Trafik kazalarının makine öğrenmesiyle mekansal analizi
Spatial analysis of traffic accidents using machine learning
- Tez No: 1016640
- Danışmanlar: DOÇ. DR. HALİM FERİT BAYATA
- Tez Türü: Yüksek Lisans
- Konular: İnşaat Mühendisliği, Trafik, Civil Engineering, Traffic
- Anahtar Kelimeler: Trafik kazaları, Trafik mühendisliği, Traffic accidents, Traffic engineering
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Erzincan Binali Yıldırım Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Trabzon ilinde 2014–2023 yılları arasında meydana gelen trafik kazalarının mekânsal dağılımı ve kaza şiddeti, Coğrafi Bilgi Sistemleri (CBS) ve makine öğrenmesi yöntemleri kullanılarak analiz edilmiştir. Çalışmada veri seti eksik ve yinelenen kayıtlardan arındırılmış, kategorik değişkenler sayısallaştırılmış ve sınıf dengesizliği SMOTE yöntemi ile giderilmiştir. CBS analizleri kapsamında kaza verileri haritalandırılmış, noktasal dağılım ve Kernel Yoğunluk Tahmini (KDE) analizleri gerçekleştirilmiştir. Sonuçlar, trafik kazalarının özellikle şehir merkezi, ana ulaşım arterleri ve yoğun trafik bölgelerinde kümelendiğini göstermiştir. İlçe bazında yapılan değerlendirmelerde Ortahisar ve Maçka ilçelerinde belirgin yoğunlaşmalar tespit edilmiştir.Makine öğrenmesi aşamasında Lojistik Regresyon, Karar Ağacı, Rastgele Orman, AdaBoost, Gradient Boosting ve XGBoost algoritmaları uygulanmıştır. Modeller doğruluk, kesinlik, duyarlılık, F1 skoru ve Cohen's Kappa katsayısı gibi performans ölçütleri kullanılarak değerlendirilmiştir. AdaBoost modeli en yüksek doğruluk oranına (%97,06) ulaşmasına rağmen düşük Recall ve F1 skorları nedeniyle ölümcül kazaların tahmininde sınırlı performans göstermiştir. Lojistik Regresyon modeli yüksek Recall değeri ile öne çıkarken, Karar Ağacı ve Rastgele Orman modellerinde aşırı öğrenme eğilimi gözlenmiştir. Tüm performans ölçütleri birlikte değerlendirildiğinde Gradient Boosting modeli %96,05 doğruluk, %21,43 F1 skoru, 0,1941 Cohen's Kappa katsayısı ve en düşük aşırı öğrenme düzeyi ile en başarılı model olarak belirlenmiştir. Sonuçlar, CBS ve makine öğrenmesi yöntemlerinin birlikte kullanımının trafik kazalarının mekânsal örüntülerinin belirlenmesi ve kaza şiddetinin tahmin edilmesinde etkili bir yaklaşım sunduğunu göstermektedir.
Özet (Çeviri)
The spatial distribution and severity of traffic accidents that occurred in Trabzon Province between 2014 and 2023 were analyzed using Geographic Information Systems (GIS) and machine learning techniques. The dataset was preprocessed by removing missing and duplicate records, converting categorical variables into numerical formats, and addressing class imbalance through the Synthetic Minority Over-sampling Technique (SMOTE). Within the scope of GIS analyses, accident data were mapped using coordinate information, and point pattern as well as Kernel Density Estimation (KDE) analyses were conducted. The results revealed that traffic accidents were predominantly clustered in the city center, along major transportation corridors, and in areas with high traffic density. District-level analyses indicated significant concentrations of accidents in Ortahisar and Maçka districts. In the machine learning phase, Logistic Regression, Decision Tree, Random Forest, AdaBoost, Gradient Boosting, and XGBoost algorithms were implemented. Model performances were evaluated using Accuracy, Precision, Recall, F1-score, and Cohen's Kappa coefficient. Although the AdaBoost model achieved the highest accuracy rate (97.06%), its low Recall and F1-score values indicated limited effectiveness in predicting fatal accidents. Logistic Regression demonstrated a high Recall value, whereas Decision Tree and Random Forest models exhibited overfitting tendencies. Considering all performance metrics collectively, the Gradient Boosting model emerged as the most successful approach, achieving 96.05% accuracy, a 21.43% F1-score, a Cohen's Kappa coefficient of 0.1941, and the lowest level of overfitting among the evaluated models. Overall, the findings demonstrate that the integrated use of GIS and machine learning provides an effective framework for identifying spatial traffic accident patterns and predicting accident severity.
Benzer Tezler
- Sefer planı geçiş izi limiti belirlenmesinde bulanık temelli hibrit bir model önerisi
A fuzzy-based hybrid model proposal for passage planning cross track limit determination
ABDULHAMİT AYTEN
Yüksek Lisans
Türkçe
2025
Deniz BilimleriOrdu ÜniversitesiDeniz Ulaştırma Mühendisliği Ana Bilim Dalı
DOÇ. DR. REMZİ FIŞKIN
- Real-time crash risk analysis using deep learning
Derin öğrenmeyle gerçek zamanlı kaza risk analizi
SAEID MORADI
Yüksek Lisans
İngilizce
2022
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ OSMAN ATAHAN
- A federated learning approach for inter-cell handover optimisation in open 6G ran
Açık 6G radyo erişim ağında federasyon tabanlı öğrenme yaklaşımı ile hücre arası handover optimizasyonu
BATUHAN AKDOĞAN
Yüksek Lisans
İngilizce
2026
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ALİ ÇIRPAN
- Trafik kazalarının makine öğrenmesi ve farklı istatistiksel yöntemler ile modellenmesi: Ankara ili örneği
Modeling of traffic accidents with machine learning and different statistical methods: The case of Ankara province
NURŞAH ALTINTAŞ
Yüksek Lisans
Türkçe
2022
İnşaat MühendisliğiErzincan Binali Yıldırım Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. HALİM FERİT BAYATA
- Trafik kazalarının araç sayısına bağlı olarak maliyet ve karmaşa açısından modellenmesi
Modeling traffic accidents in terms of cost and complexity depending on the number of vehicles
BÜŞRA PARTİGÖÇ
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDüzce ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET ALBAYRAK