Ağ tarama ve K-ortalama kümeleme yöntemleri ile kaza kara noktalarının belirlenmesi: İstanbul D100 Karayolu örneği

Öz

Trafik kazaları; ölüm, yaralanma ve maddi hasarların yanı sıra trafik tıkanıklıkları, yol güvenliğinde azalma, gürültü ve hava kirliliği gibi olumsuzluklara da neden olmaktadır. Dünya Sağlık Örgütü’nün (WHO) 2015 Küresel Yol Güvenliği Durum Raporu’na göre, trafik kazalarında yaralanma sonrası ölümlerin 2030 yılına kadar tüm ölüm nedenleri arasında yedinci sıraya yükseleceği öngörülmektedir. Bunun yanında, özellikle ülkemizin de yer aldığı gelişmekte olan ülkeler başta olmak üzere, ülke ekonomilerinde trafik kazalarından dolayı büyük miktarlarda ekonomik kayıplar da yaşanmaktadır. Trafik kazalarının azaltılması amacıyla, trafikte denetimlerin artırılması, yoldan kaynaklı kusurların giderilmesi, araç muayenelerinin sıklaştırılması, kaza önleme mekanizmalarının geliştirilmesi gibi çeşitli tedbirler alınmaktadır. Kazaların gerek şiddetinin gerekse sayısının azaltılmasında kaza kara noktaları olarak adlandırılan, trafik kazalarının yoğun bir şekilde yaşandığı kesimlerin tespiti ve iyileştirilmesi büyük önem arz etmektedir. Bu çalışmada, Coğrafi Bilgi Sistemleri’nden (CBS) yararlanılarak ağ tarama yöntemleri aracılığı ile kaza kara noktalarının tespiti yapılmakta ve bu yöntemlerin olumlu ve olumsuz yönlerinin ortaya konulması amaçlanmaktadır. Bu amaçla, İstanbul D100 karayolunda, basit sıralama, hücre kaydırma ve maksimum nokta arama yöntemleri kullanılarak kavşak ve yol kesimleri ayrı ayrı sıralanmış ve kaza kara noktaları K-ortalama kümeleme yöntemi kullanılarak belirlenmiştir.

Anahtar Kelimeler

• Ağ tarama,Coğrafi bilgi sistemleri,İstanbul D100 karayolu,Kaza kara noktaları,K ortalamalar

Determination of accident black spots by using network screening and K-means clustering methods: a case study on D100 highway in Istanbul

Abstract

Traffic accidents cause fatality, injury and property damage, as well as traffic congestion, road safety, noise, air pollution, and so on. According to Global Status Report on Road Safety published by World Health Organization (WHO) in 2015, deaths after traffic injuries are predicted to become the seventh leading cause of death by 2030. Besides, economic losses are occurred in large quantities in the developing economies like our country, due to traffic accidents. Various precautions are taken to reduce traffic accidents, such as increasing the number of traffic controls, eliminating road-related defects, increasing the frequency of vehicle inspections, and developing accident prevention mechanisms. In order to reduce the severity and the number of accidents, it has importance to identify and improve the zones called accident black spots where traffic accidents have occurred frequently. In this study, it is aimed to determine accident black spots by using Geographical Information Systems (GIS) and network screening methods and reveal the positive and negative aspects of these methods. For this purpose, the intersections and road segments at İstanbul D100 highway were sorted separately using simple ranking, sliding window and peak searching methods and accident black spots are determined using the K-means clustering method.

Keywords

• Network screening,Geographical information systems,İstanbul D100 highway,Accident black spots,K-means

References

1. World Health Organisation. “Global Status Report on Road Safety 2015”. Italy, 2015.
2. Türkiye İstatistik Kurumu. “Karayolu Trafik Kaza İstatistikleri, 2017”. http://www.tuik.gov.tr/PreHaberBultenleri.do?id=27668 (27.06.2018).
3. Murat YŞ, Şekerler A. “Trafik kaza verilerinin kümelenme analizi yöntemi ile modellenmesi”. Teknik Dergi, 20(3), 4759-4777, 2009.
4. Karaşahin M, Terzi S. “Coğrafi bilgi sistemleri ile Isparta-Antalya-Burdur karayolunun kara nokta analizi”. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 9(3), 305-311, 2003.
5. Saplıoğlu M, Karaşahin M. “Coğrafi bilgi sistemi yardımı ile Isparta ili kent içi trafik kaza analizi”. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 12(3), 321-332, 2006.
6. Anderson TK. “Kernel density estimation and K-means clustering to profile road accident hotspots”. Accident Analysis & Prevention, 41(3), 359-364, 2009.
7. Kara C, Akçit N. “Traffic accident analysis using GIS: a case study of Kyrenia City”. Third International Conference on Remote Sensing and Geoinformation of the Environment, Paphos, Southern Cyprus, 16-19 March 2015.
8. Sandhu HAS, Singh G, Sisodia MS, Chauhan R. “Identification of black spots on highway with kernel density estimation method”. Journal of the Indian Society of Remote Sensing, 44(3), 457-464, 2016.

9. Colak HE, Memisoglu T, Erbaş, Y., Bediroglu S. “Hot spot analysis based on network spatial weights to determine spatial statistics of traffic accidents in Rize, Turkey”. Arabian Journal of Geosciences, 11(7), 151, 2018.
10. Kundakci E. Identification of Urban Traffic Accident Hot Spots and Their Characteristics by Using GIS. MSc Thesis, Middle East Technical University, Ankara, Turkey, 2014.
11. Dereli MA, Erdoğan S, Soysal Ö, Çabuk A, Uysal M, Tiryakioğlu İ, Akbulut H, Dündar S, Erdoğdu H, Saraçlı S, Yalçın M, Gülal AE, Taşbaş M, Kantar M, Arslan Y. “Coğrafi bilgi sistemleri destekli trafik kaza kara nokta belirleme: ampirik Bayes uygulaması”. Harita Teknolojileri Elektronik Dergisi, 7(2), 36-42, 2015.
12. Geymen A, Dedeoğlu OK. “Coğrafi bilgi sistemlerinden yararlanılarak trafik kazalarının azaltılması: Kahramanmaraş ili örneği”. Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 6(2), 79-88, 2016.
13. Atalay A, Tortum A. “Türkiye'deki illerin 1997-2006 yılları arası trafik kazalarına göre kümeleme analizi”. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 16(3), 335-343, 2010.
14. Yakar F. “Tokat-niksar karayolundaki kazaya meyilli kesimlerin frekans orani yöntemiyle tespit edilmesi”. Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 7(1), 206-216, 2018.
15. AASHTO. Highway Safety Manual. 1st ed. Washington DC, USA, American Association of State Highway and Transportation Officials, 2010.
16. Manepalli URR, Bham GH. “An evaluation of performance measures for hotspot identification”. Journal of Transportation Safety & Security, 8(4), 327-345, 2016
17. Young J, Park PY. “Hotzone identification with GIS-based post-network screening analysis”. Journal of Transport Geography, 34, 106-120, 2014.
18. Council F, Zaloshnja E, Miller T, Persaud B. “Crash Cost Estimates by Maximum Police-Reported Injury Severity within Selected Crash Geometries”. Federal Highway Administration, Georgetown Pike, USA, FHWA-HRT-05-051, 2005.
19. Demirtaş RB. Kadıköy Merkez Bölgesinde Trafik Tıkanıklık Fiyatlandırması Potansiyeli Üzerine Bir Araştırma. Yüksek Lisans Tezi, Yıldız Teknik Üniversitesi, İstanbul, Türkiye, 2009.
20. Saraçoğlu S. Trafikte Olay Yönetimi Ve Süreç Tahmini: İstanbul Tem Otoyolu Örneği. Yüksek Lisans Tezi, Yıldız Teknik Üniversitesi, İstanbul, Türkiye, 2015.
21. Han J, Kamber M. Data Mining Concepts and Techniques. San Francisco, USA. Morgan Kaufmann Publishers. 2000.
22. Uylaş Satı N. "A collective learning approach for semi-supervised data classification". Pamukkale University Journal of Engineering Sciences, 24(5), 864-869, 2018.