Trafik kazalarının makine öğrenmesi ve farklı istatistiksel yöntemler ile modellenmesi: Ankara ili örneği

Dünyada gelişen teknolojiyle birlikte araç sayılarında meydana gelen artışlardan dolayı trafik problemleri oluşmuş, dolayısı ile ölümlü yaralanmalı ve hasar kayıtlı kazalardaki artışların çözümleri zaruri hale gelmiştir. Bu bakımdan trafik kazaları üzerinde yapılan tahmin modellemeleri gün geçtikçe önem kazanmış ve makine öğrenmesi ile oluşturulan tahmin modellemelerinde sıklıkla kullanılmaya başlanmıştır. Bu çalışmada Emniyet Genel Müdürlüğü, Trafik Daire Başkanlığı'nın ölümlü yaralanmalı kaza tutanaklarından elde edilen 2013-2020 yılları arasında Ankara iline ait 86.694 veri incelenmiş ve analiz edilmiştir. Makine öğrenmesi modeli haricinde, veri seti içerisinde açıklayıcı nitelik taşıyan istatistiksel kapsamda Ankara ili içerisin de kazaların genel karakterini sergilemek amacı ile birçok sonuç elde edilmiştir. Kaza tahmin modellemeleri oluşturulurken; Lojistik regresyon (Logistic Regression), KNN (K En Yakın Komşu Sınıflandırması), Destek vektör makinesi (Support Vector Machine- SVM), Karar ağacı (Decision Tree- DT), Rastgele Orman (Random Forest-RF), Ekstrem Gradyan Artırma (XGBoost), Hafif Gradyan Artırma Makinesi (Lightgbm) algoritmaları kullanılmıştır. Veri seti ölümlü kazalar açısından Sınıflandırma Problemi olarak değerlendirilmiştir. Bu yaklaşımdan dolayı veri setinde ölü sayısı itibari ile dengesizlik (unblance) durumu söz konusudur. Bu açıdan modelleme aşamasında veri setinin orijinal hali üzerinde modelleme kurulmuş, daha sonra dengesizlik durumundan kaynaklı olarak SMOTE işlemi uygulanmış ve modellemeler tekrar oluşturulmuştur. Söz konusu işlemlere ilişkin sonuçlar Doğruluk (Acurracy) ve Duyarlılık (Recall) metriğine göre değerlendirilmiştir. Elde edilen sonuçların literatür çalışmaları ile uyumlu olduğu görülmüştür.

Due to the developing technology in the world, traffic problems have appeared subsequent to the increase in the number of vehicles, and therefore solutions for the increase in accidents with fatal injuries and damage have become essential. In this respect, prediction models on traffic accidents have gradually gained importance and have been started to be used frequently in predictive models created with machine learning. In this study, 86.694 data belonging to Ankara province between the years of 2013-2020 obtained from the Decedents of accidents with fatal injuries of the General Directorate of Police and the Traffic Department were examined and analyzed. Apart from the machine learning model, many results were obtained in order to reveal the general characteristics of the accidents in the province of Ankara within the statistical scope with an explanatory nature in the data set. While creating accident prediction models, Logistic Regression, KNN (K Nearest Neighbor Classification), Support Vector Machine (SVM), Decision Tree (DT), Random Forest (RF), Extreme Gradient Boost (XGBoost), and Light Gradient Increasing Machine (Lightgbm) algorithms were used. The data set was evaluated as the Classification Problem in terms of fatal accidents. Due to this approach, there was unblance in the data set in terms of the number of deaths. In this respect, modeling was established on the original form of the data set during the modeling phase, and then SMOTE process was administered due to the unbalance and the models were reestablished. The results related to the available processes were evaluated according to the Accuracy and Recall metrics. The results obtained were noticed to be compatible with the studies in the literature.