چکیده: 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.