Ice Formation Prediction Mobile Application Using Machine Learning Methods

Mehmet Ali Nacak; Eda Sıçrar; Azize Kızıltepe; Büşra Aksakallı; Deniz Katipoğlu; Nursena Bayğın

doi:10.63063/jsat.1799427

TR EN

Makine Öğrenmesi Yöntemleri Kullanılarak Geliştirilen Buzlanma Tahmin Mobil Uygulaması

An Erratum to this article was published on April 23, 2026. https://dergipark.org.tr/en/pub/jsat/article/1884517

Öz

Kış aylarında yollarda meydana gelen buzlanma, trafik güvenliğini ciddi şekilde tehdit eden önemli bir sorundur. Özellikle sert iklim koşullarına sahip bölgelerde olumsuz hava şartları kazalara, maddi ve manevi kayıplara yol açmaktadır. Bu çalışmada, yol buzlanmasını önceden tahmin edebilen ve sürücülere gerçek zamanlı uyarılar gönderen bir mobil uygulama geliştirilmiştir. Meteorolojik verilerin API aracılığıyla otomatik olarak alınmasının, manuel veri girişinden kaynaklanan hataları azaltarak tahmin doğruluğunu artıracağı varsayılmıştır. Open-Meteo platformundan elde edilen sıcaklık, bağıl nem, çiğ noktası, rüzgâr hızı ve kar yağışı verileri işlenerek makine öğrenmesi modellerinde kullanılmıştır. Rastgele Orman (Random Forest), Destek Vektör Makineleri (SVM) ve Çok Katmanlı Algılayıcı (MLP) algoritmaları eğitilmiş ve performansları karşılaştırılmıştır. En yüksek doğruluk oranı, bu üç algoritmanın birleştirildiği Voting Classifier tabanlı ansambl modelinde elde edilmiştir. Geliştirilen model %93,20 doğruluk, %92,16 makro duyarlılık, %93,20 ağırlıklı duyarlılık, %91,56 makro F1 ve %93,25 ağırlıklı F1 skorları elde etmiştir. Bu sonuçlar özellikle yüksek riskli buzlanma sınıflarının doğru tahmininde önemli bir iyileşme sağlamıştır. Kullanıcı dostu arayüz ile sürücülere konuma bağlı erken uyarılar sunan bu sistem, trafik kazalarının önlenmesine ve sürücü farkındalığının artmasına katkı sağlamayı amaçlamaktadır. Geliştirilen mobil uygulama, yerel koşullara uyarlanabilir yapısı sayesinde ilerleyen süreçte farklı bölgelerde de uygulanabilir bir çözüm olarak değerlendirilebilir.

Anahtar Kelimeler

buzlanma tahmini , meteorolojik veriler , trafik güvenliği , mobil uygulama , makine öğrenmesi , API

Ice Formation Prediction Mobile Application Using Machine Learning Methods

An Erratum to this article was published on April 23, 2026. https://dergipark.org.tr/en/pub/jsat/article/1884517

Abstract

Ice formation on roads during the winter months poses a serious threat to traffic safety. In regions with harsh winters, adverse weather conditions can lead to accidents causing significant material and psychological losses. The need for effective icing prediction and warning systems is increasing in order to minimize such accidents. In this study, a mobile application was developed to predict road icing in advance and provide real-time alerts to drivers. It was hypothesized that automatically retrieving meteorological data via an API would reduce errors caused by manual entry and improve prediction accuracy. Temperature, relative humidity, dew point, wind speed, and snowfall data obtained from the Open-Meteo platform were processed and utilized for icing prediction. To enhance prediction accuracy, various machine learning algorithms such as Random Forest, SVM, and MLP were trained and their performance was compared. In the final model, a Voting Classifier-based ensemble method that combines the strengths of these algorithms was employed. The developed ensemble model outperformed individual models, achieving 93.20% accuracy, 92.16% macro recall, 93.20% weighted recall, 91.56% macro F1, and 93.25% weighted F1 scores. These results particularly improved the accurate prediction of high-risk icing classes. Finally, a user-friendly interface was designed to provide drivers with early warnings based on the predicted level of risk. The findings are expected to contribute to raising driver awareness of icing risks and enhancing road safety.

Keywords

Icing Prediction , Meteorological Data , Traffic Safety , Mobile Application , API

References

E. Güney, Erzurum kent merkezindeki gizli buzlanma risk düzeyinin belirlenmesi ve akıllı ulaşım sistemleri, M.S. thesis, Inst. of Social Sciences, Sakarya Univ., Sakarya, Türkiye, 2024.
Z. Zhang, Z. Zhou, and J. He, Development of FBG-based road ice thickness monitoring sensor and its application on the traffic road, Optical Fiber Technology, vol. 89, Jan. 2025, Art. no. 104070, doi: 10.1016/j.yofte.2024.104070.
Turkish Statistical Institute, Highway Traffic Accident Statistics, 2024, Apr. 18, 2025. [Online]. Available: https://data.tuik.gov.tr/Bulten/Index?p=Karayolu-Trafik-Kaza-%C4%B0statistikleri-2024-54056&dil=1. Accessed: May 19, 2025.
C. Gheorghe and A. Soica, Revolutionizing Urban Mobility: A Systematic Review of AI, IoT, and Predictive Analytics in Adaptive Traffic Control Systems for Road Networks, Electronics, vol. 14, no. 4, p. 719, Feb. 2025. doi: 10.3390/electronics14040719.
H. Zhang, Y. Liu, C. Zhang, and N. Li, “Machine Learning Methods for Weather Forecasting: A Survey,” Atmosphere, vol. 16, no. 1, p. 82, Jan. 2025, doi: 10.3390/atmos16010082.
H. Tıraşoğlu, Buzlanma tahmini için bir algoritma geliştirilmesi ve mobil uygulamasının gerçekleştirilmesi, M.S. thesis, Dept. of Computer Engineering, Gazi Univ., Ankara, Türkiye, 2017.
H. Kabaoğlu, E. Uçar, and F. Duran, “Buzlanma tahmini yapan mobil uygulama geliştirilmesi,” Politeknik Dergisi, vol. 24, no. 4, pp. 1543–1555, 2021.
S. B. Hong, H. S. Yun, S. G. Yum, S. Y. Ryu, I. S. Jeong, and J. Kim, Development of black ice prediction model using GIS-based multi-sensor model validation, Natural Hazards and Earth System Sciences, vol. 22, pp. 3435–3450, Oct. 2022. doi: 10.5194/nhess-22-3435-2022.
J. Jang, “Predicting nighttime black ice using atmospheric data for efficient winter road maintenance patrols,” Transportation Research Interdisciplinary Perspectives, Korea Institute of Civil Engineering and Building Technology, South Korea. [Online]. Available: https://www.sciencedirect.com/journal/transportation-research-interdisciplinary-perspectives. Accessed: May 19, 2025.
S. B. Hong and H. S. Yun, Predicting black ice-related accidents with probabilistic modeling using GIS-based Monte Carlo simulation, PLOS ONE, May 23, 2024, doi: 10.1371/journal.pone.0303605.

Ignis Trace, “Don ve buzlanmaya karşı rampa ve yol koruma yöntemleri,” Ignis Trace Blog, Dec. 15, 2024. [Online]. Available: https://www.ignistrace.com/bloglar/don-ve-buzlanmaya-karsi-rampa-ve-yol-koruma-yontemleri. Accessed: May 19, 2025.
Republic of Türkiye Ministry of Environment, Urbanization and Climate Change, “Sıcaklık,” Çevresel Göstergeler, 2023. [Online]. Available: https://cevreselgostergeler.csb.gov.tr/sicaklik-i-85727. Accessed: May 19, 2025.
M. Jin and D. G. McBroom, "Investigating Road Ice Formation Mechanisms Using Road Weather Information System (RWIS) Observations," Climate, vol. 12, no. 5, p. 63, May 2024. doi: 10.3390/cli12050063.
R. Rekuviene, S. Saeidiharzand, L. Mažeika, V. Samaitis, A. Jankauskas, A. K. Sadaghiani, G. Gharib, Z. Muganlı, and A. Koşar, "A review on passive and active anti-icing and de-icing technologies," Applied Thermal Engineering, vol. 250, p. 123474, Aug. 2024.)
Open-Meteo, “About Open-Meteo,” 2024. [Online]. Available: https://open-meteo.com/en/about. Accessed: Apr. 15, 2025.
A. Oğuzlar, “Veri Ön İşleme,” Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, no. 21, pp. 67–76, Jul. –Dec. 2003.
LearnArtificialIntelligence, “SMOTE: A Powerful Technique for Handling Imbalanced Data,” Medium, Sep.6,2023.[Online]. Available: https://medium.com/@thecontentfarmblog/smote-a-powerful-technique-for-handling-imbalanced-data-2375ad46103c. Accessed: May 19, 2025.
M. Z. A. Bhuiyan, M. A. H. Chowdhury, and M. S. Kaiser, “Ensemble learning for classification: A review,” IEEE Access, vol. 8, pp. 112–130, 2020.
S. S. S. R. Depuru, L. T. H. An, and S. S. S. R. Depuru, “A comparative study of ensemble learning techniques for classification,” IEEE Transactions on Neural Networks and Learning Systems, vol. 31, no. 5, pp. 1456–1469, May 2020.
A. S. K. Pathan, M. S. Hossain, and M. A. H. Chowdhury, “Random Forest and Support Vector Machine for classification of weather data,” IEEE Transactions on Industrial Informatics, vol. 16, no. 3, pp. 1987–1995, Mar. 2020.
J. Smith, A. Johnson, and R. Williams, “Application of ensemble methods in predicting weather conditions,” IEEE Transactions on Geoscience and Remote Sensing, vol. 58, no. 7, pp. 4567–4575, Jul. 2020.
L. Breiman, “Random forests,” Machine Learning, vol. 45, no. 1, pp. 5–32, 2001. doi: 10.1023/A:1010933404324.
C. Cortes and V. Vapnik, “Support-vector networks,” Machine Learning, vol. 20, pp. 273–297, 1995.
S. Haykin, Neural Networks and Learning Machines, 3rd ed., Pearson, 2009.

Details

Primary Language

English

Subjects

Artificial Intelligence (Other)

Journal Section

Research Article

Authors

Mehmet Ali Nacak
0009-0003-1305-8746
Türkiye

Eda Sıçrar
0009-0009-0819-8596
Türkiye

Azize Kızıltepe
0009-0005-2267-1504
Türkiye

Büşra Aksakallı
0009-0001-7793-6654
Türkiye

Deniz Katipoğlu
0000-0003-3082-3879
Türkiye

Nursena Bayğın ^*
0000-0003-4457-5503
Türkiye

Publication Date

December 31, 2025

Submission Date

October 8, 2025

Acceptance Date

November 24, 2025

Published in Issue

Year 2025 Volume: 3 Number: 2

DOI

https://doi.org/10.63063/jsat.1799427

IZ

https://izlik.org/JA67TF67GD

IEEE

[1]M. A. Nacak, E. Sıçrar, A. Kızıltepe, B. Aksakallı, D. Katipoğlu, and N. Bayğın, “Ice Formation Prediction Mobile Application Using Machine Learning Methods”, JSAT, vol. 3, no. 2, pp. 92–104, Dec. 2025, doi: 10.63063/jsat.1799427.

Makine Öğrenmesi Yöntemleri Kullanılarak Geliştirilen Buzlanma Tahmin Mobil Uygulaması

Öz

Anahtar Kelimeler

Ice Formation Prediction Mobile Application Using Machine Learning Methods

Abstract

Keywords

References

Details

Primary Language

Subjects

Journal Section

Authors

Publication Date

Submission Date

Acceptance Date

Published in Issue

DOI

IZ

Cite