Ice Formation Prediction Mobile Application Using Machine Learning Methods

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.

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.