Lakhasly

اعتمدت الدراسات على العديد من التقنيات التي تتناول الذكاء الاصطناعي، 2020) كان من المهم تقليل عدد الحوادث من خلال التحليل والتعلم الآلي، ويتم إرجاع البيانات التي تحصل عليها الكومة من تسجيلات الحوادث اليومية. . تقليل عدد الحوادث اليومية بشكل صحيح وصحيح. وذلك لأن الانحدار اللوجستي يُرجع القيم الصحيحة لأنه يعتبر مشكلة تصنيف متعددة التصنيفات. وتم تسليط الضوء على البيانات، حيث تأخذ البيانات الجزء الأكثر أهمية في عملية النمذجة. استخرج الباحثون المعلومات من قاعدة بيانات S للحصول على قدر أكبر من الدقة والدقة في عملية التقييم، وذلك باستخدام مجموعة من الحوادث المميتة. يعد الحصول على تصنيف من حيث نوع الطريق والإضاءة والظروف الجوية أقل خطورة، كان هدفنا هو جمع المعلومات والبيانات المتعلقة بالحوادث الأخيرة من أجل تحديد العوامل التي تؤثر بشكل كبير على احتمالية وقوع الإصابات. تمكنا من تحديد 30 ميزة رئيسية ذات أهمية كبيرة في فهم حوادث الطرق والمخاطر المرتبطة بها. استخدم الباحثون تقنية التحقق المتبادل بعشرة أضعاف وأدرجوا مجموعات بيانات إضافية. وتضمنت بيانات التدريب 90% من مجموعة البيانات، تم تصنيف خطورة الحوادث إلى ثلاث مجموعات متميزة: مميتة وخطيرة وبسيطة. التي تتعامل بفعالية مع الميزات المختلفة المرتبطة بحوادث الطرق، من بين الخوارزميات الستة المستخدمة، كان تركيزي على تعزيز الدقة الشاملة من خلال تحليل البيانات المتعلقة بالحوادث الكبيرة التي تشمل السائقين الشباب من مجموعة البيانات بأكملها. بالإضافة إلى ذلك، قمت بمعالجة البيانات المفقودة أثناء مرحلة التدريب لإنشاء نموذج SMOTE. يتضمن هذا النموذج نهجًا دقيقًا في التعامل مع العناصر التي تمثل معلومات الفرد الأكبر سنًا، كان هدفهم هو تحديد الحل الأكثر فعالية لتقليل عدد الضحايا. وهو نموذج تصنيف ثلاثي الاتجاهات، للتمييز بين الحوادث المميتة والإصابات والأضرار في الممتلكات. ثم تم تقييم دقة نماذجهم لضمان أدائها الاستثنائي في هذا السياق المحدد.

جمع البيانات
اعتمدت الدراسات على العديد من التقنيات التي تتناول الذكاء الاصطناعي، أي أنه في دراسة (راجكومار، 2020) كان من المهم تقليل عدد الحوادث من خلال التحليل والتعلم الآلي، حيث كشفت الدراسة عن خطورة الحادث والعواقب التي قد تنجم عنه الناتجة عنها، ويتم إرجاع البيانات التي تحصل عليها الكومة من تسجيلات الحوادث اليومية. . تقليل عدد الحوادث اليومية بشكل صحيح وصحيح. وذلك لأن الانحدار اللوجستي يُرجع القيم الصحيحة لأنه يعتبر مشكلة تصنيف متعددة التصنيفات.
لكن الباحثين لم يكتفوا بالدراسات النظرية، وتم تسليط الضوء على البيانات، حيث تأخذ البيانات الجزء الأكثر أهمية في عملية النمذجة. وفي دراسة (Geyik, 2020)، استخرج الباحثون المعلومات من قاعدة بيانات S للحصول على قدر أكبر من الدقة والدقة في عملية التقييم، وذلك باستخدام مجموعة من الحوادث المميتة. يعد الحصول على تصنيف من حيث نوع الطريق والإضاءة والظروف الجوية أقل خطورة، ولكن تم ذلك من خلال خوارزمية تم اختيارها بعد الاختبار مع Naive Bayes.
خلال البحث الذي تم إجراؤه في دراسة (تينغ، 2020)، كان هدفنا هو جمع المعلومات والبيانات المتعلقة بالحوادث الأخيرة من أجل تحديد العوامل التي تؤثر بشكل كبير على احتمالية وقوع الإصابات. كان الهدف النهائي هو إنشاء نموذج تنبؤي يمكنه تحديد مدى خطورة الحوادث بدقة. ولتحقيق ذلك، قمنا بتجربة العديد من المصنفات، بما في ذلك Support Vector Machine (SVM)، والشبكة العصبية (NN)، وXGBoost، مع استخدام NB وCart أيضًا كنماذج تنبؤية. من خلال عملية صارمة لإزالة الميزات الزائدة (RFE)، تمكنا من تحديد 30 ميزة رئيسية ذات أهمية كبيرة في فهم حوادث الطرق والمخاطر المرتبطة بها.
وعلى النقيض من الدراسة السابقة، تناولت الدراسة (كوميدا، 2019) جوانب مختلفة من القضية المطروحة. لتعزيز دقة النتائج التي توصلوا إليها، استخدم الباحثون تقنية التحقق المتبادل بعشرة أضعاف وأدرجوا مجموعات بيانات إضافية. وتضمنت بيانات التدريب 90% من مجموعة البيانات، في حين تم تخصيص الـ 10% المتبقية لأغراض الاختبار. تم تصنيف خطورة الحوادث إلى ثلاث مجموعات متميزة: مميتة وخطيرة وبسيطة. ومن خلال الاستفادة من قدرات خوارزمية Fuzzy-FARCHD، التي تتعامل بفعالية مع الميزات المختلفة المرتبطة بحوادث الطرق، استخدم الباحثون أدوات التعلم الآلي للتنبؤ والتصنيف. من بين الخوارزميات الستة المستخدمة، تم تضمين كل من Fuzzy-FARCHD وRBF (شبكة وظيفة الأساس الشعاعي).
أثناء إجراء الدراسة (مملوك، 2020)، كان تركيزي على تعزيز الدقة الشاملة من خلال تحليل البيانات المتعلقة بالحوادث الكبيرة التي تشمل السائقين الشباب من مجموعة البيانات بأكملها. بالإضافة إلى ذلك، قمت بمعالجة البيانات المفقودة أثناء مرحلة التدريب لإنشاء نموذج SMOTE. يتضمن هذا النموذج نهجًا دقيقًا في التعامل مع العناصر التي تمثل معلومات الفرد الأكبر سنًا، مما يضمن الدقة أثناء مرحلة الاختبار وتحقيق معدل نجاح يصل إلى 87.97%.
وقد اهتم الباحثون في الدراسة (شين، 2020) بتحليل المتغيرات التي تلعب دورا في التسبب بالحوادث. كان هدفهم هو تحديد الحل الأكثر فعالية لتقليل عدد الضحايا. ولتحقيق ذلك، استخدموا XGBoost، وهو نموذج تصنيف ثلاثي الاتجاهات، للتمييز بين الحوادث المميتة والإصابات والأضرار في الممتلكات. ثم تم تقييم دقة نماذجهم لضمان أدائها الاستثنائي في هذا السياق المحدد.