‫ بررسی عملکرد الگوریتم‌های یادگیری جمعی مبتنی بر درخت بهینه‌شده در پیش‌بینی شدت حوادث ساخت‌و‌ساز

بررسی عملکرد الگوریتم‌های یادگیری جمعی مبتنی بر درخت بهینه‌شده در پیش‌بینی شدت حوادث ساخت‌و‌ساز

علی‌اکبر سالاریان, منصور قلعه‌نوی, علی رحیم‌زادگان

چکیده

علی‌رغم پیشرفت‌های قابل توجه در سیستم‌های مدیریت ایمنی طی دهه‌های اخیر، صنعت ساخت‌و‌ساز همچنان از نرخ حوادث شغلی و تلفات بسیار بالاتری نسبت به دیگر صنایع برخوردار است. از این رو، مطالعه و بررسی بیشتر این حوادث برای جلوگیری از رخداد حوادث مشابه مورد توجه و نیاز است. عمده تحقیقات انجام شده در حوزه ایمنی ساخت‌و‌ساز بر شناسایی علل حوادث و استفاده از روش‌های مرسوم و فردی یادگیری ماشین متمرکز هستند. این پژوهش، به ارزیابی و مقایسه توانایی دو رویکرد متفاوت از الگوریتم‌های یادگیری جمعی مبتنی بر درخت به نام بگینگ (جنگل تصادفی و طبقه‌بند بگینگ) و بوستینگ (درخت تقویت گرادیان، LGBM، XGBoost و CatBoost) در مدل‌سازی و پیش‌بینی شدت حوادث پرداخته است. به منظور بهبود عملکرد مدل‌های نامبرده از الگوریتم بهینه‌سازی بیز برای تنظیم ابرپارامترهای الگوریتم‌ها استفاده گردید. نتایج گواه بر برتری الگوریتم‌های یادگيری جمعي مبتنی بر رویکرد بوستينگ از منظر عملکرد پیش‌بینی و برتری الگوریتم‌های مبتنی بر رویکرد بگينگ از منظر سرعت اجرا بود. BO-XGBoost و طبقه‌بند بگینگ بهینه‌شده (BO-Bagging) به ترتیب از قوی‌ترین و ضعیف‌ترین عملکرد پیش‌بینی در میان تمامی الگوریتم‌های جمعی برخوردار بودند. چهارچوب تحقیقاتی اعمال شده در مطالعه پیش‌رو به متخصصان ایمنی در پیش‌بینی دقیق‌تر پیامد حوادث و انجام اقدامات پیشگیرانه مناسب‌تر کمک می‌نماید.



کلمات کلیدی

مدیریت ایمنی, حوادث ساخت‌وساز, تحلیل شدت حوادث, یادگیري جمعی, بگینگ, بوستینگ, بهینه‌سازي, بهینه‌سازي بیز, طبقه‌بندي نظارت‌شده

مراجع