آشکارسازی ساختار پنهان در دادههای ترافیک با استفاده از متدلوژی نوین ترکیبی شبکه مصنوعی عصبی و مدلسازی ساختاری تعمیم‌یافته

Abstract

مقدمه و هدف: با توجه به اینکه مدل SEM شامل هر دو مدل ساختاری و اندازهگیری است، اما روابط غیرخطی و اثرات متقابل را لحاظ نمیکند، در این حالت از مدل ANNاستفاده میشود. پس ترکیب دو رویکرد نتایج بهینهای را میدهد. PLS-SEM خطای اندازه‌گیری و متغیرهای پنهان را می‌تواند حتی در حجم نمونه کم لحاظ کند و نیز شامل هر دو مدل اندازهگیری تشکیلی و انعکاسی است. پس هدف مطالعه حاضر تعیین میزان پیشگویی مدل SEM، ANN، SEM-ANN، PLS-SEMو مقایسه مدل PLS با SEM، ANN، SEM-ANN برای مصدومیت منجر به بستری موتورسواران در یک مطالعه مورد- شاهدی میباشد. مواد و روشها: در مطالعه مورد- شاهدی حاضر، تعداد 300 مورد و 156 کنترل براساس نمونهگیری تصادفی خوشهای از شهر تبریز انتخاب شدند. با استفاده از پرسشنامه MRBQ، ADHD، زیرمقیاسهای آن و متغیرهای مرتبط با راندن موتورسیکلت (نظیر داشتن کلاه ایمنی و...) ارزیابی شد. طوریکه MRBQ بهعنوان متغیر واسط برای بیشفعالی بزرگسالان، مشخصات دموگرافیک و رفتارموتورسواران لحاظ شد. برای بررسی روابط خطی در قالب مدل مفهومی از SEM، بررسی روابط غیرخطی و اثرات متقابل از ANN، برای لحاظ کردن روابط خطی، غیرخطی و اثرات متقابل از SEM-ANNو برای لحاظ کردن مدل اندازهگیری تشکیلی و انعکاسی از PLS-SEM استفاده شد. مقایسه دو مدل SEM و PLS توسط شاخصهای کایدو بر درجه آزادی و SRMR و مدلهای SEMبا ANN، PLS با ANN، PLS با SEM-ANN نیز توسط شاخصهای حساسیت، ویژگی و صحت مقایسه شدند. یافتهها: رابطه خطی مثبت، معنیدار و مستقیم بین شانس رخداد آسیب با صحبت کردن تلفن همراه، رانندگی در ساعات تاریک، داشتن کودک بیشفعال و MRBQ و رابطه معکوس و معنیداری بین شانس رخداد آسیب با وضعیت تأهل و تحصیلات دانشگاهی مشاهده شد. نتایج مدل ANN نیز نشان داد، MRBQ، ADHD و زیرمقیاسهای آن با آسیب رابطه غیرخطی داشتند. همچنین، مدل ترکیبی به لحاظ کردن مرتبه دوم و سوم MRBQ، بهینه بودن مدل و معنیداری متغیر واسط با متغیر پاسخ تأیید شد. با توجه به، حساسیت، صحت بالاتر و ویژگی تقریباً برابر پیشبینی بهتر توسط ANN مشاهده گردید. نتایج مدل PLS-SEM نشان داد، بین متغیر پیامد آسیب با ADHD و رفتارموتورسواران رابطه مستقیم و معنی‌داری ولی با مشخصات دموگرافیک و MRBQ رابطه معنیداری مشاهده نشد (P>0.05). همچنین بین ADHD با MRBQ و رفتار موتورسواران با MRBQ و ADHD با رفتار موتورسواران رابطه مستقیم و معنیداری مشاهده شد. مقایسه دو مدل CVSEM و PLS-SEM نیز توسط شاخصهای کایدو بر درجه آزادی و SRMR برتری مدل CVSEM را نشان داد. مقایسه دو مدل PLS و ANN بوسیله حساسیت، صحت و ویژگی برتری مدل ANN را تأیید نمود. در نهایت مقایسه دو مدل PLS و ANN-SEM توسط حساسیت، صحت و ویژگی برتری مدل -ANN SEM را تأیید نمود. نتیجهگیری: از آنجاییکه SEM روابط غیرخطی و اثرات متقابل بین متغیرها را لحاظ نمی-کند بهتر است از مدل ANN استفاده گردد که قدرت پیشبینی کنندگی بالایی نسبت به SEM داشت، همچنین با توجه به در نظرگرفتن مدل اندازهگیری تشکیلی در مطالعه از مدل PLS-SEM استفاده شد. و برنامههای مداخلهای جهت کاهش آسیب در مورد افراد بیشفعال، کسانی که از تلفن همراه در حین رانندگی استفاده میکنند، کسانی که در ساعتهای تاریک رانندگی میکنند، بسیار توصیه میشود.