پیش‌بینی تعداد تصادفات در مناطق ویکتوریا با استفاده از یادگیری ماشین تفسیرپذیر
یک چارچوب تفسیرپذیر مبتنی بر یادگیری ماشین که تعداد تصادفات طی یک دوره پنج‌ساله را در ۳۱۱۱ منطقه تحلیلی در ایالت ویکتوریا استرالیا پیش‌بینی می‌کند، می‌تواند به مهندسان کمک کند مکان‌هایی را که به بررسی دقیق‌تر ایمنی نیاز دارند، در اولویت قرار دهند. در این پژوهش از الگوریتم تقویت گرادیان شدید (XGBoost) برای ترکیب ۱۳۸ متغیر پیش‌بین احتمالی استفاده شد؛ متغیرهایی که جمعیت، جابه‌جایی، زیرساخت‌های حمل‌ونقل عمومی، کاربری زمین و شبکه راه‌ها را توصیف می‌کنند. در اعتبارسنجی متقاطع تودرتو، مدل تنظیم‌شده به انحراف پواسون تجمیعی ۱٫۴۶۰ رسید که معادل مهارت انحرافی ۰٫۳۷۴ در مقایسه با پیش‌بینی مبتنی بر میانگین داده‌های آموزشی بود. همچنین، میانگین قدرمطلق خطا ۰٫۹۰۲ تصادف، ریشه میانگین مربعات خطا ۲٫۰۷۹ تصادف و ضریب همبستگی پیرسون میان مقادیر پیش‌بینی‌شده و شمارش‌های مشاهده‌شده ۰٫۶۷۰ بود. این نتایج از عملکرد پیش‌بینی داخلی و کاربرد بالقوه مدل برای غربالگری گذشته‌نگر حکایت دارند، اما کاهش تصادفات در آینده، آثار علّی یا مزایای ایمنی حاصل از مداخله‌ای مشخص در زیرساخت را اثبات نمی‌کنند.
مجموعه‌داده، کل تصادفات ثبت‌شده در هر منطقه تحلیلی را از ژانویه ۲۰۱۴ تا دسامبر ۲۰۱۸ در بر می‌گرفت. توزیع داده‌ها به‌شدت نامتوازن بود: در ۱۶۴۹ منطقه، معادل ۵۳٫۰ درصد کل مناطق، هیچ تصادفی ثبت نشده بود؛ میانه صفر بود، صدک هفتاد و پنجم برابر با یک و بیشترین مقدار برابر با ۸۳ تصادف بود. پراکندگی کم‌تراکم و چولگی به راست این توزیع، استفاده از تابع هدف پواسون برای داده‌های شمارشی را توجیه می‌کرد. ارزیابی نیز با انحراف میانگین پواسون و در کنار آن، میانگین قدرمطلق خطا، ریشه میانگین مربعات خطا، سوگیری پیش‌بینی، ضریب همبستگی و ضریب تعیین انجام شد. در این روش، پنج بخش برای اعتبارسنجی بیرونی و سه بخش برای اعتبارسنجی درونی در نظر گرفته شد تا انتخاب ابرپارامترها از ارزیابی عملکرد روی داده‌های کنارگذاشته‌شده مستقل بماند. تمام مراحل پیش‌پردازش نیز فقط روی مجموعه توسعه هر مرحله انجام شدند. این طراحی خطر استفاده از یک مشاهده برای تنظیم مدلی را که بعداً همان مشاهده را ارزیابی می‌کرد، کاهش داد؛ بااین‌حال، اعتبارسنجی همچنان به‌صورت داخلی و بر اساس تقسیم ردیف‌های داده انجام شد، نه پیش‌بینی زمانی یا آزمون مستقل در مناطق جغرافیایی جداگانه.
برای تنظیم مدل، سه روش جست‌وجوی شبکه‌ای، جست‌وجوی تصادفی و بهینه‌سازی بیزی با استفاده از برآوردگر پارزن با ساختار درختی (TPE) مقایسه شدند. هر روش در هر مجموعه توسعه بیرونی، ۲۴ پیکربندی را با استفاده از معیار یکسان در بخش‌های اعتبارسنجی درونی ارزیابی کرد. بهینه‌سازی بیزی در چهار مجموعه توسعه، کمترین انحراف پواسون در اعتبارسنجی درونی را به دست آورد؛ در مجموعه پنجم، جست‌وجوی تصادفی اندکی بهتر عمل کرد. مدل‌های حاصل برای هر بخش، نرخ یادگیری بین ۰٫۰۵۶۹ تا ۰٫۰۸۲۹، تعداد درخت بین ۱۶۴ تا ۴۵۳ و حداکثر عمق بین دو تا پنج داشتند. در داده‌های اعتبارسنجی بیرونی، تنظیم ابرپارامترها انحراف پواسون تجمیعی را از ۱٫۷۴۴ در مدل تنظیم‌نشده XGBoost به ۱٫۴۶۰ کاهش داد و ریشه میانگین مربعات خطا را نیز از ۲٫۳۰۰ به ۲٫۰۷۹ تصادف رساند. بااین‌حال، میانگین قدرمطلق خطا اندکی افزایش یافت و از ۰٫۸۸۸ به ۰٫۹۰۲ رسید. این نتیجه نشان می‌دهد که بهینه‌سازی یک تابع زیان مبتنی بر داده‌های شمارشی، لزوماً همه معیارهای خطا را بهبود نمی‌دهد. تعداد پیکربندی‌های آزمایش‌شده در هر روش یکسان بود، اما زمان‌های ثبت‌شده مستقیماً قابل مقایسه نبودند؛ زیرا روش‌ها از نظر اجرای موازی و نوع ابرپارامترهای تغییر‌یافته تفاوت داشتند.
عملکرد کلی مدل، خطاهای قابل‌توجه آن را در بخش بالایی توزیع پنهان می‌کرد. مجموع تصادفات پیش‌بینی‌شده با مدل تنظیم‌شده در تمام مناطق ۲۷۶۶٫۵ بود، درحالی‌که تعداد واقعی به ۳۰۳۶ می‌رسید. میانگین سوگیری پیش‌بینی نیز منفی ۰٫۰۸۷ تصادف بود. پیش‌بینی برای ۸۵ منطقه‌ای که دست‌کم پنج تصادف داشتند، به‌ویژه دشوار بود: در این مناطق ۸۵۳ تصادف ثبت شده بود، اما مجموع پیش‌بینی مدل تنها ۳۲۲٫۴ بود. میانگین قدرمطلق خطا در این گروه به ۶٫۷۳۶ تصادف و میانگین سوگیری به منفی ۶٫۲۴۲ تصادف رسید. در دهک بالایی مناطق از نظر تعداد پیش‌بینی‌شده تصادفات، میانگین پیش‌بینی ۲٫۷۰۹ بود، درحالی‌که میانگین واقعی به ۳٫۳۴۴ می‌رسید. در مقابل، مدل تعداد تصادفات مناطق بدون تصادف را به‌طور متوسط ۰٫۶۷۱ بیش‌برآورد کرد و تعداد تصادفات مناطق دارای دست‌کم یک تصادف را به‌طور متوسط ۰٫۹۴۲ کمتر از مقدار واقعی برآورد کرد. این گرایش‌های متضاد تا حدی ضعف مدل در مناطق دارای تصادفات زیاد را در سوگیری تجمیعی پنهان می‌کردند. بنابراین، در کنار دقت رتبه‌بندی و همبستگی، باید به کالیبراسیون پیش‌بینی‌ها نیز توجه کرد.
دو مدل مرجع رگرسیون شمارشی با ابعاد بالا در یکی از بخش‌های اعتبارسنجی بیرونی عملکرد نامناسبی داشتند. مدل‌های پواسون با منظم‌سازی ریج و دوجمله‌ای منفی، برای یک منطقه کنارگذاشته‌شده که ۷۰ تصادف در آن ثبت شده بود، به‌ترتیب حدود ۱۴٬۸۸۵ و ۱۱٬۴۱۶ تصادف پیش‌بینی کردند. مقادیر سه متغیر حفظ‌شده برای این منطقه خارج از دامنه موجود در داده‌های آموزشی قرار داشتند؛ از جمله مقدار استانداردشده‌ای بسیار افراطی برای تعداد تقاطع‌های چراغ‌دار. این مدل‌ها از طریق پیوند لگاریتمی خود برون‌یابی شدیدی انجام دادند، بی‌آنکه هشدار همگرایی صادر شود. نویسندگان این وضعیت را برون‌یابی شدید در مشخصات مدل‌های مرجع برازش‌شده توصیف کردند، نه دلیلی بر شکست عمومی مدل‌های رگرسیون شمارشی. در تحلیل اصلی، افزودن متغیری توصیف‌کننده طول راه که مربوط به سال ۲۰۱۹ بود، انحراف را فقط از ۱٫۴۶۰ به ۱٫۴۵۶ تغییر داد؛ بااین‌حال، این متغیر به دلیل تعلق داشتن به دوره‌ای پس از بازه تصادفات از مدل اصلی کنار گذاشته شد. جایگزینی میانگین‌گذاری با میانه برای داده‌های مفقود، حفظ ستون‌های تکراری و جایگزین کردن تابع هدف شمارشی با تابع زیان مبتنی بر خطای مربعی نیز، در پیکربندی‌های ثابت، تغییرات محدودی ایجاد کردند. نسخه مبتنی بر خطای مربعی ۵۰ پیش‌بینی منفی تولید کرد؛ در نتیجه، انحراف پواسون برای این پیش‌بینی‌ها تعریف‌پذیر نبود.
روش‌های انتساب اهمیت ویژگی‌ها نشان دادند که اطلاعات مربوط به شبکه راه‌ها و زیرساخت‌های حمل‌ونقل عمومی، مهم‌ترین منابع اطلاعاتی برای پیش‌بینی هستند. در تحلیل تجمیعی مقادیر SHAP، گروه شبکه راه‌ها (RoadNetwork) با میانگین قدرمطلق سهم گروهی ۰٫۳۴۸۰ در مقیاس لگاریتم مقدار مورد انتظار، بیشترین اهمیت را داشت و در تمام بخش‌های اعتبارسنجی بیرونی در رتبه نخست قرار گرفت. گروه ایستگاه‌های حمل‌ونقل عمومی با مقدار ۰٫۱۳۲۵ در رتبه دوم بود. در روش جایگشت مشترک یک گروه از ویژگی‌ها نیز، برهم‌زدن مقادیر گروه شبکه راه‌ها، انحراف پواسون روی داده‌های کنارگذاشته‌شده را ۰٫۷۴۱ افزایش داد و این افزایش برای گروه تعداد ایستگاه‌های حمل‌ونقل عمومی (NumTransitStops) برابر با ۰٫۰۹۳ بود. ضریب همبستگی اسپیرمن میان رتبه‌بندی حاصل از SHAP و روش جایگشت برای ۱۴ گروه ویژگی، ۰٫۸۴۶ به دست آمد. در میان متغیرهای منفرد، آنتروپی سرعت، تعداد ایستگاه‌های اتوبوس مترو و طول راه‌های دارای محدودیت سرعت ۶۰ کیلومتر بر ساعت، به‌ترتیب با میانگین قدرمطلق مقادیر SHAP تجمیعی ۰٫۱۲۹۶، ۰٫۱۰۰۸ و ۰٫۰۹۶۰، بیشترین اهمیت را داشتند. پس از آن‌ها، تعداد تقاطع‌های بدون چراغ و طول کل راه‌ها قرار گرفتند. در این پژوهش، آنتروپی سرعت نشان‌دهنده میزان توزیع طول راه میان دسته‌های مختلف سرعت مجاز است، نه میزان تغییر سرعت واقعی خودروها. همچنین، شمار ایستگاه‌های حمل‌ونقل عمومی، موجودی زیرساخت را اندازه می‌گیرد و معیاری برای میزان مواجهه عابران پیاده یا مسافران با خطر نیست. افزون بر این، همبستگی میان متغیرها و مشتق‌شدن ریاضی برخی شاخص‌ها از یکدیگر به این معناست که نمی‌توان اهمیت پیش‌بینی را به‌طور منحصربه‌فرد به یک متغیر نسبت داد.
رتبه‌بندی گذشته‌نگر نشان داد که پیش‌بینی‌ها چگونه می‌توانند توجه را بر مجموعه‌ای محدود از مناطق متمرکز کنند؛ بااین‌حال، عملکرد مدل در شناسایی میدانی و آینده‌نگر مناطق پرخطر آزمایش نشد. در میان ۱۵۶ منطقه دارای بالاترین رتبه، معادل پنج درصد کل مناطق، ۷۹۳ تصادف ثبت شده بود که ۲۶٫۱ درصد از کل تصادفات را تشکیل می‌داد. این مجموعه همچنین شامل ۴۳ منطقه از ۸۵ منطقه دارای دست‌کم پنج تصادف بود. با افزایش مجموعه اولویت‌دار به ۱۰ درصد مناطق، تعداد تصادفات پوشش‌داده‌شده به ۱۰۴۲ مورد، معادل ۳۴٫۳ درصد کل تصادفات، رسید و ۵۲ منطقه از مناطق دارای تصادفات زیاد را شامل شد؛ یعنی ۶۱٫۲ درصد از آن گروه. با اختصاص اولویت به ۲۰ و ۳۰ درصد مناطق، سهم تصادفات مشاهده‌شده به‌ترتیب به ۴۸٫۸ و ۶۰٫۷ درصد افزایش یافت و سهم مناطق دارای تصادفات زیاد در این مجموعه‌ها به ۷۶٫۵ و ۹۱٫۸ درصد رسید. در آستانه ۱۰ درصدی، مدل تنظیم‌نشده XGBoost توانست ۳۲٫۲ درصد تصادفات را پوشش دهد. این رقم برای یک مدل اکتشافی مبتنی بر مساحت، جمعیت و طول کل راه‌ها ۲۷٫۳ درصد و برای رتبه‌بندی مستقیم مناطق بر اساس طول راه ۲۴٫۹ درصد بود. این مقایسه‌ها بر همان داده‌های تصادفات سال‌های ۲۰۱۴ تا ۲۰۱۸ متکی بودند که برای ارزیابی پیش‌بینی به کار رفته بودند و آستانه‌ها نیز بر اساس این داده‌ها بهینه نشده بودند. بنابراین، نتایج بیانگر تمرکز تصادفات ثبت‌شده در رتبه‌بندی گذشته‌نگر هستند، نه اثبات موفقیت مدل در شناسایی نقاط حادثه‌خیز آینده.
نتایج این پژوهش، مدل را ابزاری برای غربالگری اولیه پیش از ارزیابی مهندسی دقیق معرفی می‌کنند، نه سامانه‌ای برای تصمیم‌گیری مستقیم درباره اجرای پروژه‌های عمرانی. در برنامه‌ریزی پیش از ساخت، تعداد پیش‌بینی‌شده بالای تصادفات و انتساب اهمیت به ویژگی‌ها می‌توانند به گروه‌های تخصصی کمک کنند تا تعیین کنند کدام مناطق به بررسی دقیق‌تر سلسله‌مراتب راه‌ها، پیکربندی تقاطع‌ها، ترکیب محدوده‌های سرعت، محل تلاقی مسیرهای حمل‌ونقل عمومی با شبکه راه و امکانات عابران پیاده نیاز دارند. برنامه‌ریزان راهبردی نیز می‌توانند هنگام اولویت‌بندی مطالعات ایمنی، خروجی مدل را در کنار سوابق تصادفات، میزان مواجهه با ترافیک، اهداف عدالت و برابری، امکان‌پذیری اجرا و بودجه در نظر بگیرند. استفاده جداگانه از این روش در مرحله اجرای پروژه‌های عمرانی، به داده‌هایی درباره انسداد خطوط عبور، هندسه باریک‌شدگی مسیر، وضعیت محدوده کارگاه، سرعت عملیاتی، تقاضای ترافیک، میزان مواجهه کارگران و عابران پیاده با خطر و رفتارهای مرتبط با رعایت مقررات نیاز دارد؛ هیچ‌یک از این اطلاعات در مجموعه‌داده تحلیلی پژوهش وجود نداشت. برآورد بازده سرمایه‌گذاری در اقدامات ایمنی نیز مستلزم اطلاعات مربوط به هزینه مداخلات و برآوردهای معتبر از اثربخشی آن‌هاست، نه صرفاً پیش‌بینی‌های حاصل از این مدل مقطعی.
چند محدودیت، دامنه تعمیم نتایج را کاهش می‌دهند. پژوهش فقط از یک مجموعه‌داده منطقه‌ای استفاده کرد، فاقد شاخص مستقیمی مانند متوسط ترافیک روزانه سالانه یا وسیله‌نقلیه‌ـ‌کیلومتر پیموده‌شده بود و کلید معتبر تطبیق ردیف‌های داده با مناطق، مختصات یا چندضلعی‌های جغرافیایی در اختیار نداشت. به همین دلیل، اعتبارسنجی با جداسازی جغرافیایی امکان‌پذیر نبود و ممکن بود مناطق نزدیک به یکدیگر یا مناطقی که از جهات دیگر وابستگی داشتند، در بخش‌های متفاوت اعتبارسنجی قرار بگیرند. بازه‌های اطمینان ۹۵ درصدی که با استفاده از ۲۰۰۰ نمونه‌گیری بوت‌استرپ زوجی برآورد شدند، به مدل‌های برازش‌شده در بخش‌های اعتبارسنجی وابسته بودند و ردیف‌ها را قابل‌مبادله فرض می‌کردند. این بازه‌ها عدم‌قطعیت ناشی از برازش مجدد مدل، وابستگی ناشی از هم‌پوشانی مجموعه‌های آموزشی یا همبستگی مکانی ناشناخته را در بر نمی‌گرفتند و بازه پیش‌بینی برای مناطق جدید یا شمار تصادفات آینده محسوب نمی‌شدند. دوره زمانی بسیاری از متغیرهای پیش‌بین نیز به‌طور کامل مستند نشده بود، هرچند متغیر مربوط به سال ۲۰۱۹ که آشکارا به دوره‌ای پس از بازه تصادفات تعلق داشت، حذف شد. کالیبراسیون مدل برای مناطق دارای تصادفات زیاد ضعیف‌تر بود، همبستگی میان متغیرها محدودیت‌هایی برای انتساب اهمیت پیش‌بینی ایجاد می‌کرد و طراحی مشاهده‌ای پژوهش امکان شناسایی آثار علّی را فراهم نمی‌ساخت. پیش از استفاده گسترده‌تر از این چارچوب یا به‌کارگیری آن در تصمیم‌های سرمایه‌گذاری، اعتبارسنجی مستقل زمانی و بیرونی، اتصال معتبر داده‌ها به اطلاعات جغرافیایی، سنجه‌های مستقیم مواجهه با ترافیک، داده‌های ویژه محدوده‌های کارگاهی و مطالعات مربوط به نتایج مداخلات ایمنی ضروری است.
موضوع پژوهش: پیش‌بینی تفسیرپذیر تعداد تصادفات پنج‌ساله با یادگیری ماشین در ۳۱۱۱ منطقه ویکتوریا.
عنوان مقاله: ادغام تحلیل‌های ایمنی در مدیریت ساخت‌وساز: رویکردی مبتنی بر یادگیری ماشین تفسیرپذیر برای غربالگری مناطق بر اساس تعداد تصادفات.
مشخصات مقاله: Nguyen, T.-H. T., Nguyen, T.-A., Nguyen, L. T., Nguyen, T.-D., & Ly, H.-B. (2026). Integrating safety analytics into construction management: An interpretable machine learning approach for zonal crash-count screening. Results in Engineering, 32، مقاله شماره ۱۱۳۶۲۸. https://doi.org/10.1016/j.rineng.2026.113628
شناسه دیجیتال مقاله (DOI): 10.1016/j.rineng.2026.113628
کلیدواژه‌ها: ایمنی راه، XGBoost، تعداد تصادفات، یادگیری ماشین، اعتبارسنجی تودرتو، تفسیرپذیری مدل، غربالگری مناطق، برنامه‌ریزی زیرساخت، ویکتوریا، داده‌های شمارشی، ادغام تحلیل‌های ایمنی.