Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Một bước phát triển trong cách tiếp cận đánh giá độ nhạy của mạng lưới đường bộ đối với những tác động môi trường bằng cách sử dụng thuật toán máy học chức năng và phương pháp phân khu
Springer Science and Business Media LLC - Trang 1-29 - 2023
Tóm tắt
Các mối nguy thiên nhiên được coi là một trong những thách thức lớn nhất hiện nay. Ngăn chặn các quá trình biến đổi dẫn đến rủi ro và sau đó là khủng hoảng cần một cách tiếp cận chiến lược- cấu trúc. Một cách tiếp cận có thể xác định các vấn đề và thách thức phía trước theo một phương pháp hệ thống và toàn diện bằng cách hình thành một kế hoạch hoạt động có thể cung cấp khả năng phục hồi và giảm thiểu sự dễ bị tổn thương của các khu định cư và cơ sở hạ tầng đô thị. Mạng lưới đường bộ như một trong những yếu tố đô thị quan trọng nhất có vai trò quyết định trong việc quản lý khủng hoảng trong suốt quá trình xảy ra thiên tai (như động đất) hỗ trợ trong việc chuyển giao nạn nhân và lực lượng cứu hộ. Mục đích chính của nghiên cứu này là xác định độ dễ bị tổn thương của mạng lưới đường đô thị đối với rủi ro động đất bằng cách sử dụng mạng nơ-ron và các thuật toán máy học với phương pháp so sánh và hệ thống. Để xác định mô hình chính xác và hiệu quả nhất, một sự so sánh giữa mô hình mạng nơ-ron (ANN) và các thuật toán máy học bao gồm ADTree và KNN đã được thực hiện. Kết quả của nghiên cứu hiện tại trong việc đánh giá tình trạng cấu trúc của mạng lưới đường đô thị với Kích thước Fractal trên các khu vực có nguy cơ và dễ bị tổn thương cho thấy rằng các khu vực này có kích thước fractal thấp, và sự phân bố cũng như sự phân biệt của các con đường không cao, làm giảm hiệu quả của mạng lưới đường vào thời điểm khủng hoảng. Các kết quả khác của nghiên cứu hiện tại về việc áp dụng các thuật toán máy học chỉ ra rằng độ chính xác của thuật toán ADTree bằng 1. Ngoài ra, ở giai đoạn đo lường hiệu quả của mô hình với thuật toán Thống kê Phân loại, hiệu quả của thuật toán ADTree cũng bằng 1. Tuy nhiên, độ chính xác của thuật toán KNN (K-Nearest Neighbors) và mô hình mạng nơ-ron nhân tạo trong việc dự đoán độ dễ bị tổn thương của mạng lưới đường nội bộ lần lượt bằng 0,92% và 0,98%. Do đó, vì độ chính xác của thuật toán ADTree cao hơn, nó là thuật toán chính xác và hiệu quả nhất để dự đoán độ dễ bị tổn thương của mạng lưới đường vào những thời điểm xảy ra sự kiện nguy hiểm, và nó có thể hữu ích và hiệu quả trong việc ra quyết định của các nhà hoạch định chính sách và lập kế hoạch trong quản lý trước khủng hoảng.
Từ khóa
#mạng lưới đường bộ #rủi ro thiên tai #độ nhạy #thuật toán máy học #kích thước fractalTài liệu tham khảo
Abdulhafedh, A. (2016). Crash frequency analysis. Journal of Transportation Technologies, 6(04), 169.
Adnan Ikram, R. M., Khan, I., Moayedi, H., Ahmadi Dehrashid, A., Elkhrachy, I., & Le Nguyen, B. (2023). Novel evolutionary-optimized neural network for predicting landslide susceptibility. Environment, Development and Sustainability. https://doi.org/10.1007/s10668-023-03356-0
Adnan, R. M., Dai, H.-L., Kuriqi, A., Kisi, O., & Zounemat-Kermani, M. (2023a). Improving drought modeling based on new heuristic machine learning methods. Ain Shams Engineering Journal, 14(10), 102168. https://doi.org/10.1016/j.asej.2023.102168
Adnan, R. M., Dai, H.-L., Mostafa, R. R., Islam, A. R. M. T., Kisi, O., Elbeltagi, A., & Zounemat-Kermani, M. (2023b). Application of novel binary optimized machine learning models for monthly streamflow prediction. Applied Water Science, 13(5), 110. https://doi.org/10.1007/s13201-023-01913-6
Adnan, R. M., Mostafa, R. R., Dai, H.-L., Heddam, S., Kuriqi, A., & Kisi, O. (2023c). Pan evaporation estimation by relevance vector machine tuned with new metaheuristic algorithms using limited climatic data. Engineering Applications of Computational Fluid Mechanics, 17(1), 2192258. https://doi.org/10.1080/19942060.2023.2192258
Aghababaei, M. T., Costello, S. B., & Ranjitkar, P. (2021). Measures to evaluate post-disaster trip resilience on road networks. Journal of Transport Geography, 95, 103154. https://doi.org/10.1016/j.jtrangeo.2021.103154
Ahmed, H. A., Muhammad Ali, P. J., Faeq, A. K., & Abdullah, S. M. (2022). An investigation on disparity responds of machine learning algorithms to data normalization method. ARO-THE SCIENTIFIC JOURNAL OF KOYA UNIVERSITY, 10(2), 29–37. https://doi.org/10.14500/aro.10970
Alizadeh, M., Ngah, I., Hashim, M., Pradhan, B., & Pour, A. B. (2018). A hybrid analytic network process and artificial neural network (ANP-ANN) model for urban earthquake vulnerability assessment. Remote Sensing, 10(6), 975.
Aljojo, N. (2022). Network transmission flags data affinity-based classification by K-nearest neighbor. ARO-THE SCIENTIFIC JOURNAL OF KOYA UNIVERSITY, 10(1), 35–43. https://doi.org/10.14500/aro.10880
Ambraseys, N. N., & Melville, C. P. (2005). A history of Persian earthquakes: Cambridge university press
Berberian, M., & Yeats, R. S. (1999). Patterns of historical earthquake rupture in the Iranian Plateau. Bulletin of the Seismological Society of America, 89(1), 120–139. https://doi.org/10.1785/BSSA0890010120
Bi, L., He, H., Wei, Z., & Shi, F. (2012). Fractal properties of landforms in the Ordos Block and surrounding areas, China. Geomorphology, 175–176, 151–162. https://doi.org/10.1016/j.geomorph.2012.07.006
Bonini, M., Corti, G., Sokoutis, D., Vannucci, G., Gasperini, P., & Cloetingh, S. (2003). Insights from scaled analogue modelling into the seismotectonics of the Iranian region. Tectonophysics, 376(3), 137–149. https://doi.org/10.1016/j.tecto.2003.07.002
Buczkowski, S., Hildgen, P., & Cartilier, L. (1998). Measurements of fractal dimension by box-counting: A critical analysis of data scatter. Physica a: Statistical Mechanics and Its Applications, 252(1), 23–34. https://doi.org/10.1016/S0378-4371(97)00581-5
Chen, W.-S., & Yuan, S.-Y. (2003). A novel personal biometric authentication technique using human iris based on fractal dimension features. Paper presented at the 2003 IEEE International Conference on Acoustics, Speech, and Signal Processing, 2003. Proceedings.(ICASSP'03).
Chen, J., Wang, Q., Peng, W., Xu, H., Li, X., & Xu, W. (2022). Disparity-based multiscale fusion network for transportation detection. IEEE Transactions on Intelligent Transportation Systems, 23(10), 18855–18863. https://doi.org/10.1109/TITS.2022.3161977
Chen, J., Wang, Q., Cheng, H. H., Peng, W., & Xu, W. (2022). A review of vision-based traffic semantic understanding in ITSs. IEEE Transactions on Intelligent Transportation Systems, 23(11), 19954–19979. https://doi.org/10.1109/TITS.2022.3182410
Chen, J., Xu, M., Xu, W., Li, D., Peng, W., & Xu, H. (2023). A flow feedback traffic prediction based on visual quantified features. IEEE Transactions on Intelligent Transportation Systems. https://doi.org/10.1109/TITS.2023.3269794
Cheng, Q., Agterberg, F. P., & Ballantyne, S. B. (1994). The separation of geochemical anomalies from background by fractal methods. Journal of Geochemical Exploration, 51(2), 109–130. https://doi.org/10.1016/0375-6742(94)90013-2
Cheng, B., Wang, M., Zhao, S., Zhai, Z., Zhu, D., & Chen, J. (2017). Situation-Aware Dynamic Service Coordination in an IoT Environment. IEEE/ACM Transactions on Networking, 25(4), 2082-2095. https://doi.org/10.1109/TNET.2017.2705239
Cirianni, F., Fonte, F., Leonardi, G., & Scopelliti, F. (2012). Analysis of lifelines transportation vulnerability. Procedia - Social and Behavioral Sciences, 53, 29–38. https://doi.org/10.1016/j.sbspro.2012.09.857
Cova, T. J., & Johnson, J. P. (2003). A network flow model for lane-based evacuation routing. Transportation Research Part a: Policy and Practice, 37(7), 579–604. https://doi.org/10.1016/S0965-8564(03)00007-7
de Sousa, R. S., Boukerche, A., & Loureiro, A. A. F. (2022). On the prediction of large-scale road-network constrained trajectories. Computer Networks, 206, 108337. https://doi.org/10.1016/j.comnet.2021.108337
Fang, Y., Min, H., Wu, X., Wang, W., Zhao, X., & Mao, G. (2022). On-ramp merging strategies of connected and automated vehicles considering communication delay. IEEE Transactions on Intelligent Transportation Systems, 23(9), 15298–15312.
Gu, Q., Tian, J., Yang, B., Liu, M., Gu, B., Yin, Z., Yin, L., & Zheng, W. (2023). A novel architecture of a Six Degrees of Freedom Parallel Platform. Electronics, 12(8). https://doi.org/10.3390/electronics12081774
Gutenberg, B., & Richter, C. F. (1950). Seismicity of the earth and associated phenomena. Mausam, 1(2), 174–176.
Hafstein, S. U. F., Chrobok, R., Pottmeier, A., Schreckenberg, M., Mazur, C., & F. (2004). A high-resolution cellular automata traffic simulation model with application in a freeway traffic information system. Computer-Aided Civil and Infrastructure Engineering, 19(5), 338–350. https://doi.org/10.1111/j.1467-8667.2004.00361.x
Han, Y., Wang, B., Guan, T., Tian, D., Yang, G., Wei, W., Tang, H., & Chuah, J. H. (2022). Research on road environmental sense method of intelligent vehicle based on tracking check. IEEE Transactions on Intelligent Transportation Systems, 1–15. https://doi.org/10.1109/TITS.2022.3183893
Hu, J., Chen, J., Chen, Z., Cao, J., Wang, Q., Zhao, L., & Chen, G. (2018). Risk assessment of seismic hazards in hydraulic fracturing areas based on fuzzy comprehensive evaluation and AHP method (FAHP): A case analysis of Shangluo area in Yibin City, Sichuan Province, China. Journal of Petroleum Science and Engineering, 170, 797–812. https://doi.org/10.1016/j.petrol.2018.06.066
Huang, Z. (2003). Data integration for urban transport planning.
Hussein, N. A. (2022). Synchro software-based alternatives for improving traffic operations at signalized intersections. ARO-THE SCIENTIFIC JOURNAL OF KOYA UNIVERSITY, 10(1), 123–131. https://doi.org/10.14500/aro.10915
Ikram, R. M. A., Dehrashid, A. A., Zhang, B., Chen, Z., Le, B. N., & Moayedi, H. (2023a). A novel swarm intelligence: Cuckoo optimization algorithm (COA) and SailFish optimizer (SFO) in landslide susceptibility assessment. Stochastic Environmental Research and Risk Assessment, 37(5), 1717–1743. https://doi.org/10.1007/s00477-022-02361-5
Ikram, R. M. A., Hazarika, B. B., Gupta, D., Heddam, S., & Kisi, O. (2023b). Streamflow prediction in mountainous region using new machine learning and data preprocessing methods: A case study. Neural Computing and Applications, 35(12), 9053–9070. https://doi.org/10.1007/s00521-022-08163-8
Jayasinghe, A., & Jezan, T. (2014). Fractal dimension of urban form elements and its relationships: In the case of city of Colombo. Asian Journal of Engineering and Technology (ISSN: 2321–2462), 2(02).
Kayal, S., & Kumar, S. (2013). Estimation of the Shannon’s entropy of several shifted exponential populations. Statistics & Probability Letters, 83(4), 1127–1135. https://doi.org/10.1016/j.spl.2013.01.012
Lantada, N., Irizarry, J., Barbat, A. H., Goula, X., Roca, A., Susagna, T., & Pujades, L. G. (2010). Seismic hazard and risk scenarios for Barcelona, Spain, using the Risk-UE vulnerability index method. Bulletin of Earthquake Engineering, 8(2), 201–229. https://doi.org/10.1007/s10518-009-9148-z
Li, T., Rong, L., & Yan, K. (2019). Vulnerability analysis and critical area identification of public transport system: A case of high-speed rail and air transport coupling system in China. Transportation Research Part a: Policy and Practice, 127, 55–70. https://doi.org/10.1016/j.tra.2019.07.008
Li, R., Zhang, H., Chen, Z., Yu, N., Kong, W., Li, T., Wang, E., Wu, X. & Liu, Y. (2022a). Denoising method of ground-penetrating radar signal based on independent component analysis with multifractal spectrum. Measurement, 192, 110886. https://doi.org/10.1016/j.measurement.2022.110886
Li, R., Wu, X., Tian, H., Yu, N., & Wang, C. (2022b). Hybrid memetic pretrained factor analysis-based deep belief networks for transient electromagnetic inversion. IEEE Transactions on Geoscience and Remote Sensing, 60. https://doi.org/10.1109/TGRS.2022.3208465
Lin, Z., Wang, H., & Li, S. (2022). Pavement anomaly detection based on transformer and self-supervised learning. Automation in Construction, 143, 104544. https://doi.org/10.1016/j.autcon.2022.104544
Liu, K. (2022). GIS-based MCDM framework combined with coupled multi-hazard assessment for site selection of post-earthquake emergency medical service facilities in Wenchuan, China. International Journal of Disaster Risk Reduction, 73, 102873. https://doi.org/10.1016/j.ijdrr.2022.102873
Liu, L., Moayedi, H., Rashid, A. S. A., Rahman, S. S. A., & Nguyen, H. (2020). Optimizing an ANN model with genetic algorithm (GA) predicting load-settlement behaviours of eco-friendly raft-pile foundation (ERP) system. Engineering with Computers, 36(1), 421–433. https://doi.org/10.1007/s00366-019-00767-4
Lu, Y., & Tang, J. (2004). Fractal dimension of a transportation network and its relationship with urban growth: a study of the dallas-fort worth area. Environment and Planning B: Planning and Design, 31(6), 895–911. https://doi.org/10.1068/b3163
Luo, Z., Wang, H., & Li, S. (2022). Prediction of international roughness index based on stacking fusion model. Sustainability, 14(12), 6949. https://doi.org/10.3390/su14126949
Mandebrot, B. (1967). How long is the coast of britain. Science, 156, 636–638.
Mandelbrot, B. B., & Mandelbrot, B. B. (1982). The fractal geometry of nature (Vol. 1): WH freeman New York.
Mehrabi, M., & Moayedi, H. (2021). Landslide susceptibility mapping using artificial neural network tuned by metaheuristic algorithms. Environmental Earth Sciences, 80(24), 804. https://doi.org/10.1007/s12665-021-10098-7
Moayedi, H., Canatalay, P. J., Ahmadi Dehrashid, A., Cifci, M. A., Salari, M., & Le, B. N. (2023). Multilayer perceptron and their comparison with two nature-inspired hybrid techniques of biogeography-based optimization (BBO) and backtracking search algorithm (BSA) for assessment of landslide susceptibility. Land, 12(1), 242.
Moayedi, H., & Dehrashid, A. A. (2023). A new combined approach of neural-metaheuristic algorithms for predicting and appraisal of landslide susceptibility mapping. Environmental Science and Pollution Research, 30(34), 82964–82989. https://doi.org/10.1007/s11356-023-28133-4
Moayedi, H., Mosallanezhad, M., Rashid, A. S. A., Jusoh, W. A. W., & Muazu, M. A. (2020). A systematic review and meta-analysis of artificial neural network application in geotechnical engineering: Theory and applications. Neural Computing and Applications, 32(2), 495–518. https://doi.org/10.1007/s00521-019-04109-9
Moayedi, H., & Rezaei, A. (2019). An artificial neural network approach for under-reamed piles subjected to uplift forces in dry sand. Neural Computing and Applications, 31(2), 327–336. https://doi.org/10.1007/s00521-017-2990-z
Mosallanezhad, M., & Moayedi, H. (2017). Developing hybrid artificial neural network model for predicting uplift resistance of screw piles. Arabian Journal of Geosciences, 10(22), 479. https://doi.org/10.1007/s12517-017-3285-5
Nair, S. R., & Bhavathrathan, B. K. (2022). Hybrid segmentation approach to identify crash susceptible locations in large road networks. Safety Science, 145, 105515. https://doi.org/10.1016/j.ssci.2021.105515
Nayyeri, H., Kahrizi, S., & Sanikhani, H. (2022). Analysis of the relationship between fractals and the dynamics governing watersheds, (case study Dinvar river basin in Kermanshah province, Iran). Environmental Earth Sciences, 81(21), 515. https://doi.org/10.1007/s12665-022-10641-0
Nguyen, H., Moayedi, H., Foong, L. K., Al Najjar, H. A. H., Jusoh, W. A. W., Rashid, A. S. A., & Jamali, J. (2020). Optimizing ANN models with PSO for predicting short building seismic response. Engineering with Computers, 36(3), 823–837. https://doi.org/10.1007/s00366-019-00733-0
Robat Mili, R., Amini Hosseini, K., & Izadkhah, Y. O. (2018). Developing a holistic model for earthquake risk assessment and disaster management interventions in urban fabrics. International Journal of Disaster Risk Reduction, 27, 355–365. https://doi.org/10.1016/j.ijdrr.2017.10.022
Shang, Y., Nguyen, H., Bui, X.-N., Tran, Q.-H., & Moayedi, H. (2020). A novel artificial intelligence approach to predict blast-induced ground vibration in open-pit mines based on the firefly algorithm and artificial neural network. Natural Resources Research, 29(2), 723–737. https://doi.org/10.1007/s11053-019-09503-7
Sun, F., Yu, J., Ge, X., Yang, M., & Kong, F. (2021a). Constrained top-k nearest fuzzy keyword queries on encrypted graph in road network. Computers & Security, 111, 102456. https://doi.org/10.1016/j.cose.2021.102456
Sun, L., D’Ayala, D., Fayjaloun, R., & Gehl, P. (2021b). Agent-based model on resilience-oriented rapid responses of road networks under seismic hazard. Reliability Engineering & System Safety, 216, 108030. https://doi.org/10.1016/j.ress.2021.108030
Taylor, M. A. P., Sekhar, S. V. C., & D’Este, G. M. (2006). Application of accessibility based methods for vulnerability analysis of strategic road networks. Networks and Spatial Economics, 6(3), 267–291. https://doi.org/10.1007/s11067-006-9284-9
Xi, W., Li, G., Moayedi, H., & Nguyen, H. (2019). A particle-based optimization of artificial neural network for earthquake-induced landslide assessment in Ludian county, China. Geomatics, Natural Hazards and Risk, 10(1), 1750–1771. https://doi.org/10.1080/19475705.2019.1615005
Xiao, Y., & Konak, A. (2016). The heterogeneous green vehicle routing and scheduling problem with time-varying traffic congestion. Transportation Research Part E: Logistics and Transportation Review, 88, 146–166. https://doi.org/10.1016/j.tre.2016.01.011
Yariyan, P., Zabihi, H., Wolf, I. D., Karami, M., & Amiriyan, S. (2020). Earthquake risk assessment using an integrated Fuzzy Analytic Hierarchy Process with Artificial Neural Networks based on GIS: A case study of Sanandaj in Iran. International Journal of Disaster Risk Reduction, 50, 101705. https://doi.org/10.1016/j.ijdrr.2020.101705
Wang, J., Tian, J., Zhang, X., Yang, B., Liu, S., Yin, L., & Zheng, W. (2022). Control of time delay force feedback teleoperation system with finite time convergence. Frontiers in Neurorobotics. https://doi.org/10.3389/fnbot.2022.877069
Wang, H., Zhang, X., & Wang, M. (2023). Rapid texture depth detection method considering pavement deformation calibration. Measurement, 217, 113024. https://doi.org/10.1016/j.measurement.2023.113024
http://www.amar.org
http://www.raahbord.com/perceptron-neural-network
http://www.test.basel.in/product/knn-naive-bayes-classifier-using-excel
Zhang, X., Fang, S., Shen, Y., Yuan, X., & Lu, Z. (2023). Hierarchical velocity optimization for connected automated vehicles with cellular vehicle-to-everything communication at continuous signalized intersections. IEEE Transactions on Intelligent Transportation Systems. https://doi.org/10.1109/TITS.2023.3274580
Zhang, X., Nguyen, H., Bui, X.-N., Le Anh, H., Nguyen-Thoi, T., Moayedi, H., & Mahesh, V. (2020). Evaluating and predicting the stability of roadways in tunnelling and underground space using artificial neural network-based particle swarm optimization. Tunnelling and Underground Space Technology, 103, 103517. https://doi.org/10.1016/j.tust.2020.103517
Zhao, F., Wu, H., Zhu, S., Zeng, H., Zhao, Z., Yang, X., & Zhang, S. (2023). Material stock analysis of urban road from nighttime light data based on a bottom-up approach. Environmental Research, 228, 115902. https://doi.org/10.1016/j.envres.2023.115902
Zhu, H., Xue, M., Wang, Y., Yuan, G., & Li, X. (2022). Fast visual tracking with siamese oriented region proposal network. IEEE Signal Processing Letters, 29, 1437. https://doi.org/10.1109/LSP.2022.3178656