Maddi Hasarlı Trafik Kazaları İçin Sinirsel-Bulanık Ağ Tabanlı Bir Kusur Tespit Modeli

Yıl 2017, Cilt: 29 Sayı: 2, 241 - 250, 01.10.2017

Çiğdem Acı , Ali Can Yılmaz

Öz

Maddi hasarlı bir trafik kazası meydana geldiğinde, kazaya dahil kişilerin tümü, yetkili ve görevli kişinin gelmesine lüzum görmezlerse, bunu aralarında yazılı olarak saptamak sureti ile kaza yerinden ayrılabilirler. Kazaya dahil kişiler kendi aralarında anlaşamaz ise tarafların kayıplarının tazmin edilmesi için kusur oranlarının belirlenmesinin önemi büyüktür. Son yıllarda trafik kazalarıyla ilgili hazırlanan bilirkişi raporları incelendiğinde kusur oranlarının kabaca belirlendiği, ayrıntılı kaza analizlerinin yapılmadığı görülmektedir. Bu çalışmada, karşılıklı anlaşma yoluyla çözülemeyen ve hakkında dava açılıp bilirkişi görüşüne ihtiyaç duyulan maddi hasarlı trafik kazalarında hassas kusur tespiti yapacak ANFIS (Adaptif Ağ Tabanlı Bulanık Mantık Çıkarım Sistemi) tabanlı bir model geliştirilmiştir. Türkiye İstatistik Kurumu'nun konuyla ilgili 2016 yılına kadar yapılan istatistiklerine göre, en sık görülen kaza tipleri göz önüne alınarak dört adet temel kaza senaryosu benzetim yoluyla yeniden canlandırılmıştır. Her senaryo için 500 adet veri üretilmiş, 10 katlı çapraz doğrulama ile bu verilerin %90’ı eğitim %10’u ise test için kullanılmış olup alınan sonuçlar, önceki çalışmalarda elde edilen tahmin sonuçları ile karşılaştırılmıştır. Çalışmanın sonucunda ANFIS tabanlı kusur tahmin modelinin, kazaya yönelik çeşitli parametreleri değerlendirerek çok düşük hata oranları ile taraflara ait kusurları belirleyebildiği görülmüştür.

Anahtar Kelimeler

Trafik kazası, Kusur oranı tahmini, Kaza yeniden canlandırma, ANFIS

Kaynakça

• 1. Karayolları Trafik Kanunu. (1983). Trafik Kazaları. Kanun no: 2918, Kısım Yedi, Madde 81-84. http://www.kgm.gov.tr/SiteCollectionDocuments/KGMdocuments/Trafik/KanunYonetmelik/2918SayiliKanun.pdf (Son erişim tarihi: 13 Haziran 2017).
• 2. Karayolları Trafik Yönetmeliği. (1997). Trafik Kazaları. Kısım Yedi, Madde 154-157. http://www.mevzuat.gov.tr/Metin.Aspx?MevzuatKod=7.5.8182&sourceXmlSearch=&MevzuatIliski=0 (Son erişim tarihi: 13 Haziran 2017).
• 3. Küçük, A.K. (2017). Trafik Kazalarında Kusur ve Sorumluluk. Garanti Sigorta. http://www.guvencehesabi.org.tr/source/yazilar/Birlikten_Sayi4.pdf (Son erişim tarihi: 13 Haziran 2017).
• 4. Trafik Sigortaları Bilgi Merkezi (TRAMER). (2017). Maddi Hasarlı Kaza Senaryoları. https://www.sbm.org.tr/tr/Documents/ktt_kaza_durum_senaryolari.pdf (Son erişim tarihi: 13 Haziran 2017). 5. Sigorta Bilgi ve Gözetim Merkezi. (2017). http://www.sbm.org.tr/tr (Son erişim: 13 Haziran 2017).
• 6. Virtual Crash. (2017). vCrash 2.0. College of Industrial Engineers and Surveyors. http://www.vcrash3.com/ (Son erişim tarihi: 13 Haziran 2017).
• 7. Edge-FX. (2017). http://www.visualstatement.com/en/Home.aspx (Son erişim tarihi: 13 Haziran 2017).
• 8. REC-TEC. (2017). http://www.rec-tec.com/ (Son erişim: 13 Haziran 2017).
• 9. PC-Crash. (2017). http://www.pc-crash.com/ (Son erişim: 13 Haziran 2017).
• 10. Cangul, E. (2010). Trafik kazalarında kusur oranı ölçümü için uzman bir sistemin geliştirilmesi. Yüksek Lisans Tezi. Orta Doğu Teknik Üniversitesi Fen Bilimleri Enstitüsü, 129s.
• 11. Schneider, W.H., Savolainen, P.T., Boxel, D.V. and Beverley, R. (2012). Examination of factors determining fault in two-vehicle motorcycle crashes, Accid. Anal. Prev., 45: 669–676.
• 12. Goh, K., Currie, G., Sarvi, M. and Logan, D. (2014). Factors affecting the probability of bus drivers being at-fault inbus-involved accidents, Accid. Anal. Prev., 66:20–26.
• 13. Zhang, G., Yau, K.K.W. and Zhang, X. (2014). Analyzing fault and severity in pedestrian–motor vehicle accidents in China, Accid. Anal. Prev., 73:141–150.
• 14. Islam, S., Jones, S.L. and Dye, D. (2014). Comprehensive analysis of single- and multi-vehicle large truck at-fault crashes on rural and urban roadways in Alabama, Accid. Anal. Prev., 67:147–158.
• 15. Yılmaz, A.C., Acı, Ç. and Aydın, K. (2015). "MFFNN and GRNN models for prediction of energy equivalent speed values of ınvolvements ın traffic accidents", Int. J. Aut. Eng. Tech., 4(2):102-109.
• 16. Yılmaz, A.C., Acı, Ç. and Aydın, K. (2016). Traffic Accident Reconstruction and An Approach for Prediction of Fault Rates Using Artificial Neural Networks: A case study in Turkey", Traffic Inj. Prev. 17(6): 585-589.
• 17. Türkiye İstatistik Kurumu. (2017). Karayolu Trafik Kaza İstatistikleri. http://www.tuik.gov.tr. (Son erişim tarihi: 13 Haziran 2017).
• 18. Jang, J.S.R., Sun, C.T. and Mizutani, E. (1997). Neuro- Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence, First Edition, Prentice Hall, 614s.
• 19. Özçalık, H.R. ve Uygur, A.F. (2003). Dinamik Sistemlerin Uyumlu Sinirsel Bulanık Ağ Yapısına Dayalı Etken Modellenmesi, KSÜ Fen Ve Mühendislik Dergisi. 6(1): 36-46.
• 20. Tsoukalas, L.H. and Uhrig, R.E. (1996). Fuzzy And Neural Approaches in Engineering. New York, Ny: John Wiley & Sons, 600s.
• 21. Jang, J.S.R. (1993). ANFIS: Adaptive-Network Based Fuzzy Inference Systems, IEEE Trans. Syst. Man Cybern. 23(03):665-685.
• 22. Çakıt, E. (2008). El becerisine etki eden faktörlerin değerlendirilmesine yönelik bulanık mantık yaklaşımı. Yüksek Lisans Tezi, Çukurova Üniversitesi Fen Bilimleri Enstitüsü, 130s.
• 23. MathWorks. (2017). MatLab Software. http://www.mathworks.com/products/matlab. (Son erişim tarihi: 13 Haziran 2017).
• 24. MathWorks. (2017). ANFIS. https://www.mathworks.com/help/fuzzy/neuro-adaptive-learning-and-anfis.html. (Son erişim tarihi: 13 Haziran 2017).
• 25. MathWorks. (2017). gbellmf https://www.mathworks.com/help/fuzzy/gbellmf.html(Son erişim tarihi: 13 Haziran 2017).