一个混合模糊和卷积神经网络框架用于城市道路交通风险和可持续性评估

科学领域:

• 城市规划和可持续发展科学
• 地理空间数据分析和人工智能
• 环境和人为风险评估环境和人为风险评估

背景情况:

• 城市重建面临交通拥堵和不充分的风险评估的挑战,往往忽视了利益相关者的观点和环境因素.
• 现有的地理信息系统 (GIS) 用于交通分析的应用缺乏全面的风险评估框架.
• 当前的交通流量优化模型忽略了关键的环境和人为风险因素.

研究的目的:

• 开发一个新的混合框架,集成GIS,卷积神经网络 (CNN) 和多标准决策 (MCDM) 来评估交通可持续性.
• 解决数据不平衡问题,并系统地权衡环境和人为因素的标准,以改善交通风险预测.
• 使用交互式GIS平台创建精细的,与利益相关者相关的交通风险地图.

主要方法:

• 实施模糊的德尔菲方法,以系统地权衡环境和人为因素的标准.
• 采用过量采样技术来缓解风险预测模型中的数据不平衡.
• 在交互式地理信息系统 (GIS) 平台内集成一个卷积神经网络 (CNN) 模型.

主要成果:

• 一个混合GIS-CNN-MCDM框架表现出高预测性能,训练和测试准确度分别为0.989和0.982.
• 佛山市的案例研究确定了具有高风险和极高风险的特定道路段,主要在东部和东南地区.
• 生成的交通风险地图为城市规划者和政策制定者提供了一个可扩展的,数据驱动的决策支持工具.

结论:

• 开发的框架通过整合环境和人为风险因素,有效地提高了交通可持续性评估.
• 该研究通过将生物多样性和环境考虑纳入城市规划来推进基于GIS的交通风险分析.
• 该研究提供了一个强大的解决方案,通过先进的空间分析来平衡城市的可持续性,风险管理和弹性.