Signal and Data Processing

fa تحلیل ساختار ترافیکی جاده‌های استان چهارمحال‌وبختیاری با استفاده از رویکردهای داده‌کاوی Analysis of the traffic structure of the roads of Chahar Mahal and Bakhtiari province using data-mining approaches مقالات پردازش داده‌های رقمی Paper پژوهشي Research <div style="text-align: justify;">مدیریت ترافیک جاده‌ای یکی از چالش‌های اساسی در نظام حمل‌ونقل است که تأثیر مستقیمی بر ایمنی عمومی، بهره‌وری اقتصادی و پایداری محیط‌زیست دارد. استان چهارمحال‌وبختیاری به‌دلیل موقعیت جغرافیایی راهبردی خود، نقش مهمی در اتصال مناطق مختلف کشور ایفا می‌کند؛ ازاین‌رو، تحلیل دقیق ساختار ترافیکی جاده‌های این استان گامی ضروری برای ارتقای کیفیت برنامه‌ریزی‌ها و تصمیم‌گیری‌های مبتنی بر داده در حوزه حمل‌ونقل محسوب می‌شود. در این پژوهش، داده‌های ترددشمار جاده‌ای استان در شهریورماه ۱۴۰۲ مورد استفاده قرار گرفته‌اند. این داده‌ها شامل متغیرهای کلیدی نظیر میانگین تردد وسایل نقلیه در پنج طبقه مختلف، میزان تخلفات سرعت غیرمجاز، فاصله غیرمجاز، سبقت غیرمجاز و سرعت متوسط در محورهای جاده‌ای هستند. تحلیل داده‌ها بر پایه سه الگوریتم یادگیری بدون نظارت شامل خوشه‌بندی <m:omath><m:r><m:rpr><m:scr m:val="roman"><m:sty m:val="bi"></m:sty></m:scr></m:rpr>k</m:r></m:omath> - میانگین، خوشه‌بندی سلسله‌مراتبی و رمزگذار خودکار انجام شده‌است. به‌منظور ارزیابی دقت و عملکرد این الگوریتم‌ها در خوشه‌بندی محورها، از سه شاخص معتبر سیلوئت، دیویس-بولدین و کالینسکی-هاراباسز بهره گرفته شده‌است. یافته‌ها نشان می‌دهند که مدل‌های رمزگذار خودکار و خوشه‌بندی سلسله‌مراتبی در مقایسه با روش سنتی  <m:omath><m:r><m:rpr><m:scr m:val="roman"><m:sty m:val="b"></m:sty></m:scr></m:rpr> </m:r><m:r><m:rpr><m:scr m:val="roman"><m:sty m:val="bi"></m:sty></m:scr></m:rpr>k</m:r></m:omath> -میانگین، دسته‌بندی دقیق‌تری از جاده‌ها ارائه داده و ساختار ترافیکی پنهان را بهتر آشکار می‌سازند؛ بر اساس نتایج، جاده‌های استان به دو خوشه متمایز تقسیم شده‌اند: خوشه نخست شامل محورهایی با بالاترین نرخ تردد و بیشترین میزان تخلفات سرعت و فاصله غیرمجاز است که نشانه‌ای از رفتارهای پرخطر رانندگی و ریسک بالای تصادف محسوب می‌شود؛ درحالی‌ که خوشه دوم محورهایی با الگوهای ترافیکی ایمن‌تر را در برمی‌گیرد. نوآوری اصلی این پژوهش در ترکیب هم‌زمان چند الگوریتم پیشرفته خوشه‌بندی و استفاده از شاخص‌های متنوع ارزیابی عملکرد است که موجب افزایش دقت تحلیل و استحکام نتایج شده‌است؛ افزون‌بر این، تلفیق متغیرهای فنی و رفتاری ترافیکی در یک چهارچوب داده‌محور، امکان استخراج بینش‌های عمیق‌تری از الگوهای ترافیکی را فراهم ساخته است. چهارچوب ارائه‌شده، قابلیت تعمیم به سایر مناطق کشور را دارد و می‌تواند به‌عنوان الگویی نوین در هوشمندسازی مدیریت شبکه‌های جاده‌ای به‌کار گرفته شود. پژوهش حاضر با فراهم‌سازی ابزارهای تحلیلی دقیق و عملیاتی، می‌تواند به ارتقای آگاهی تصمیم‌گیرندگان، بهینه‌سازی تخصیص منابع، طراحی استراتژی‌های ایمنی و درنهایت کاهش نرخ تصادفات منجر شود. به‌منظور تکمیل و توسعه این مسیر پژوهشی، پیشنهاد می‌شود مطالعات آتی به تحلیل‌های زمانی (فصلی)، ادغام متغیرهای انسانی، محیطی و توسعه مدل‌های پیش‌بینی ترکیبی در حوزه حمل‌ونقل بپردازند.</div> <div style="text-align: justify;">Road traffic management is a fundamental and multidimensional challenge within transportation systems, exerting a direct impact on public safety, economic efficiency, and environmental sustainability. The province of Chaharmahal and Bakhtiari, due to its strategic geographical location, plays a critical role in connecting various regions of Iran. Therefore, a precise analysis of the traffic structure of this province’s roadways is essential for improving the quality of data-driven planning and decision-making in the transportation sector. In this study, road traffic-counter data collected during September were utilized. These data include key variables such as the average number of vehicles in five different classes, instances of traffic violations (namely speeding, tailgating, and illegal overtaking), as well as the average speed on various road segments. The data were analyzed using three unsupervised learning algorithms: k-means clustering, hierarchical clustering, and autoencoder-based clustering. To assess the accuracy and performance of these algorithms in segment clustering, three well-established evaluation metrics—Silhouette score, Davies-Bouldin index, and Calinski-Harabasz index—were employed. The results demonstrate that the autoencoder and hierarchical clustering models offer a more accurate classification of road segments compared to the conventional k-means method, revealing latent traffic structures more effectively. Based on the findings, the roads in the province were categorized into two distinct clusters: the first cluster includes segments with the highest traffic volume and the highest rates of speeding and tailgating violations—indicative of risky driving behaviors and elevated accident risk. The second cluster encompasses segments characterized by safer traffic patterns. The primary contribution of this research lies in the integrated application of multiple advanced clustering algorithms alongside diverse performance evaluation metrics, which significantly enhance the precision and robustness of the analysis. Furthermore, the combination of technical and behavioral traffic variables within a unified data-driven framework enables the extraction of deeper insights into traffic behavior patterns. The proposed framework is generalizable to other regions and can serve as a novel model for the intelligent management of roadway networks.By providing accurate and actionable analytical tools, this study has the potential to support decision-makers in raising awareness, optimizing resource allocation, designing safety strategies, and ultimately reducing accident rates. To extend and enrich this line of research, future studies are encouraged to incorporate temporal (e.g., seasonal) analyses, integrate human and environmental variables, and develop hybrid predictive models in the transportation domain.</div> یادگیری بدون نظارت, خوشه‌بندی, تحلیل ساختار ترافیکی, رمزگذار خودکار, سرعت غیرمجاز, فاصله غیرمجاز, استان چهارمحال‌وبختیاری. Unsupervised learning, clustering, traffic structure analysis, autoencoder, speeding violation, tailgating, Chaharmahal and Bakhtiari Province. 19 34 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-2731-1&slc_lang=fa&sid=1 Vahideh Ahrari وحیده احراری vahideh.ahrari@sku.ac.ir 100319475328460014064 100319475328460014064 Yes Assistant Professor, Department of Computer Science, Faculty of Mathematical Sciences, Shahrekord University, Shahrekord, Iran استادیار گروه علوم کامپیوتر، دانشکده علوم ریاضی، دانشگاه شهرکرد، شهرکرد، ایران Robab Afshari رباب افشاری afshari@znu.ac.ir 100319475328460014065 100319475328460014065 No Assistant Professor, Department of Statistics, Faculty of Sciences, University of Zanjan, Zanjan, Iran استادیار گروه آمار، دانشکده علوم، دانشگاه زنجان، زنجان، ایران