Analysis and Prediction of Traffic Accidents with Machine Learning Methods: A Case Study for Kahramanmaraş

Abstract

Every year, more than 1 million deaths and 50 million injuries occur in traffic accidents around the world. While there is a traffic accident every 2 seconds in these accidents, it results in a fatal accident every 50 seconds. In this study, 7929 traffic accidents, consisting of 28 features, that took place in Kahramanmaraş city centre and its districts between 2017 and 2020 were analysed by machine learning techniques. Classification, clustering, association rule and visual comparison methods are used in the analysis of traffic accidents. NB, SVM, kNN, PART, AdaboostM1, J48 and RF algorithms were used for classification. SimpleKMeans and EM clustering algorithms were used for clustering. Apriori algorithm was used in the association rule. The J48 algorithm achieved the most successful results in the classification of traffic accidents. Although the success level of the Naive Bayes algorithm was not bad, it remained lower than other algorithms. The common result of all methods is that potential accidents with death and injury that may occur in the future are mostly between 04:00 and 08:00 in the morning and between 16:00 and 20:00 in the evening, in the settlement area of Kahramanmaraş city centre and Onikisubat district, on slopes outside the settlement in Göksun district. It has been determined that the risk of living is high on winding and winding roads and on divided roads outside the settlement in Pazarcık district. In addition, it was determined that the drivers did not comply with the traffic and speed rules in the accidents that occurred, and the road, environment and safety equipment such as traffic lights, traffic signs, pedestrian ways, safety lanes and banquettes were insufficient.

Keywords

• Machine learning
• traffic accident
• classification
• association rules

Trafik Kazalarının Makine Öğrenmesi Yöntemleriyle Analizi ve Tahmini: Kahramanmaraş İçin Örnek Bir Çalışma

Abstract

Dünyada her yıl 1 milyonun üzerinde ölümlü, 50 milyona yakın yaralanmalı trafik kazası meydana gelmektedir. Bu kazalarda ortalama her 2 saniyede bir trafik kazası yaşanırken her 50 saniyede bir ölümcül kaza ile sonuçlanmaktadır. Bu çalışmada, 2017 ile 2020 yılları arasında Kahramanmaraş il merkezi ve ilçelerinde gerçekleşen 28 adet öznitelikten oluşan 7929 adet trafik kazası makine öğrenme teknikleri ile analiz edilmiştir. Trafik kazalarının analizinde sınıflandırma, birliktelik kuralı ve görsel karşılaştırma yöntemleri kullanılmıştır. Sınıflandırma için NB, SVM, kNN, PART, AdaboostM1, J48 ve RF algoritmaları kullanılmıştır. Trafik kazalarının sınıflandırılmasında J48 algoritması en başarılı sonuçları elde etmiştir. Naive Bayes algoritmasının başarı düzeyi kötü olmasa da diğer algoritmalara oranla daha düşük kalmıştır. Tüm yöntemlerin ortak sonucu gelecekte yaşanabilecek ölümle ve yaralanmalı potansiyel kazaların daha çok sabah saat 04:00 ile 08:00 ve akşam saat 16:00 ile 20:00 arasında, Kahramanmaraş il merkezi ve Onikişubat ilçesinde yerleşim yeri içerisinde, Göksun ilçesindeki yerleşim yeri dışındaki eğimli ve virajlı yollarda ve Pazarcık ilçesindeki yerleşim yeri dışındaki bölünmüş yollarda yaşanma riskinin yüksek olduğu belirlenmiştir. Ayrıca meydana gelen kazalarda sürücülerin trafik ve hız kurallarına uymadığı, trafik lambası, trafik levhası, yaya yolu, emniyet şeridi ve banket gibi yol, çevre ve güvenlik ekipmanlarının yetersiz kaldığı belirlenmiştir.

Keywords

• Makine öğrenmesi
• trafik kazası
• sınıflandırma
• birliktelik kuralları

References

1. Akomolafe, T.D. ve Olutayo, A. (2013). Using Data Mining Technique to Predict Cause of Accident and Accident Prone Locations on Highways. American Journal of Database Theory and Application, 1(3), 26-38.
2. Aksu, M. ve Karaman, E. (2017). Karar Ağaçları ile Bir Web Sitesinde Link Analizi ve Tespiti. Acta Infologica, 1(2), 84-91.
3. Alan, M.A. ve Yeşi̇lyurt, C. (2018). Farklı Veri Setleri Üzerinde SMO ve J48 Algoritmalarının Sınıflandırma Sonuçlarının Karşılaştırılması. İşletme Bilimi Dergisi, 6(3), 199-213.
4. AlMamlook, R.E., Kwayu, K.M., Alkasisbeh, M.R. ve Frefer, A.A. (2019). Comparison of Machine Learning Algorithms for Predicting Traffic Accident Severity. In: 2019 IEEE Jordan International Joint Conference on Electrical Engineering and Information Technology, Amman, Jordan.
5. Atalay, A. ve Tortum, A. (2010). Türkiye’deki İllerin 1997-2006 Yılları Arası Trafik Kazalarına Göre Kümeleme Analizi. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 16(3).
6. Atalay, M. ve Çeli̇k, E. (2017). Büyük Veri Analizinde Yapay Zekâ ve Makine Öğrenmesi Uygulamaları. Mehmet Akif Ersoy Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 9(22), 155-172.
7. Anderson, T.K. (2009). Kernel density estimation and K-means clustering to profile road accident hotspots. Accident Analysis & Prevention, 41(3), 359-364.
8. Bahiru, T.K., Kumar Singh, D. ve Tessfaw, E.A. (2018). Comparative Study on Data Mining Classification Algorithms for Predicting Road Traffic Accident Severity. In: 2018 Second International Conference on Inventive Communication and Computational Technologies, Coimbatore, India.

9. Balcı, M., Gölcük, A. ve Kahramanli, H. (2017). İstatistiksel Yaklaşımla Trafik Kazalarındaki Ölüm ve Yaralanma Durumlarının Kusurlu Unsurlarla İlişkilerinin İncelenmesi. Selçuk-Teknik Dergisi, 16(3).
10. Bayata, H. ve Hattatoğlu, F. (2014). Erzincan İli İçin Farklı Yöntemlerle Trafik Kaza Tahmin Modellemesi. Erzincan Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 4(1), 31-46.
11. Beshah, T. ve Hill, S. (2010). Mining Road Traffic Accident Data to Improve Safety: Role of Road-related Factors on Accident Severity in Ethiopia. AAAI Spring Symposium Series.
12. Bharati, S., Rahman, M.A. ve Podder, P. (2018). Breast Cancer Prediction Applying Different Classification Algorithm with Comparative Analysis using WEKA. 2018 4th International Conference on Electrical Engineering and Information & Communication Technology, Dhaka, Bangladesh.
13. Bingol, H. (2022). NCA‐based hybrid convolutional neural network model for classification of cervical cancer on gauss‐enhanced pap‐smear images. International Journal of Imaging Systems and Technology.
14. Bingöl, H. (2022). Classification of OME with Eardrum Otoendoscopic Images Using Hybrid-Based Deep Models, NCA, and Gaussian Method. Traitement du Signal, 39(4).
15. Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5-32.
16. Brunton, S.L., Noack, B.R. ve Koumoutsakos, P. (2020). Machine Learning for Fluid Mechanics. Annu Rev Fluid Mech, 52(1), 477-508.
17. Castro, Y. ve Kim, Y.J. (2016). Data mining on road safety: factor assessment on vehicle accidents using classification models. International Journal of Crashworthiness, 21(2), 104-111.
18. Chang, L.Y. ve Chen, W.C. (2005). Data mining of tree-based models to analyze freeway accident frequency. Journal of Safety Research, 36(4), 365-375.
19. Chong, M., Abraham, A. ve Paprzycki, M. (2005). Traffic accident analysis using machine learning paradigms. Informatica, 29(1).
20. Ci̇han, P. ve Kalıpsız, O. (2016). Öğrenci Proje Anketlerini Sınıflandırmada En İyi Algoritmanın Belirlenmesi. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, 8(1),41-49.
21. Çoban, T. (2011). Makine Öğrenme Algoritmaları ile Web Siteleri Tıklamalarının Analizi. Yüksek Lisans Tezi, Beykent Üniversitesi, İstanbul.
22. Geymen, A. ve Dedeoğlu, O.K. (2016). Reducing Traffc Accidents Using Geographical Information Systems: Kahramanmaras Case Study. Journal of the Institute of Science and Technology, 6(2), 79-88.
23. Güner, S., Codal, K.S., Geçer, H.S. ve Coşkun, E. (2018). Trafik Kaza Desenlerinin Tanımlanmasında K-Means Kümeleme Algoritmasının Kullanılması: Sakarya İli Uygulaması. İşletme Bilimi Dergisi, 6(3), 89-105.
24. Hussain, S., Muhammad, L.J., Ishaq, F.S., Yakubu, A. ve Mohammed, I.A. (2019). Performance Evaluation of Various Data Mining Algorithms on Road Traffic Accident Dataset. Information and Communication Technology for Intelligent Systems. Singapore.
25. Can, U. ve Alatas, B. (2017). Automatic mining of quantitative association rules with gravitational search algorithm. International Journal of Software Engineering and Knowledge Engineering, 27(03), 343-372.
26. Kiranmai, A.K. ve Laxmi, J.A. (2018). Data mining for classification of power quality problems using WEKA and the effect of attributes on classification accuracy. Protection and Control of Modern Power Systems, 3(1).
27. Krishnaveni, S. ve Hemalatha, M.A. (2011). Perspective Analysis of Traffic Accident using Data Mining Techniques. International Journal of Computer Applications, 23(7),40-48.
28. Kuşkapan, E. ve Çodur, M.Y. (2022). Trafik Kazalarının Sınıflandırılmasında Çok Katmanlı Algılayıcı, Regresyon ve En Yakın Komşuluk Algoritmalarının Performans Analizi. Journal of Polytechnic, 25(1).
29. Li, J., He, J., Liu, Z., Zhang, H., Zhang, C. ve Elkamel, A. (2019). Traffic accident analysis based on C4.5 algorithm in WEKA. MATEC Web of Conferences, Jiangsu, China.
30. Li, L., Shrestha, S. ve Hu, G. (2017). Analysis of road traffic fatal accidents using data mining techniques. 2017 IEEE 15th International Conference on Software Engineering Research, Management and Applications, London, UK.
31. Mateus, O.H., Quintana Jiménez, L.A., López-Valdés, F.J., Morales-Londoño, N. ve Salas-Navarro, K. (2019). Using Data-Mining Techniques for the Prediction of the Severity of Road Crashes in Cartagena, Colombia. Applied Computer Sciences in Engineering, 309-320.
32. Mujalli, R.O., López, G. ve Garach, L. (2016). Bayes classifiers for imbalanced traffic accidents datasets. Accident Analysis & Prevention, 88, 37-51.
33. Na, S., Xumin, L. ve Yong, G. (2010). Research on k-means Clustering Algorithm: An Improved k-means Clustering Algorithm. 2010 Third International Symposium on Intelligent Information Technology and Security Informatics, Jian, China.
34. Nafie, A.F.M. ve Mohamed, H.A.A. (2018). Usage Apriori and clustering algorithms in WEKA tools to mining dataset of traffic accidents. Journal of Information and Telecommunication, 2(3), 231-245.
35. Nandurge, P.A. ve Dharwadkar, N.V. (2017). Analyzing road accident data using machine learning paradigms. In: 2017 International Conference on I-SMAC (IoT in Social, Mobile, Analytics and Cloud), Palladam, India.
36. Naqa, E.I. ve Murphy, M.J. (2015). What Is Machine Learning? In: Naqa EI, Li R, Murphy MJ, eds. Machine Learning in Radiation Oncology. Springer International Publishing, 3-11.
37. Nikam, S.S. (2015). A Comparative Study of Classification Techniques in Data Mining Algorithms. International Journal of Modern Trends in Engineering & Research, 8(1), 13-19.
38. Nilsson, N.J. (1996). Introduction to Machine Learning, An Early Draft of a Proposed Textbook, Stanford, California.
39. Oña, J., Mujalli, R.O. ve Calvo, F.J. (2011). Analysis of traffic accident injury severity on Spanish rural highways using Bayesian networks. Accident Analysis & Prevention, 43(1), 402-411.
40. Özcan, M. ve Küçükönder, M. (2020). Investigation of Spatiotemporal Changes in the Incidence of Traffic Accidents in Kahramanmaraş, Turkey, Using GIS-Based Density Analysis. J Indian Soc Remote Sens, 48(7), 1045-1056.
41. 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.
42. Parsania, D.V.S., Jani, D.N.N. ve Bhalodiya, N.H. (2014). Applying Naïve bayes, BayesNet, PART, JRip and OneR Algorithms on Hypothyroid Database for Comparative Analysis. International Journal of Darshan Institute, 3(1), 60-64.
43. Perez, G.V.A., Lopez, J.C., Cabello, A.L.R., Grajales, E.B., Espinosa, A.P. ve Fabian, J.L.Q. (2018) Road Traffic Accidents Analysis in Mexico City through Crowdsourcing Data and Data Mining Techniques. International Journal of Computer and Information Engineering, 12(8), 604-608.
44. Sandıkçı, Y. ve Aydi̇lek, İ.B. (2018). Tarımsal Veri Analizlerinin Veri Madenciliği ile Yapılması. Harran Üniversitesi Mühendislik Dergisi, 3(2), 1-7.
45. Schuld, M., Sinayskiy, I. ve Petruccione, F. (2015). An introduction to quantum machine learning. Contemporary Physics, 56(2), 172-185.
46. Soylu, K. (2018). Kredi Kartı Sahte işlem Tespiti. Yüksek Lisans Tezi, Ankara Üniversitesi, Ankara.
47. Taamneh, M., Alkheder, S. ve Taamneh, S. (2017). Data-mining techniques for traffic accident modeling and prediction in the United Arab Emirates. Journal of Transportation Safety & Security, 9(2), 146-166.
48. Taamneh, M., Taamneh, S. ve Alkheder, S. (2017). Clustering-based classification of road traffic accidents using hierarchical clustering and artificial neural networks. International Journal of Injury Control and Safety Promotion, 24(3), 388-395.
49. Taşçı, M.E. ve Şamlı, R. (2020). Veri Madenciliği İle Kalp Hastalığı Teşhisi. European Journal of Science and Technology, 88-95.
50. Umadevi, S. ve Marseline, K.S.J. (2017). A survey on data mining classification algorithms. In: 2017 International Conference on Signal Processing and Communication, Coimbatore, India.
51. Wei, J., Chu, X. ve Sun, X. (2019). Machine learning in materials science. InfoMat, 1(3), 338-358.
52. WHO, Global Status Report On Road Safety (2015). https://apps.who.int/iris/bitstream/handle/10665/44122/9789241563840_eng.pdf (Erişim tarihi: 12.03.2022).
53. WHO, Global Status Report On Road Safety (2018). https://apps.who.int/iris/bitstream/handle/10665/276462/9789241565684-eng.pdf (Erişim tarihi: 12.03.2022).
54. Yavuz, A.A., Ergül, B. ve Aşik, E.G. (2021). Trafik Kazalarının Makine Öğrenmesi Yöntemleri Kullanılarak Değerlendirilmesi. International Journal of Engineering Research and Development, 13(1), 66-73.
55. Zengi̇n, B., Kaymaz, K. ve Arslannur, B. (2018). Tunceli İlindeki Trafik Kazası Oranlarının İncelenmesi. Gümüşhane Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 8(2), 318-324.
56. Zhang, X.F. ve Fan, L. (2013). A decision tree approach for traffic accident analysis of saskatchewan highways. 2013 26th IEEE Canadian Conference on Electrical and Computer Engineering, Regina, SK, Canada.
57. Zhang, X.D. (2020). Machine Learning. In: A Matrix Algebra Approach to Artificial Intelligence, Springer Singapore, 223-440.