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.