Real-time crash risk analysis using deep learning
Derin öğrenmeyle gerçek zamanlı kaza risk analizi
- Tez No: 725497
- Danışmanlar: PROF. DR. ALİ OSMAN ATAHAN
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Ulaşım, Engineering Sciences, Transportation
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Ulaştırma Bilim Dalı
- Sayfa Sayısı: 69
Özet
Trafik akışının hızla artması ve kazaların daha yaygın hale gelmesi nedeniyle trafik güvenliği, kırsal yollar ve büyükşehir otoyolları için ciddi bir sorun haline geldi. Birkaç çabaya rağmen, otoyol güvenliği önemli bir endişe kaynağı olmaya devam ediyor. Dünya Sağlık Örgütü'nün Karayolu Güvenliği Küresel Durum Raporu'na göre, her yıl yaklaşık 1,25 milyon insan trafik kazalarında hayatını kaybediyor. Mükemmel bir trafik kazası risk tahmin sistemi oluşturmak, trafik kazalarının önlenmesinde çok önemli bir zorluktur. Belirli bir alanda trafik çarpışması olasılığı tahmin edilebiliyorsa, bu bilgiyi yakındaki araçları bilgilendirmek veya daha az tehlikeli bir rota seçmeye teşvik etmek için kullanabiliriz. Ancak, trafik çarpışmasını etkileyebilecek çeşitli unsurlar nedeniyle trafik kazası riskini doğru bir şekilde tahmin etmek zordur. Örneğin, trafik kazalarının oranı konumlar arasında büyük farklılıklar gösterir. Ayrıca, kar veya sis gibi sert hava koşulları, yol görünürlüğünü ve trafik kapasitesini bozarak trafik kazası olasılığını artırabilir. Trafik kazalarının oranı gün içinde muhtemelen sürücülerin fiziksel durumuna bağlı olarak değişmektedir. Birçok akademisyenin trafik kazalarıyla bağlantılı önemli özellikleri belirlemeye odaklanmış olmasına rağmen, trafik kazası riskinin doğru dinamik tahmini bir zorluk olmaya devam etmektedir. Gerçek zamanlı çarpışma riski tahmini için iki tür metodoloji mevcuttur: istatistiksel ve öğrenme yöntemleri. İstatistiksel yaklaşımlar, diğerleri arasında, koşullu logit modeli, log-lineer modeli ve lojistik regresyonu içerir. Bu arada, Destek Vektör Makinesi (SVM), Genetik algoritma, Karar ağacı, Rastgele Orman ve diğerleri gibi Makine öğrenimi yaklaşımları bu kısıtlamaların bir sonucu olarak popüler hale geldi. Öte yandan, derin öğrenmenin hızlı büyümesiyle birlikte, son zamanlarda çeşitli ulaşım sorunlarının üstesinden gelmek için kullanılmaya başlandı. Yapay zeka tekniklerinin birincil yararı, önceden belirlenmiş bir matematiksel modele ihtiyaç duymadan olası gerçek zamanlı çökmeleri tahmin edebilmeleridir. Yapay sinir ağları yöntemi, insan beynindeki nöronlar gibi bir düğüm ağı aracılığıyla öğrendiği, düzenlediği ve kendini uyarladığı için tahmin için daha etkilidir. Derin öğrenme algoritmaları, çeşitli makine algılama, görme, konuşma ve sinyal işleme uygulamalarında mükemmel sonuçlar üretir. Günümüzde derin öğrenme algoritmaları, tahmin etmek için en güvenilir ve uygulanabilir yöntemlerdir. Makine öğreniminin bir alt kümesi olan derin öğrenme, bir tür makine öğrenimidir. Çünkü büyük miktarda yapılandırılmamış ve etiketlenmemiş veriden öğrenebilir. Derin sinir ağları veya derin sinirsel öğrenme, büyük miktarda yapılandırılmamış ve etiketlenmemiş veriden öğrenebilir. Derin öğrenme, dünyanın her yerinden“büyük veri”olarak adlandırılan büyük verinin muazzam yükselişine yanıt olarak aşamalı olarak tamamlandı. Dünyanın her yerindeki farklı kaynaklardan gelen muazzam miktarda veriyi toplamak ve analiz etmek on yıllar olmasa da yıllar alacaktır. Derin öğrenme, bu büyük hacimli yapılandırılmamış ve etiketlenmemiş verileri öğrenmek için kullanılır. Yapay zeka ve derin öğrenme teknolojilerinin hızla ilerlemesiyle birlikte daha gelişmiş algoritmalar kullanıma sunuluyor. Örneğin, Evrişimli sinir ağlarının (CNN'ler) sıralı öğrenmede çok güçlü olduğu gösterilmiştir ve zaman serisi özelliklerini dikkate alarak gerçek zamanlı çarpışma riskini tahmin etmek için daha uygun olabilir. Gerçek zamanlı trafik akışı tahmini, büyük trafik verileri ve derin öğrenme sayesinde tüketicilerin daha az kalabalık rotaları seçerek trafik sıkışıklığından kurtulmasını sağladı. Büyük trafik verileri ve derin öğrenme, trafik kazası tehlikesini tahmin etmede veya azaltmada potansiyel olarak faydalı olabilir. Trafiği tahmin etmek için birçok standart makine öğrenimi yaklaşımı (örneğin, destek vektör makineleri, regresyon analizi, karar ağaçları, Bayesian ağları vb. geliştirilmiştir. Ancak, bu tahmin sistemlerinin çoğu, büyük veri senaryoları için uygun olmadığı düşünülen sığ trafik modellerine dayanıyordu. Derin öğrenmeye ve büyük verilere dayalı yöntemler, trafik akışı tahmini, varış zamanı gibi trafikle ilgili konularda umut verici sonuçlar göstermiştir. derin öğrenme ilerledikçe tahmin, başlangıç-varış yeri tahmini vb. Özellikle trafik kazaları, haftanın gününe veya hava durumu, hava kalitesi, sürücü durumu vb. diğer ilgili unsurlara bağlı olabilir. Trafik kazası risk tahmininin doğruluğunu artırmak için tüm bu parametreler eksiksiz bir modele dahil edilmelidir. Bununla birlikte, birkaç araştırmacı trafik güvenliğini analiz etmek için derin öğrenme yaklaşımlarını kullandı. Bu tezdeki temel amacımız, sürücülerin çarpışma riskinin yüksek olduğu düşünülen alanlardan kaçınmasını sağlamak için gelecekteki zaman adımlarında olası kazaları tahmin etmek için mevcut trafik verilerini kullanarak bir sistem eğitmektir. Bu araştırma boşlukları ışığında, bu tezin amacı, kentsel arterlerde gerçek zamanlı çarpışma riskini tahmin etmek için derin öğrenme yaklaşımlarının kullanımını incelemektir. kentsel arterler ve CNN'nin Türkiye'de gerçek zamanlı kaza riski tahmininde kullanımını ilk araştıranlardan biri olarak kabul edilir. İkinci olarak, gerçek zamanlı çarpışma tahmini için araç ortalama hızı, araç ortalama hacmi ve hava durumu verileri gibi birden fazla veri kaynağı kullanma olasılıkları araştırılır. İstanbul'un ana ve en çok kullanılan arterlerinden biri olan“TEM”otoyolunun bir yıllık verileri İstanbul Büyükşehir Belediyesi'nden toplanmıştır. Üçüncü olarak, bu veriler, herhangi bir gözlemlenen çarpışmadan önce, üç 4 dakikalık aralıklarla (12 dakika) önceden işlenir. Her 5 dakikalık aralıklarla çarpışma riski olarak bir sayı ima edilir ve zaten bir çarpışmadan önce zaman-süre olarak kabul ettik, bu da önümüzdeki 4 dakikalık aralıklarla çarpışmanın meydana gelme olasılığını belirtir. Aynı veriler, söz konusu otoyolun aynı saatinde, herhangi bir çarpışma kaydedilmemiş başka bir günde verilmektedir. Daha sonra bu toplanan veriler, derin öğrenme ağını eğitmek için eğitim ve test verisi olarak kullanılmış ve son olarak uygulanan ağın performansı tahmin performansı olarak rapor edilmiştir. Tezin geri kalanı şu şekilde yapılandırılmıştır: Bölüm 2, gerçek zamanlı çarpışma riski tahmini ile ilgili çalışmaları gözden geçirmektedir; 3. bölüm, gerekli veriler için veri toplama ve modellemeyi sunar; 4. bölüm, bu çalışmada kullanılan metodolojiyi tanıtmaktadır; 5. bölüm, ham verileri kullanan uygulamayı gösterir; 6. bölüm, sonuçların yorumlanması dahil olmak üzere sayısal sonuçları gösterir ve gelecekteki çalışma beklentilerinin yanı sıra tezin birincil sonuçlarını da özetler.
Özet (Çeviri)
Road traffic accidents are a major source of worry for traffic safety decision-makers and researchers all around the world. Traffic safety has become a serious concern for rural roads and metropolitan expressways throughout the world as traffic volume has increased rapidly and crashes have grown more common. The variety, rarity, and interconnectedness of historical data on elements that cause automobile accidents lead to the necessity for more targeted research for assessing, forecasting, and visualizing the risk of accidents in the short and long term for preventative reasons. To evaluate, forecast and display risk, a variety of methodologies and tools are used. The majority of research used linear time-series approaches to anticipate risk, with only a few using machine learning and deep learning techniques. A substantial quantity of traffic data has been acquired in recent years from a variety of sources, including road sensors, probes, GPS, CCTV, and incident reports. Transportation, like many other businesses, has begun to generate big data. It's difficult to develop solid prediction models based on typical shallow machine learning approaches with such a large amount of traffic data. Many areas of modern civilization are powered by machine-learning technologies. Deep learning allows computational models to learn representations of data with various degrees of abstraction, as opposed to traditional machine learning approaches that were confined to processing natural data in its raw form. An enhanced deep learning model is suggested in this research to investigate the intricate relationships between highways, traffic, environmental factors, and traffic crashes. Deep learning is a brand-new state-of-the-art machine learning method that has sparked a lot of interest in both academic and industrial research. This research is aimed at the possibility of using a deep learning technique to create a worldwide road safety performance function that can be used to forecast projected crash frequency across different areas. For the effective deployment of an intelligent transportation system to offer proportional levels of medical help and transportation in a timely manner in traffic accidents, an accurate and crash frequency forecast approach is required. Modeling real-time crash risk prediction is an essential method for recognizing traffic conditions that cause crashes, and it may be utilized in active traffic management control to prevent traffic accidents and assure traffic safety. The current approaches for predicting the frequency of traffic crashes mostly rely on shallow prediction models and statistical models. Many kinds of research have been bound to generate improved traffic management systems in addition to enhancing traffic safety. The real-time crash risk prediction is one of its most important features. Real-time crash risk prediction, unlike traditional accident frequency prediction based on aggregated data, seeks to estimate crash probability within a short period of time such as 10 minutes, 15 minutes, or 30 minutes. Fixed sensors and automatic vehicle detection devices have recently become accessible with the adoption of different intelligent transportation technologies, allowing for significant real-time traffic data. All of these things add up to a lot of promise for anticipating crash risk in real-time. A type of deep neural network model called Convolutional neural network (CNN) model for crash risk analysis as a parameter of road safety studies is developed to improve prediction accuracy by taking into account combination linkages among traffic accident variables. Work steps: this literature study on the yearly traffic data of one of the main roads in Istanbul Turkey applies deep learning methods to it. First of all, we gathered reported data for number of crashes, average speed of vehicles, average vehicle volume, intersections data, and weather data as the inputs of one deep neural network to train that network for predicting crash risk. Since crash risk probability is one of the crucial factors to determining road safety, crash risk analysis leads to road safety analysis. Before training a neural network, crash data from the TEM highway was combined with traffic sensor data from the same year. The traffic data was taken in three 4-minute periods between 0 and 12 minutes previous to the crash incidence. To determine the suitable data training time, data was gathered (in each 4-minute interval) during three separate periods as training data, and the crash risk value was determined under various data settings, and, then, all data is entered to one CNN to train that network and predict real-time crash risk.
Benzer Tezler
- Konteyner liman operasyonlarının makine öğrenmesi yöntemleri ile analizi
Analysis of container port operations using machine learning methods
ÜSTÜN ATAK
Doktora
Türkçe
2022
Deniz Bilimleriİstanbul Teknik ÜniversitesiDeniz Ulaştırma Mühendisliği Ana Bilim Dalı
PROF. DR. YASİN ARSLANOĞLU
PROF. DR. TOLGA KAYA
- Sigortada dağıtım ve tutundurma metodları
Başlık çevirisi yok
BANU GÖNENÇ
Yüksek Lisans
Türkçe
1994
SigortacılıkMarmara ÜniversitesiSigortacılık Ana Bilim Dalı
DOÇ. DR. OSMAN GÜRBÜZ
- A model based flight control system design approach for micro aerial vehicles using integrated flight testing and hil simulations
Küçük boyutlu insansız hava araçları üzerinde sistem tanılama, uçuş kontrol sistem tasarımı ve donanım ile benzetim uygulamaları
BURAK YÜKSEK
Doktora
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. GÖKHAN İNALHAN
- Anforderungen an ein health and usagemonitoring system (hums) für den einsatzbei hubschraubern zur überwachung dermechanischen integrität
Başlık çevirisi yok
SÜLEYMAN MUHAMMED ÜNÜVAR
Yüksek Lisans
Almanca
2017
Havacılık ve Uzay MühendisliğiTechnische Universität MünchenDR. WİLLEM GARRE
- Bir uçak kanadının hücum kenarına kuş çarpmasının sayısal olarak modellenmesi ve analizi
Numerical modeling and analysis of bird strike on an air plane wing leading edge
SİNAN TAN
Yüksek Lisans
Türkçe
2013
Uçak Mühendisliğiİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
PROF. DR. ZAHİT MECİTOĞLU