This thesis addresses the pivotal challenge of predicting the SUV involved pedestrian
crash severity and proposes improvements to existing methodologies, underscoring the
substantial threat posed by such incidents. Utilizing a comprehensive dataset spanning
five years from the state of Pennsylvania, USA, the study acknowledges and addresses
the challenge of class imbalance through the application of the Synthetic Minority
Oversampling Technique (SMOTE) for data augmentation. Methodologically, diverse
artificial neural network (ANN) architectures are explored, with meticulous evaluation
through K-fold cross-validation to ensure the robustness of the model.
Descriptive statistics and correlation analyses are employed to investigate crash
characteristics and inter-variable relationships. The outcomes underscore the efficacy
of SMOTE in improving predictive accuracy. Beyond its primary predictive
contributions, this research offers nuanced insights into factors impacting model
efficacy. By addressing prevailing limitations and introducing an innovative approach
to handling class imbalances, our research informs the development of interventions
to enhance road safety. The findings carry crucial implications for policy and practice,
with the ultimate goal of reducing pedestrian accidents and mitigating their severity.
ÖZ:
Bu tez, SUV kaynaklı yaya kazası ciddiyetini tahmin etme konusundaki temel zorluğu
ele almakta ve bu tür olayların oluşturduğu önemli tehdidin altını çizerek mevcut
metodolojilerde iyileştirmeler önermektedir. USA’nin Pennsylvania eyaletinden beş
yılı kapsayan kapsamlı bir veri setini kullanan çalışma, veri artırma için Sentetik
Azınlık Aşırı Örnekleme Tekniğinin (SMOTE) uygulanması yoluyla sınıf dengesizliği
sorununu kabul ediyor ve ele alıyor. Metodolojik olarak, modelin sağlamlığını
sağlamak için K-fold çapraz doğrulaması yoluyla titiz bir değerlendirme yapılarak
çeşitli yapay sinir ağı (YSA) mimarileri araştırılmaktadır.
Tanımlayıcı istatistikler ve korelasyon analizleri, çarpışma özelliklerini ve değişkenler
arası ilişkileri araştırmak için kullanılır. Sonuçlar, SMOTE'un tahmin doğruluğunu
artırmadaki etkinliğini vurgulamaktadır. Bu araştırma, birincil öngörü katkılarının
ötesinde, model etkinliğini etkileyen faktörlere ilişkin incelikli bilgiler sunmaktadır.
Araştırmamız, mevcut kısıtlamaları ele alarak ve sınıf dengesizliğini ortadan
kaldırmak için yenilikçi bir yaklaşım sunarak, karayolu güvenliğini artırmaya yönelik
müdahalelerin geliştirilmesine bilgi sağlamaktadır. Bulgular, yaya kazalarının
azaltılması ve ciddiyetinin hafifletilmesi nihai hedefiyle politika ve uygulama
açısından önemli çıkarımlar taşıyor.
