PREDIKCIJA RIZIKA I KLASIFIKACIJA OZBILJNOSTI SUDARA MOTORNIH VOZILA U NJUJORKU

  • Milica Škipina
Ključne reči: saobraćajne nesreće, mašinsko učenje, klasifikacioni algoritmi, urbanističko planiranje

Apstrakt

Svake godine u saobraćajnim nesrećama na putevima širom svijeta pogine 1,35 i bude povrijeđeno 20-50 miliona ljudi, što znači da svakog dana u prosjeku skoro 3.700 ljudi izgubi život u saobraćaju. Više od polovine poginulih su pješaci, motoristi ili biciklisti. U ovom radu će biti analizirani faktori koji direktno utiču na povećanje vjerovatnoće pojave sudara motornih vozila, a zatim predstavljena metodologija za predviđanje rizika kao i klasifikaciju nivoa ozbiljnosti sudara korištenjem klasifikacionih modela mašinskog učenja. Predloženi model objedinjuje podatke o sudarima, ulicama Njujorka, protoku saobraćaja na pojedinim dionicama i podatke o vremenu i može se koristiti za identifikaciju gdje i kada je rizik od nesreće značajno veći od prosjeka kako bi se preduzele radnje za smanjenje tog rizika. Rezultati modela za predikciju sudara dostižu tačnost od 70%, dok model za klasifikaciju ozbiljnosti sudara postiže makro-prosječni F1-skor od 0,56.

Reference

[1] Peden, Margaret. (2004). World Report on Road Traffic Injury Prevention.
[2] Centers for Disease Control and Prevention (CDC), National Center for Injury Prevention and Control (NCIPC). Web-based Injury Statistics Query and Reporting System (WISQARS). Available from URL: https://www.cdc.gov/injury/wisqars
[3] Chen, Simiao & Kuhn, Michael & Prettner, Klaus & Bloom, David.(2019). The global macroeconomic burden of road injuries: estimates and projections for 166 countries. The Lancet Planetary Health. 3. e390-e398. 10.1016/S2542-5196(19)30170-6.
[4] A. Hébert, T. Guédon, T. Glatard and B. Jaumard, ”High Resolution Road Vehicle Collision Prediction for the City of Montreal,” 2019 IEEE International Conference on Big Data (Big Data), 2019, pp. 1804-1813.
[5] L. Lin, Q. Wang, and A. W. Sadek, “A novel variable selection method based on frequent pattern tree for real-time traffic accident risk prediction,” Transportation Research Part C: Emerging Technologies, vol. 55, pp. 444 – 459, 2015
[6] Xu C, Tarko AP, Wang W, Liu P. Predicting crash likelihood and severity on freeways with real-time loop detector data. Accid Anal Prev. 2013 Aug;57:30-9. doi: 10.1016/j.aap.2013.03.035. Epub 2013 Apr 6. PMID: 23628940.
[7] https://www.ibm.com/weather
[8] https://data.cityofnewyork.us/browse?Data-Collection_Data-Collection=Motor+Vehicle+Collisions
[9] https://www1.nyc.gov/site/planning/data-maps/open-data/dwn-lion.page
[10] https://data.cityofnewyork.us/Transportation/Traffic-Volume-Counts-2014-2019-/ertz-hr4r
Objavljeno
2021-11-09
Sekcija
Elektrotehničko i računarsko inženjerstvo