Affiliation:
1. ONDOKUZ MAYIS ÜNİVERSİTESİ
Abstract
Sürücü davranışlarının trafik güvenliğine önemli derecede etkisi vardır. Bu nedenle, sürücülerin davranışsal örüntüleri ve bu örüntüleri etkileyen etmenler tanımlanmalıdır. Sürücüler, araçlarını daha verimli ve kurallara uygun kullanmaya yönlendirilmelidir. Bu bağlamda, sürücünün aracını nasıl kullandığı gözlemlenerek, sürücülerin sürüş risk derecelerine uygun olarak sigorta ya da kasko ücretleri belirlenebilir. Bu çalışmada, Araç İçi Teşhis (On Board Diagnostics-II, OBD-II) ve Küresel Konumlandırma Sistemi (Global Positioning System, GPS) cihazlarından alınan işlenmiş ve etiketlenmiş telemetri verileri ile Makine Öğrenmesi (Machine Learning, ML) algoritmaları kullanılarak sürücülerin risk gruplarının sınıflandırılması gerçekleştirilmiştir. OBD-II ile araçtan elde edilen verilerin işlenerek sürücülerin risk derecesinin belirlenip bu risk derecesine göre sigorta şirketlerinin kişiye özel sigorta ücreti belirlemesinde yardımcı rol oynanması planlanmaktadır. Çalışmada Destek Vektör Makinesi (Support Vector Machine, SVM, CatBoost, k-NN (k-nearest neighbors, K-En yakın komşuluk) ve Hafif Gradyan Artırma Makinesi (Light Gradient Boosting Machine, LGBM)) olmak üzere dört model kullanılmıştır. Test sonuçları incelendiğinde en iyi tanımaya SVM modeli ile erişilmiştir.
Publisher
Black Sea Journal of Engineering and Science
Reference16 articles.
1. Akhiladevi M, Anitha K, Amrutha K, Amrutha M, Chandanashree K. 2022. Accident prediction using KNN algorithm. Fourth International Conference on Emerging Research in Electronics, Computer Science and Technology (ICERECT): 26-27 December, Karnataka, India, pp: 1-5.
2. Bao N, Carballo A, Miyajima C, Takeuchi E, Takeda K. 2020. Personalized subjective driving risk: Analysis and prediction. J Robot Mechatron, 32(3): 503-519.
3. Chen H, Wu T. 2022. An improved CatBoost algorithm for red fox optimization in the field of anomaly detection. 2nd International Conference on Computer Science and Blockchain (CCSB), 28-30 October, Wuhan, China, pp: 148-153.
4. Escottá Á T, Beccaro W, Ramírez M A. 2022. Evaluation of 1D and 2D deep convolutional neural networks for driving event recognition. Sensors, 22(11): 4226.
5. Huang Y, Jafari M, Jin P. 2022. Driving safety prediction and safe route mapping using in-vehicle and roadside data. arXiv, 2022: 2209.05604.