Trafik Kazalarının Sınıflandırılmasında Çok Katmanlı Algılayıcı, Regresyon ve En Yakın Komşuluk Algoritmalarının Performans Analizi

Öz

Dünya genelinde artan nüfus ile birlikte taşıt sayısı da artış göstermektedir. Taşıt sayısının artışı ise birçok problemi beraberinde getirmektedir. Bu problemlerden en önemlisi ise trafik kazalarıdır. Trafik kazalarının maddi ve manevi önemli kayıplara sebep olabilme durumu bu alandaki çalışmaların gerekliliğini ortaya koymaktadır. Trafik kazalarının daha iyi analiz edilebilmesi ve kolay yorumlanabilmesi için sınıflandırma işlemine ihtiyaç duyulmaktadır. Bu kapsamda teknolojinin gelişmesi ve yapay zekâ teknolojilerinin insan hayatına girmesi ile çeşitli sınıflandırma yöntemleri ve bilgisayar programları geliştirilmektedir. Yapılan bu çalışmada; Ülkemizde yıllara göre meydana gelen trafik kaza verisi kullanılarak yıllar ölüm ve yaralanma durumlarına göre sınıflandırılmıştır. Daha sonra veri madenciliği algoritmaları olan çok katmanlı algılayıcı, regresyon ve en yakın komşuluk yöntemleri ile yılların trafik kaza sayılarına göre sınıflandırılma performansları ve hata ölçütleri WEKA analiz programı ile hesaplanmıştır. Her üç algoritmanın sınıflandırılma değerleri birbiri ile kıyaslandığında hem performans analizi hem de hata ölçütleri açısından birçok kriterde en yakın komşuluk algoritmasının daha iyi sonuçlar verdiği tespit edilmiştir. Yapılan bu çalışma sayesinde son yıllarda meydana gelen trafik kazalarında ölüm ve yaralanma oranının 2000’li yıllarının başında olduğu gibi tekrar yüksek risk seviyesine geldiği tespit edilmiştir. Bu durum karar vericilerin trafik kazalarını azaltmaya yönelik önlemlerini artırması adına önemlidir. Öte yandan yapılan sınıflandırma performanslarının incelenmesi sayesinde ise benzer özelliklere sahip veri kümesinin sınıflandırılması işleminde hangi algoritmanın tercih edilebileceği ortaya konmuştur.

Anahtar Kelimeler

• veri madenciliği
• Sınıflandırma
• algoritma performansları

Performance Analysis of Multilayer Perceptron, Regression and Nearest Neighbor Algorithms in Classification of Traffic Accidents

Öz

With the increasing population worldwide, the number of vehicles also increases. The increase in the number of vehicles brings with it many problems. The most important of these problems is traffic accidents. The situation where traffic accidents can cause material and moral losses reveals the necessity of working in this field. Classification is needed for better analysis and easy interpretation of traffic accidents. In this context, various classification methods and computer programs are developed with the development of technology and the introduction of artificial intelligence technologies into human life. In this study; the years are classified according to death and injury situations by using traffic accident data occurring year by year in our country. Then, with the WEKA analysis program, multilayer perceptron, regression and classification performances and error criteria of the nearest neighbor methods were calculated. When the classification values of all three algorithms are compared with each other, it has been found that the nearest neighbor algorithm gives better results in many criteria in terms of both performance analysis and error criteria. Thanks to this study, it has been determined that the rate of death and injury in traffic accidents that have occurred in recent years has reached a high risk level again as it was in the early 2000s. This situation is important for decision makers to increase their measures to reduce traffic accidents. On the other hand, by examining the classification performances, it was revealed which algorithm can be preferred in the classification process of the data set with similar characteristics.

Anahtar Kelimeler

• Classification
• data mining
• performances of algorithm

Kaynakça

1. [1] Murat Y.Ş. ve Şekerler A., “Trafik kaza verilerinin kümelenme analizi yöntemi ile modellenmesi”. İmo Teknik Dergi, 311, 4759-4777, (2009).
2. [2] Kashani A.T. and Mohaymany A.S., “Analysis of the traffic injury severity on two-lane, two-way rural roads based on classification tree models”. Safety Science, 49, 1314–1320, (2011).
3. [3] Çodur M.Y., Tortum A. ve Çodur K.M., “Genelleştirilmiş lineer regresyon ile Erzurum kuzey çevre yolu kaza tahmin modeli”. Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 3 (1): 79-84, (2013).
4. [4] Tortum A., Çodur M.Y. and Kılınç B., “Modeling traffic accidents in Turkey using regression analysis”. Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 2 (3), 69-78, (2012).
5. [5] Atalay A., Tortum A. ve Gökdağ M., “Türkiye’de 1977-2006 yılları arasında meydana gelen aylık trafik kazalarının zamansal analizi”. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 18(3), 221-229, (2012).
6. [6] Gupta M., Solanki V.K. and Singh V.K., “A novel framework to use association rule mining for classification of traffic accident severity”. Ingeniería Solidaria, 13(21), 37-44, (2017).
7. [7] Rovsek V., Batista M. and Bogunovic B., “Identifying the key risk factors of traffic accident injury severity on Slovenian roads using a non-parametrıc classification tree”. Transport, 32 (3), 1648-3480, (2017).
8. [8] Syahputri K., Sari R. M., Rizkya I., Tarigan U., Siregar I. and Farhan T. A., “Clustering the vulnerability of traffic accidents in Medan city with fuzzy c-means algorithm”. Materials Science and Engineering, 801(1), (2020).

9. [9] Murat Y. Ş., Kutluhan S. and Çakıcı Z., “Comparıson of fuzzy c-means and k-means clusterıng approaches ın spatıal analysıs of traffıc accıdents.” In Proceedıngs Book Of The Fourth Internatıonal Conference, (2013).
10. [10] Atalay A. and Tortum A., “Türkiye'deki illerin 1997-2006 yılları arası trafik kazalarına göre kümeleme analizi”. Pamukkale Üniversitesi Mühendislik Biilimleri Dergisi, 16(3), (2010).
11. [11] Özden C. ve Acı Ç., “Makine öğrenmesi yöntemleri ile yaralanmalı trafik kazalarının analizi: Adana örneği”. Pamukkale Üniversitesi Mühendislik Biilimleri Dergisi, 24(2), 266-275, (2018).
12. [12] Selvi H.S., and Çağlar B., “Using cluster analysis methods for multivariate mapping of traffic accidents”. Open Geosciences, 10, 772-781, (2018).
13. [13] Mlouk A.A. and Agouti T., “DM-MCDA: A web-based platform for data mining and multiple criteria decision analysis: A case study on road accident”. SoftwareX, 10, 100323, (2019).
14. [14] Das S., Dutta A. and Geedipally S.R., “Applying Bayesian data mining to measure the effect of vehicular defects on crash severity”. Journal of Transportation Safety & Security, DOI: 10.1080/19439962.2019.1658674, (2019).
15. [15] http://www.tuik.gov.tr/PreHaberBultenleri.do?id=27668, “Karayolu Trafik Kaza İstatistikleri”. (2020).
16. [16] Alsagheer R.H.A., Alharan A.F.H. and Haboobi A.S.A., “Popular decision tree algorithms of data mining techniques: a review”. International Journal of Computer Science and Mobile Computing, 6 (6), 133-142, (2017).
17. [17] Kuşkapan, E. and Çodur, M.Y., “Examination of Aircraft Accidents That Occurred in the Last 20 Years in the World”. Düzce University Journal of Science & Technology, 9, 174-188, (2021).
18. [18] http://www.deeplearning.net/tutorial/mlp.html, “Multilayer Perceptron”, (2019).
19. [19] https://medium.com/@isikhanelif/multi-layer-erceptron-mlp-nedir-4758285a7f15, “Multilayer Perceptron” (2019).
20. [20] https://pathmind.com/wiki/multilayer-perceptron, “Multilayer Perceptron” (2019).
21. [21] Mihăescu M.C., “Classification of learners using linear regression”. Proceedings of the Federated Conference on Computer Science and Information Systems, 717–721, (2011).
22. [22] https://tr.wikipedia.org/wiki/Regresyon_analizi, Lineer Regresyon. (2019).
23. [23] https://en.wikipedia.org/wiki/Instance-based_learning, Instance Based Learning. (2019).
24. [24] Kuşkapan, E., Çodur, M. Y., and Atalay, A., “Speed violation analysis of heavy vehicles on highways using spatial analysis and machine learning algorithms”. Accident Analysis & Prevention, 155, (2021).
25. [25] Çavuşoğlu Ü. ve Kaçar S., “Anormal trafik tespiti için veri madenciliği algoritmalarının performans analizi”. Academic Platform Journal of Engineering and Science, 7 (2): 205-216, (2019).
26. [26] Coşkun C. ve Baykal A., “Veri madenciliğinde sınıflandırma algoritmalarının bir örnek üzerinde karşılaştırılması”. Akademik Bilişim’11 - XIII. Akademik Bilişim Konferansı Bildirileri, İnönü Üniversitesi, Malatya, 51-58, (2011).
27. [27] https://www.statisticshowto.datasciencecentral.com/rmse, “Root Mean Square Error” (2019).
28. [28] Saxena A. and Jat M.K., “Analysing performance of SLEUTH model calibration using brute force and genetic algorithm–based methods”. Geocarto International, 35 (3): 256-279, (2020).
29. [29] Ardıl E., “Esnek Hesaplama Yaklaşımı ile Yazılım Hata Kestirimi”. Yüksek Lisans Tezi, Trakya Üniversitesi, Fen Bilimleri Üniversitesi, Bilgisayar Mühendisliği Anabilim Dalı, (2009).