{
    "metadata": {
        "dataset_id": "shahroodut-thesis",
        "record_id": "TA469",
        "title": "ارائه ی روشی برای خوشه بندی تصادفات با استفاده از داده‌های مکانی",
        "publisher": "دانشگاه صنعتی شاهرود",
        "owner": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "license": "CC-BY-4.0",
        "license_url": "https://creativecommons.org/licenses/by/4.0/",
        "license_text": "استفاده، بازنشر، تحلیل، پردازش و بهره برداری پژوهشی، آموزشی و صنعتی با ذکر منبع دانشگاه صنعتی شاهرود مجاز است.",
        "publication_date": "1398",
        "last_update": "2026-07-11",
        "language": "fa",
        "format": "application/json",
        "contact": "thesis@shahroodut.ac.ir",
        "access": {
            "fulltext_available": "true",
            "public_access": "true"
        }
    },
    "data": {
        "thesis_id": "TA469",
        "title": "ارائه ی روشی برای خوشه بندی تصادفات با استفاده از داده‌های مکانی",
        "degree": null,
        "faculty": "مهندسی عمران",
        "year": 1398,
        "authors": [
            {
                "name": "امین گنجعلی خسروشاهی",
                "role": "پدیدآور اصلی"
            },
            {
                "name": "ایمان آقایان",
                "role": "استاد راهنما"
            },
            {
                "name": "عبدالاحد چوپانی",
                "role": "استاد مشاور"
            }
        ],
        "keywords": [
            "تصادفات درون شهری",
            "الگوریتم های داده کـاوی",
            "تحــلیل خوشه بندی مکانی",
            "الگوریتم GriDBSCAN"
        ],
        "abstract": "با مشاهده آمار تصادفات به‌وضوح قابل‌درک است که تصادفات ترافیکی آثار زیان باری را به‌سلامت جامعه وارد می‌کند و هزینه‌های اقتصادی نامطلوبی را به افراد تحمیل می‌کند، ازاین‌رو محققین را به مطالعه‌ی تمام جوانب و روش‌های ممکن برای شناسایی تصادفات وادار می سازد. امروزه روش‌های داده‌کاوی بالأخص خوشه‌بندی برای تحلیل داده های تصادف و پیدا کردن الگوهای مکانی آن ها مورداستفاده قرار می گیرند. در این تحقیق از روشی ترکیبی برای خوشه‌بندی داده‌های تصادفات با عنوان الگوریتم GriDBSCAN استفاده کردیم. خوشه‌بندی DBSCAN به علت در نظر گرفتن تراکم داده های مکانی و GRID با شبکه‌بندی به علت بالا بردن دقت و سرعت محاسبات در داده‌های انبوه همچون داده‌هــای تصــادفات قــابل توجیه است. همچنین از روش‌هـای دیگر خوشه‌بندی همچون K-Means ، Nnh، KDE و  خودهمبستگی مکانی استفاده شد تا با روش GriDBSCAN مقایسه شود. نتایج تحقیق نشان داد که الگوریتم Nnh دقیق ترین روش برای شناسایی  مکانی نقاط حادثه خیز می باشد و الگوریتم GriDBSCAN نیز برای تفکیک مناطق پرتراکم تصادفات در داده های با حجم بالا کاربردی می باشد. خوشه های به‌دست‌آمده از این الگوریتم، تصادفات مناطق مختلف شهری را با توجه به تراکم آن ها تفکیک کرد. با بررسی پارامترهای موجود در این خوشه ها می توان در جهت کاهش تصادفات و درک عوامل مؤثر بر آن ها قدم برداشت.",
        "repository": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "note": "حقوق مادی و معنوی متعلق به دانشگاه صنعتی شاهرود می باشد.",
        "download_url": "https://shahroodut.ac.ir/fa/thesis/files/somefiles/sf_TA469.pdf"
    },
    "dictionary": {
        "thesis_id": "شناسه پایان نامه",
        "title": "عنوان پایان نامه",
        "degree": "مقطع تحصیلی",
        "faculty": "دانشکده",
        "year": "سال دفاع",
        "authors": "پدیدآورندگان",
        "keywords": "کلیدواژه ها",
        "abstract": "چکیده",
        "repository": "محل نگهداری",
        "note": "یادداشت",
        "download_url": "آدرس فایل پایان نامه"
    }
}