Traffic Injury Prevention Techniques Using STATS19 Road Safety Data: A Model-comparison Approach

Abstract

In this thesis, five models, which are based on artificial neural network (ANN) and support vector machine (SVM), were proposed for prediction of personal injury severities. The models were examined by two case studies using STATS19 road safety data that occurred in the city of London and Cambridge. The main purpose of the first case study was to identify the group most in need of road safety intervention by predicting the severities sustained by all road users. Using Radial Basis Function (RBFNN), different factors and areas of concern contributing to direct actual influences in both case studies were identified and ranked. In more detail to the first case study, non–motorised road users were recognised to benefit from the interventions. Therefore, the second case study aims to predict cyclist injury severities. Furthermore, most of the key factors in both case studies were in connection with busy junctions and poor turn / manoeuvres, here, truly protected junctions might be the best answer to create space for everybody. On focus to the two-wheeled group, there were limited crossing facilities near to where they cycled. Importantly for Britain's everyday cycling capital, narrow bike lane defenders are needed to provide a fully segregated solution where road width is too limited. In order to increase prediction accuracies, key factors were applied to multi–layer perceptron neural network (MLPNN) and SVM in both case studies. The models were selected as the benchmark due to their popularity in prediction modelling. Although the results of the predictions are encouraging, the models were not able to overcome incorrect predictions for ‘fatal’ and ‘serious injury’ severities due to limited data for those classes. In response to this, the two well-known models were combined as a hybrid MLPNN-SVM, and a learning vector quantization neural network (LVQNN) was improved for the first time ever to verify the best-fit model. Following this, different comparisons were made to evaluate the performance of the models in different classes. In addition, the models’ fitting results were presented and discussed, suggesting that all proposed models have ability to achieve satisfactory predictions, nevertheless, the improved LVQNN model performed better than others and was properly able to solve the incorrect predictions. This thesis concludes by identifying evidence-based road safety intervention options to mitigate the identified concerns. The general conclusion that can be drawn from this study is that most of the factors directly blame some kind of human error with high injury concentration being linked to junction actions. Therefore, in to crack down on bad driving / cycling, besides the road engineering interventions, it is recommended to deliver innovative road safety education and broadcast promotional messages for the recognised groups. Keywords: cyclist, driver, injury severity prediction, road safety intervention, STATS19.

ÖZ: Bu tezde, kişisel yaralanma şiddetini tahmin edebilmek için, yapay sinir ağına (YSA) ve destek vektör makinesine (DVM) dayalı beş farklı model kullanılmıştır. Önerilen yöntemler, Londra ve Cambridge şehirlerinin kentsel sokak ağlarında meydana gelen, STATS19 verilerinin kullanıldığı iki vaka çalışmasıyla gösterilmiştir. İlk vaka çalışmasının temel amacı, tüm yol kullanıcılarının maruz kaldığı kişisel yaralanma şiddetlerini tahmin ederek, karayolu güvenliği müdahalesine en çok ihtiyaç duyan grubu belirlemekti. Radyal temel fonksiyonu (RTF) kullanan ilk vaka çalışmasında, doğrudan gerçek etkilere katkıda bulunan faktörler ve endişe alanları tanımlanmış ve sıralanmıştır. Sonuç olarak, ilk vaka çalışmasında, motorsuz karayolu kullanıcılarının müdahalelerden faydalandığı belirlenmiştir. Bu nedenle, ikinci vaka çalışması, özellikle bisikletçi yaralanma şiddetlerinin tahminine odaklanmıştır. RTF'nin tahmin sonuçları, faktörlerin çoğunun yoğun kavşaklar ve zayıf dönüşler / manevralarla bağlantılı olduğunu göstermiştir. Burada gerçekten korunan kavşaklarda herkes için alan yaratmak en iyi çözüm olabilir. İki tekerlekli araç gruplarına odaklanıldığında, bisiklet sürüş alanlarının yakınında sınırlı sayıda geçiş tesislerinin var olduğu belirlenmiştir. Özellikle İngiltere'nin bisiklet başkenti için, yol genişliğinin çok sınırlı olduğu yerlerde tamamen ayrılmış bir çözüm sağlamak için dar bisiklet şeridi savunucularına ihtiyaç olduğu söylenebilir. Bu göstergelerin ardından, her iki vaka çalışmasında da tahmin doğruluğunu en üst düzeye çıkarmak için çok katmanlı algılayıcı sinir ağına (ÇKA) ve DMV'ye temel yaralanma şiddeti etki faktörleri uygulanmıştır. Elde edilen tahminlerin sonuçları her iki model için iyi olsa da, ‘ölümcül’ ve ‘ciddi yaralanma’ şiddetleri sınıflar için sınırlı sayıdaki veri nedeniyle hatalı tahminlerin olmasını engelleyemedikleri görülmektedir. Yanlış tahminleri düzeltmek için, daha önce kullanılan iki modeli birleştirilerek karma bir model (hibrit ÇKA-DMV) yaratılmıştır. İlaveten öğrenen vektör niceleme (ÖVN) sinir ağı olan, verilerinin tahmini için en uygun modeli doğrulamak için geliştirilmiştir. Önerilen tüm modellerin tatmin edici tahminlere ulaşma yeteneğine sahip olduğu, bununla birlikte, geliştirilmiş ÖVN modelinin diğerlerinden daha iyi performans gösterdiği ve belirli sınıflar için verilerin sınırlamasını düzgün bir şekilde çözebildiği görülmüştür. Bu tez çalışması, ciddi boyutlu yaralanmaları azaltmak için kanıta dayalı yol güvenliği müdahale seçeneklerini belirleyerek sona ermektedir. İncelenen faktörlerin çoğu, yüksek yaralanmalı sonuçlarla, insan hatası ve kavşaklarda hareket öncelikleri ile bağlantılı olduğunu ortaya koymuştur. Dolayısı ile çalışma sonuçlarına göre, kötü sürüş / bisikletçilik davranışlarını değiştirmek için, yol mühendisliğine dayalı müdahalelerinin yanı sıra, belirli gruplara yenilikçi karayolu güvenliği eğitiminin verilmesi ve tanıtım mesajlarının yayınlanmasının yapılması önerilmektedir. Anahtar Kelimeler: bisikletçi, sürücü, yaralanma şiddeti tahmini, yol güvenliği müdahalesi, STATS19.