نیاز به پیش بینی مدت زمان حادثه دارند. یکی از اهداف مدل بندی داده های حوادث ترافیکی، پیش بینی مدت زمان حادثه است.داده های زمان حوادث ترافیکی داده های زمان تا رویداد هستند. یکی از ویژگی های این داده ها وابستگی به مدت زمان است.یکی از مدل های رایج برای در نظر گرفتن این ویژگی، مدل های نرخ خطر مبنا است.مدل های نرخ خطر مبنا شامل مدل های زمان شکست شتابیده و مدل خطرات متناسب پارامتری و نیمه پارامتری کاکس می باشد. عملکرد مدل های نرخ خطر مبنا در پیش بینی زمان حوادث ترافیکی ، با توجه به فرضیاتی که دارند ممکن است دارای محدودیت هایی باشد.از جمله این فرضیات میتوان به فرض خطرات متناسب، در نظر گرفتن توزیع خاص برای داده ها، اثر ثابت با زمان عوامل تاثیرگذار و رابطه خطی بین متغیرهای مستقل و وابسته ، اشاره کرد و ممکن است برخی از این فرضیات در داده های حوادث ترافیکی وجود نداشته باشد.یکی دیگر از روش های رایج برای مدل بندی زمان حوادث ترافیکی مدل های یادگیری ماشین می باشد.نقطه قوت این مدلها این است که برخی از فرضیات مشکل ساز مدلهای نرخ خطر مبنا را ندارند.یکی از روش های یادگیری ماشین، شبکه های عصبی عمیق می باشد. اگر هدف این مدلها پیش بینی مدت زمان حادثه باشد ،آنها نمیتوانند وابستگی به مدت زمان را در داده های حوادث ترافیکی در نظر بگیرند.لذا از مدل های شبکه های عصبی عمیق با هدف برآورد تابع بقا استفاده میکنیم. اما این مدل ها هم نمی توانند به صراحت مدت زمان یک حادثه ترافیکی را پیش بینی کنند.بنابراین در این مطالعه علاقه مندیم که مدل یادگیری عمیق مبتنی بر تحلیل بقا طراحی کنیم که هم تابع بقا را برآورد کند و هم زمان حوادث ترافیکی را پیش بینی کند.

کلمات کلیدی