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.