Artigo - Atena Editora

Artigo

Baixe agora

Livros

Highway Traffic Accidents Prediction Using Artificial Neural Network: A Case Study of Freeways in Spain

Nos últimos anos, Espanha testemunhou uma redução significativa na taxa de acidentes, atribuível à melhoria do comportamento dos utentes da estrada. No entanto, continua a existir uma necessidade premente de melhorias em diversas áreas. Notavelmente, 2016 marcou a primeira vez em 13 anos que o número de mortes aumentou 7% em comparação com o ano anterior. Este artigo realiza uma análise e previsão de acidentes de trânsito (RTAs) em locais de acidentes graves nas rodovias espanholas, empregando Redes Neurais Artificiais (RNAs) com um algoritmo de aprendizagem Feedforward. Esta abordagem serve como uma valiosa ferramenta de tomada de decisão para os decisores políticos na gestão de infra-estruturas, contribuindo para avanços na investigação sobre segurança nos transportes. A RNA, uma técnica potente com histórico de sucesso na análise de dados históricos para prever tendências futuras, é explorada para prever o número de acidentes rodoviários na Espanha. O artigo propõe um método para selecionar o modelo de RNA mais eficaz usando dados de acidentes de 2014 a 2017. O modelo incorpora variáveis como trechos de rodovia, ano, comprimento do trecho (km), tráfego médio diário anual (AADT), raio médio da curva horizontal , grau de curvatura vertical e acidentes de trânsito com percentual de veículos pesados. No desenvolvimento do modelo RNA, a função de ativação sigmóide é empregada em conjunto com o algoritmo Levenberg-Marquardt, incorporando números variados de neurônios. Os resultados do modelo indicam que os acidentes de viação estimados, com base em dados apropriados, estão estreitamente alinhados com os acidentes de viação reais, tornando-os adequados para a previsão de acidentes de viação em Espanha. Isto ressalta o potencial das RNAs como uma ferramenta robusta para analisar e prever acidentes e vítimas de trânsito.
Ler mais

Highway Traffic Accidents Prediction Using Artificial Neural Network: A Case Study of Freeways in Spain

  • DOI: https://doi.org/10.22533/at.ed.13174124090110

  • Palavras-chave: Redes Neurais Artificiais RNAs, Acidentes de Trânsito

  • Keywords: Artificial Neural Networks ANNs, Traffic Accidents

  • Abstract: In recent years, Spain has witnessed a significant reduction in the accident rate, attributable to the improved behavior of road users. However, there remains a pressing need for enhancements in various areas. Notably, 2016 marked the first time in 13 years that the number of deaths increased by 7% compared to the previous year. This paper undertakes an analysis and prediction of road traffic accidents (RTAs) at severe accident locations on Spanish highways, employing Artificial Neural Networks (ANNs) with a Feedforward learning algorithm. This approach serves as a valuable decision-making tool for policymakers in infrastructure management, contributing to advancements in transportation safety research. The ANN, a potent technique with a track record of success in analyzing historical data to forecast future trends, is explored to predict the number of highway accidents in Spain. The paper proposes a method to select the most effective ANN model using accident data spanning from 2014 to 2017. The model incorporates variables such as highway sections, year, section length (km), annual average daily traffic (AADT), average horizontal curve radius, degree of vertical curvature, and traffic accidents with the percentage of heavy vehicles. In the development of the ANN model, the sigmoid activation function is employed in conjunction with the Levenberg-Marquardt algorithm, incorporating varying numbers of neurons. The results of the model indicate that the estimated traffic accidents, based on appropriate data, closely align with actual traffic accidents, making them suitable for forecasting traffic accidents in Spain. This underscores the potential of ANNs as a robust tool for analyzing and predicting traffic accidents and casualties.

  • Ali Alqatawna
Fale conosco Whatsapp