Trafik Kazalarının Makine Öğrenmesi Yöntemleri Kullanılarak Değerlendirilmesi

Year 2021, Volume: 13 Issue: 1, 66 - 73, 18.01.2021

Arzu Altin Yavuz , Barış Ergül , Ebru Gündoğan Aşık

https://doi.org/10.29137/umagd.705156

Abstract

Türkiye’de meydana gelen trafik kazaları, sebep oldukları maddi/manevi kayıplar sebebiyle gündemin ilk sırasında olma durumunu korumaktadır. Trafik kazaları, birçok etkenin bir araya gelmesi sonucu oluşmaktadır. Bunlar, insan, yol, araç, iklim, çevre koşulları olarak sıralanabilmektedir. Trafik kazaları sonucu, telafi edilebilen kazalar olabileceği gibi, telafisinin olanaksız olduğu kazalar da olabilmektedir. Trafik kazalarının sayısını ve etkilerini en aza indirebilmek için genel olarak kazaya sebep olan etkenlerin tespit edilip ortadan kaldırılması gerekmektedir. Trafik kazalarına neden olan etkenlerin belirlenebilmesi için geçmiş kaza verilerinden yararlanılmaktadır. Kaza analizinde önemli olan var olan durumun model yardımıyla doğru bir şekilde sınıflandırılmasıdır. Sınıflandırma başarısı yüksek olan yöntemler sonucunda kazaya sebep olan değişkenlerin tespiti daha doğru bir şekilde belirlenebilecektir. Trafik kazaları için literatür çalışmaları incelendiğinde, genel olarak diskriminant analizi, lojistik regresyon analizi ve logaritmik doğrusal modellerin kullanıldığı görülmektedir. Bu çalışmada 2012 ile 2016 yılları arasında Antalya ili ve ilçelerinde sonucu ölümlü, yaralanmalı olarak gerçekleşen 3181 trafik kazası ele alınmıştır. Çalışmada, son dönemde kullanımı artan makine öğrenme yöntemleri kullanılarak trafik kazalarının sınıflandırılması yapılmıştır. Ele alınan makine öğrenme yöntemlerinin performansları çeşitli ölçütlere göre karşılaştırılmıştır. Makine öğrenme yöntemleri içerisinde kaza verilerini en yüksek doğrulukla sınıflandıran yöntemin Naive Bayes olduğu tespit edilmiştir.

Keywords

Trafik, kaza analizi, sınıflandırma, karar ağaçları, WEKA, makine öğrenmesi

Evaluation of Traffic Accidents Using Machine Learning Methods

Abstract

Traffic accidents occurred in Turkey caused their financial/moral losses to continue to maintain its status by virtue of being first during the agenda. Traffic accidents are the result of a combination of many factors. These can be listed as human, road, vehicle, climate and environmental conditions. As a result of traffic accidents, there may be accidents that can be recovered or accidents that cannot be compensated. In order to minimize the number and effects of traffic accidents, the factors causing the accident in general should be identified and eliminated. In order to identify the factors that cause traffic accidents accident history data are utilized. The important thing in accident analysis is the correct classification of the existing situation with the help of the model. As a result of methods with high classification success, the determination of the variables causing the accident can be determined more accurately. When literature studies for traffic accidents are examined, it is seen that discriminant analysis, logistic regression analysis and logarithmic linear models are generally used. In this study, 3181 traffic accidents, the result of which were fatal, injured in Antalya and its districts between 2012 and 2016, were discussed. In the study, the classification of traffic accidents has been made by using the machine learning methods, the usage of which has increased recently. The performances of the machine learning methods discussed were compared according to various criteria. Naive Bayes is the method that classifies accident data with the highest accuracy among machine learning methods.

Keywords

Traffic, accident analysis, classification, decision tree, WEKA, machine learning

References

• Ahmed, L.A. (2017). Using logistic regression in determining the effective variables in traffic accidents. Applied Mathematic Science, 11 (42), 2047-2058.doi:10.12988/ams.2017.75179
• Akçetin, E. & Çelik, U. (2010). İstenmeyen elektronik posta (spam) tespitinde karar ağacı algoritmalarının performans kıyaslaması. İnternet Uygulamaları ve Yönetimi, 5(2), 43-56.doi:10.5505/iuyd.2014.43531
• Akşehirli, Ö. (2012). Tıbbi araştırmalarda destek vektör makinelerinin kullanımı. Yüksek Lisans Tez. Düzce Üniversitesi, Düzce.
• Albayrak, S. (2015). CE 4850 data mining sınıflama ve kümeleme yöntemleri. Ders Notları, Bilgisayar Mühendisliği, Yıldız Teknik Üniversitesi, İstanbul.
• Aron, M., Billot, R., ElFaouzi, N., & Seidowsky, R. (2015). Traffic ındicators, accidents and rain: some relationships calibrated on a french urban motorway network. Transportation Research Procedia, 10, 31-40. doi: 10.1016/j.trpro.2015.09.053
• Aydindag Bayrak, E. & Kirci, P. (2019) Intelligent big data analytics in health. In Early Detection of Neurological Disorders Using Machine Learning Systems, IGI Global 252-291. doi:10.4018/978-1-5225-8567-1.ch014
• Başar, M. D., & Akan, A. (2018). Chronic kidney disease prediction with reduced individual classifiers, Electrica, 18(2), 249-255. doi: 10.26650/electrica.2018.99255
• Bektaş, S. (2012). Çok şeritli bölünmüş karayollarında kaza tahmin modeli. İleri Teknoloji Bilimler Dergisi, 1 (1), 27-24. https://dergipark.org.tr/tr/pub/duzceitbd/issue/4815/66429
• Bolakar, H. (2014). Yapay Sinir ağları ile trafik kazalarının modellenmesi: Erzurum ili örneği. Yüksek Lisans Tezi. Atatürk Üniversitesi, Erzurum.
• Breiman, L., Friedman, J. H., Olshen, R. A., & Stone, C. J. (1984). Classification and regression trees. Monterey, CA: Wadsworth & Brooks/Cole Advanced Books & Software.
• Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5-32. doi:10.1023/A:1010933404324
• Chang, L., & Wang, H. (2006). Analysis of traffic injury severity: an application of non-parametric classification tree techniques. Accident Analysis and Prevention, 38(5), 1019-1027. doi: 10.1016/j.aap.2006.04.009
• Chong, M., Abraham, A., & Paprzycki, M. (2005). Traffic accident analysis using machine learning paradigms. Informatica, 29, 89-98. https://www.researchgate.net/publication/220166391_Traffic_Accident_Analysis_Using_Machine_Learning_Paradigms
• EGM Trafik İstatistik Bülteni, 2018.
• Cihan, Ş., KarabuluT, B., Arslan, G., & Cihan, G. (2017). Koroner arter hastalığı riskinin veri madenciliği yöntemleri ile incelenmesi. International Journal of Engineering Research and Development, 10 (1), 85-93. doi: 10.29137/umagd.419663
• Daş, B., & Türkoğlu, İ. (2014). DNA dizilimlerinin sınıflandırılmasında karar ağacı algoritmalarının karşılaştırılması, Eleco 2014, Elektrik-Elektronik-Bilgisayar-Biyomedikal Mühendisliği Sempozyumu, 27 – 29 Kasım, Bursa.
• Delen, D., Sharda, R., & Bessonov, M. (2006). Identifying significant predictors of injury severity in traffic accidents using a series of artificial neural networks. Accident Analysis & Prevention, 38(3), 434-444.doi: 10.1016/j.aap.2005.06.024
• Freund, Y. & Mason, L., (1999). The alternating decision tree learning algorithm. Paper presented at the Proceedings of the Sixteenth International Conference on Machine Learning.
• Jiajia, L., Jie, H., Ziyang, L., Hao, Z., & Chen, Z. (2019). Traffic accident analysis based on C4.5 algorithm in WEKA. MATEC Web of Conferences, 272.
• Kaur, G., & Chhabra, A. (2014). Improved J48 classification algorithm for the prediction of diabetes. International Journal of Computer Applications, 98(22), 13-17. doi:10.5120/17314-7433
• Kwon, O.H., Rhee, W., & Yoon, Y. (2015). Application of classification algorithms for analysis of road safety risk factor dependencies. Journal of Accident Analysis and Prevention, 75, 1-15. doi: 10.1016/j.aap.2014.11.005
• Landwehr, N., Hall, M., & Frank, E. (2005). Logistic Model Trees. Machine Learning, 59(1-2), 161-205. doi:10.1007/s10994-005-0466-3
• Long, W. J., Griffith, J. L., Selker, H. P., & D’Agostino, R. B. (1993). A comparison of logistic regression to decision-tree ınduction in a medical domain. Computers in Biomedical Research, 26, 74-97.doi: 10.1006/cbmr.1993.1005
• Ma, Y. (2013). The research of stock predictive model based on the combination of cart and DBSCAN. Ninth International Conference on Computational Intelligence and Security.
• Muhammad, L.J., Salisu, S., Yakubu, A., Malgwi, Y.M., Abdullahi, E.T., Mohammed, I.A., & Muhammad, N.A. (2017). Using decision tree data mining algorithm to predict causes of road traffic accidents, its prone locations and time along kano–wudil highway. International Journal of Database Theory and Application, 10(1), 197-206. doi: 10.14257/ijdta.2017.10.1.18
• Özden, C., & Acı, Ç. (2018). Makine öğrenmesi yöntemleri ile yaralamalı trafik kazalarının analizi: Adana örneği. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 24(2), 266-275. doi: 10.5505/pajes.2016.87847
• Özgan, E., Ulusu, H., & Yıldız, K. (2004). Trafik kaza verilerinin analizi ve kaza tahmin modeli. SAU Fen Bilimleri Enstitüsü Dergisi, 8(1), 160-166. doi:10.16984/saufbed.47078
• Öztürk, E., & Mesut, A. (2016). Makine öğrenmesi kullanılarak jpeg xr standardında dosya boyutu belirleme işlemi, 24th Signal Processing and Communication Application Conference (SIU),1-4.
• Pal, M. (2005). Random forest classifier for remote sensing classification. International Journal of Remote Sensing, 26(1), 217–222. doi:10.1080/01431160412331269698
• Patterson, D., Liu, F., Turner, D., Concepcion, A., & Lynch, R. (2008). Performance comparison of the data reduction system, Proceedings of the SPIE Symposium on Defense and Security, 1-6.
• Quinlan, J. R. (1993). C4.5: programs for machine learning. Morgan Kaufmann Publishers Inc.
• Singh, M., & Kaur, A. (2014). A Review on Road Accident in Traffic System using Data Mining Techniques. International Journal of Science and Research, 5(1), 1530-1535.
• Sohn, S.Y., & Shin, H. (2010). Pattern recognition for road traffic accident severity in Korea. Ergonomics, 44(1), 107-117. doi:10.1080/00140130120928
• Şeker, S. (2012). Weka, http://bilgisayarkavramlari.sadievrenseker.com/2009/06/01/weka/.
• Tolunay, M. K., & Gökdeniz, İ. (2002). Trafik bilincinin oluşması ve kurallara uyumu sağlamada kampanyaların yeri ve önemi. Uluslararası Trafik ve Yol Güvenliği Kongresi, 1-11.
• Witten, I.H., & Frank, E. (2005). Data mining practical machine learning tools and techniques 2rd edition. San Fransisco, Morgan Kaufmann Publications.
• Witten, I. H., Frank, E., & Hall, M. (2016). Data mining: Practical machine learning tools and techniques 3rd edition. USA: Morgan Kaufmann Publications.
• Yılmaz, H. (2014). Random Forests Yönteminde Kayıp Veri Probleminin İncelenmesi ve Sağlık Alanında Bir Uygulama. Yüksek Lisans Tezi. Eskişehir Osmangazi Üniversitesi, Eskişehir.
• Zhao, Y., & Zhang, Y. (2008). Comparison of decision tree methods for finding active objects. Advances in Space Research, 41(12), 1955-1959. doi: 10.1016/j.asr.2007.07.020.