Trafik Kaza Sayılarının Regresyon ve Karar Ağacı Yöntemleri ile Modellenmesi: Ankara Devlet Yolları Örneği

Öz

Karayolu trafik sistemleri insanların her gün karşılaşmak zorunda olduğu tehlikeli sistemlerdendir. Güvenli olmayan karayolu trafik sistemlerinin halk sağlığına ve kalkınmaya zarar verdiği bilinmektedir. Dünya Sağlık Örgütü verileri her yıl yaklaşık 1,3 milyon insanın trafik kazası sonucu yaşamını yitirdiğini göstermektedir. Türkiye’de 2022 yılında 197 bin insan trafik kazaları sonucunda yaralanmış veya hayatını kaybetmiştir. Trafik kazalarının oluşumunda çeşitli faktörler etkili olabilir. Bu faktörlerin incelenmesi, trafik kazalarının analiz ve tahmini için istatistiksel yöntemlerin yanı sıra makine öğrenmesi yöntemleri de kullanılmaktadır. Bu çalışmada Ankara ili ve ilçeleri devlet yollarında 2017-2022 yıllarında meydana gelen trafik kazaları, sayma verisine uygun regresyon modeli ve karar ağacı yöntemleri ile modellenmiştir. Trafik kaza sayıları ile ilgili risk faktörlerinin incelenmesi amaçlanmaktadır.

Anahtar Kelimeler

• Poisson regresyon
• Karar ağacı algoritmaları
• Trafik kaza sayısı

Kaynakça

1. World Health Organization. (2015). Global status report on road safety 2015. World Health Organization.
2. TİK Karayolu Trafik Kaza İstatistikleri URL: https://data.tuik.gov.tr/Bulten/Index?p=Karayolu-Trafik-Kaza-Istatistikleri-2022-49513, Son Erişim Tarihi: 21.08.2023.
3. World Health Organization. (2004). World report on road traffic injury prevention: summary. In World Report on Road Traffic Injury Prevention: Summary, IX-52.
4. Silva, P.B., Andrade, M. & Ferreire, S. (2020). Machine learning applied to road safety modeling: A systematic literatüre review. Journal of Traffic and Transformation Engineering, 7(6), 775-790.
5. Bolat, H., Yücesan, M. ve Utku A. (2022). Trafik kazalarının makine öğrenmesi yöntemleriyle analizi ve tahmini: Kahramanmaraş için örnek bir çalışma. International Journal of Pure and Applied Sciences, 8(2), 490-506.
6. Yavuz, A.A., Ergül, B. ve Aşık, E.G. (2021). Trafik kazalarının makine öğrenmesi yöntemleri kullanılarak değerlendirilmesi. Uluslararası Mühendislik Araştırma ve Geliştirme Dergisi, 13(1), 66-73.
7. Özden, C. ve Acı, Ç. (2018). Makine öğrenmesi yöntemleri ile yaralanmalı trafik kazalarının analizi: Adana örneği. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 24(2), 266-275.
8. Al-Asadi, M., Taşdemi̇R, Ş., & ÖRNEK, H. K. (2022). Predict the number of traffic accidents in Turkey by using machine learning techniques and python tools. Artificial Intelligence Studies, 5(2), 35-46.

9. Kleiber, C. & Zeileis, A. (2022). Package “AER”. URL: https://cran.r-project.org/web/packages/AER/AER.pdf, Son Erişim Tarihi: 19 Aralık 2023.
10. Hothorn, T. & Zeileis, A. (2015). partykit: A modular toolkit for recursive partytioning in R. The Journal of Machine Learning Research, 16(1), 3905-3909.
11. Atkinson, E.J. & Therneau, T.M. (2000). An introduction to recursive partitioning using the RPART routines. Rochester: Mayo Foundation, 2000.
12. Loh, W.Y.(2023).User Manual for GUIDE ver. 41.1. URL: https://pages.stat.wisc.edu/~loh/treeprogs/guide/guideman.pdf, Son Erişim Tarihi: 13.11.2023.
13. Cameron, A.C. & Trivedi, P.K. (2013). Regression analysis of count data (2nd edition). Cambridge: Cambridge University Press.
14. Olson, D.L. & Shi, Y. (2007). Introduction to business data mining (1st edition). Boston: McGraw-Hill/Irwin.
15. Breiman, L., Friedman, J.H., Olshen, R.A. & Stone, C.J. (1984). Classification and regression trees. CRC Press.
16. Ciampi, A. (1991). Generalized regression trees. Computational Statistics & Data Analysis, 12(1), 57-78.
17. Loh, W.Y. (2002). Regression trees with unbiased variable selection and interaction detection. Statistica Sinica, 12(2002), 361 – 386.
18. Choi, Y., Ahn, H., & Chen, J. J. (2005). Regression trees for analysis of count data with extra Poisson variation. Computational Statistics & Data Analysis, 49(3), 893-915.
19. Loh, W.Y. (2006). Regression tree models for designed experiments. IMS Lecture Notes-Monograph Series, 49: 210-228.
20. Zeileis, A., Hothorn, T. & Hornik, K. (2008). Model-based recursive partitioning. Journal of Computational and Graphical Statistics,, 17(2), 492–514.
21. Kleiber, C. & Zeileis, A. (2008). Applied Econometrics with R. New York. Springer.