Ölümlü Trafik Kazalarının Tahmininde Random Forest ve SMOTE Uygulaması: Erzurum Örneği

Year 2026, Volume: 16 Issue: 1, 47 - 57, 01.03.2026

Yasin Sancar , Sinan Öztaş

https://doi.org/10.21597/jist.1749946

https://izlik.org/JA64BM58PE

Abstract

Bu çalışma, Erzurum’da meydana gelen trafik kazalarının ölümlü olup olmayacağını tahmin etmek amacıyla Random Forest algoritması kullanılarak geliştirilen bir makine öğrenmesi modelini sunmaktadır. Emniyet Genel Müdürlüğü tarafından sağlanan, 2014-2023 yılları arasında gerçekleşmiş 16793 trafik kazasına ait veriler kullanılmıştır. Bu açık veri seti, sürücü özellikleri, hava durumu, yol tipi, yolun durumu, aydınlatma, banket, vb. gibi çeşitli değişkenleri içermektedir. Veri setinde ölümlü kazaların azınlıkta olması nedeniyle, sınıf dengesizliği SMOTE (Synthetic Minority Over-sampling Technique) yöntemiyle giderilmiştir. Model, eğitim ve test verileri üzerinde %98 doğruluk, duyarlılık ve F1 skoru gibi yüksek başarı metrikleriyle test edilmiştir. Elde edilen sonuçlar, kazanın türü, sürücü yaşı ve araç sayısı gibi değişkenlerin ölümlü kazalar üzerindeki etkisini ortaya koymakta; trafik güvenliğini artırmaya yönelik veri temelli politika geliştirme süreçlerine katkı sağlamaktadır.

Keywords

Trafik Kazaları , Makine Öğrenmesi , Random Forest , SMOTE

Application of Random Forest and SMOTE in Predicting Fatal Traffic Accidents: The Case of Erzurum

https://izlik.org/JA64BM58PE

Abstract

This study presents a machine learning model developed using the Random Forest algorithm to predict whether traffic accidents in Erzurum will be fatal. Data from 16793 traffic accidents that occurred between 2014 and 2023, provided by the General Directorate of Security, was used. This dataset includes various variables such as driver characteristics, weather conditions, road type, road condition, lighting, shoulder, etc. Due to the minority of fatal accidents in the dataset, class imbalance was addressed using the SMOTE (Synthetic Minority Over-sampling Technique) method. The model was tested on training and test data with high performance metrics such as 98% accuracy, sensitivity, and F1 score. The results obtained reveal the impact of variables such as accident type, driver age, and number of vehicles on fatal accidents, contributing to data-driven policy development processes aimed at improving traffic safety.

Keywords

Traffic accident , Machine Learning , Random Forest , SMOTE

References

• Bedane, T. T., Assefa, B. G., & Mohapatra, S. K. (2011) Preventing traffic accidents through machine learning predictive models. 36-41. 10.1109/ICT4DA53266.2021.9672249. 2021 International Conference on Information and Communication Technology for Development for Africa (ICT4DA).
• Bokaba, T., Doorsamy, W., & Paul, B. S. (2022). Comparative study of machine learning classifiers for modelling road traffic accidents. Applied Sciences, 12(13), 6655. https://doi.org/10.3390/app12136655
• Cetin, A., Erkan, H., & Yilmaz, O. (2021). Otoyol trafik kazalarının veri madenciliği yöntemleriyle analizi. Politeknik Dergisi, 24(1), 55–63.
• Cicek, O., Aydin, M., & Bulut, E. (2023). Analysis and prediction of traffic accident injury severity using machine learning algorithms. Computational Intelligence and Neuroscience, 2023, 1–13. https://doi.org/10.1155/2023/6679860
• Demir, F., Caliskan, E., & Dede, T. (2021). Trafik kazası şiddet tahmini için makine öğrenmesi yöntemlerinin karşılaştırılması. Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji, 9(1), 98–107.
• Ersöz, T., & Ersöz, F. (2022). Data mining and machine learning approaches in data science: Predictive modeling of traffic accident causes. International Journal of 3D Printing Technologies and Digital Industry, 6(3), 530–539.
• Guler, F., Arslan, Z., & Bilgin, Y. (2022). Şehir içi yaya kazalarının incelenmesi ve çözüm önerileri. İnönü Üniversitesi Mühendislik Bilimleri Dergisi, 13(2), 115–124.
• Gunduz, M., Yildiz, M., & Cetinkaya, C. (2020). Trafik kazalarında şiddet derecesinin çok kriterli karar verme yöntemleriyle tahmini. Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji, 8(3), 636–649.
• Infante, P., Ribeiro, P., & Pais, C. (2022). Comparison of statistical and machine-learning models on road traffic accident severity classification. Computers, 11(10), 142. https://doi.org/10.3390/computers11100142
• Karayel, M., Bayrakdar, M., & Kaya, M. (2019). Lojistik regresyon modeli ile trafik kazalarının analizi. Gümüşhane Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 9(2), 229–236.
• Khan, A. A., & Hussain, J. (2024). Utilizing GIS and machine learning for traffic accident prediction in urban environment. Civil Engineering Journal, 10(6), 1922–1936.
• Kumeda, B., Zhang, F., Zhou, F., Hussain, S., Almasri, A., & Assefa, M. (2019). Classification of Road Traffic Accident Data Using Machine Learning Algorithms 2019 IEEE 11th International Conference on Communication Software and Networks (ICCSN), Chongqing, China, 2019, pp. 682-687, doi: 10.1109/ICCSN.2019.8905362.
• Lin, X., & Li, W. (2020). Real-time traffic congestion impact prediction based on crowdsourcing accident data and deep learning. IEEE Access, 8, 130515–130524.
• Liu, Y., Zhang, J., Chen, M., & Wu, G. (2021). Prediction of traffic accident impact duration using artificial intelligence methods. Accident Analysis & Prevention, 151, 105964. https://doi.org/10.1016/j.aap.2021.105964
• Megnidio-Tchoukouegno, M., & Adedeji, J. A. (2023). Machine learning for road traffic accident improvement and environmental resource management in the transportation sector. Sustainability, 15(6), 5225. https://doi.org/10.3390/su15065225
• Muktar, B., & Fono, V. (2024). Toward safer roads: Predicting the severity of traffic accidents in Montreal using machine learning. Electronics, 13, 3036. https://doi.org/10.3390/electronics13153036
• Ozden, E., & Caci, M. (2018). Meteorolojik verilere dayalı olarak yaralanmalı trafik kazalarının tahmini: Adana ili örneği. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 24(2), 266–275.
• Ozden, S., Karakas, M., & Sahin, A. (2018). Trafik kazalarının coğrafi bilgi sistemleriyle analizi: Türkiye örneği. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 18(1), 145–155.
• Reddy, K. M., Joseph, R., & Hamza, T. (2022). Machine learning models for predicting traffic accident severity based on environmental factors. Journal of Intelligent Transportation Systems, 26(4), 456–469.
• Sysoev, A., Klyavin, V., Dvurechenskaya, A., Mamedov, A., & Shushunov, V. (2022). Applying machine learning methods and models to explore the structure of traffic accident data. Computation, 10(4), 57. https://doi.org/10.3390/computation10040057
• Tang, J., Huang, Y., Liu, D., Xiong, L., & Bu, R. (2025). Research on traffic accident severity level prediction model based on improved machine learning. Systems, 13(1), 31. https://doi.org/10.3390/systems13010031
• Yavuz, O., Kaya, I., & Turan, G. (2021). Trafik kazalarının mekânsal analizi: Büyükşehir örneği. Türkiye Coğrafya Dergisi, 77, 45–60. https://doi.org/10.17211/tcd.898765
• Yildiz, E., Arslan, F., & Korkmaz, B. (2020). Türkiye’de mevsimsel etkilerle trafik kazalarının değerlendirilmesi. Trafik ve Yol Güvenliği Dergisi, 3(1), 13–21.