Trafik kazası olma olasılığının hesaplanması

Abstract

Bu çalışmada dünyada milyonlarca insanın ölümüne sebep olan trafik kazalarının gerçek verileri incelenerek, konum ve sürücü verisi bazlı trafik kazalarının olma olasılığını ortaya çıkartabilecek başarılı bir veri modeli oluşturmak ve sürücülere risk öncesi bilgilendirme sağlayabilmektir.Çalışmada kullanılan veriler sigortacılık sektörü firmalarından temin edilmiş olup, gerekli izinler doğrultusunda model kayıtları oluşturulmuştur. Bu kapsamda 460 kayıt bulunmaktadır. Mobil cihazlarla ölçülebilen ivme ve hız değerleri, fotoğraf oluşturma konum ve tarihleri, sürücüye ait profil verileri ve duygusal analiz verilerinin kazaya risk oluşturmada hesaplanması, hava durumu bilgisi ve konumlarda gerçekleşmiş kazaların kümelenmesi ile makine öğrenmesi trafik kazası olma olasılıklarını ortaya koymuştur. Veri modellerini oluşturmak için gerekli algoritmaların başarılı ölçme oranları incelenmiş ve en doğru yöntem seçilmiştir. Bu oluşan çalıştırılmış model ile de anlık olarak dijital uygulamalar ile entegrasyonları sağlanarak bir kişiye ait trafik kazası riski içeren haritalar çıkartılabilir, sürücüler kendileri için riskli bir bölgeye yaklaştığında sesli uyarılar ile daha dikkatli olması sağlanabilir.

This study examines the actual data of traffic accidents causing the deaths of millions of people in the world and is able to provide a successful data model that can reveal the possibility of traffic accidents based on location and driver data and to provide pre-risk information to the drivers.The data used in this study were obtained from the insurance sector companies and model registrations were established in line with the required permits. This includes 460 records. The acceleration and speed values that can be measured with the mobile devices, the location and date of photo creation, the calculation of profile data of the driver and the calculation of the emotional analysis data for risk to the accident, the clustering of the weather information and the accidents occurred in the locations and the machine learning revealed the possibility of traffic accidents. Successful measurement rates of the algorithms required to construct the data models have been examined and the most accurate method has been chosen. With this running model, it is possible to instantaneously provide integration with digital applications, so that maps containing risk of traffic accidents belonging to a person can be removed, and the drivers can be more careful with sound alerts when they approach a risky zone for themselves.