Akıllı şehirlerde makine öğrenimi teknikleriyle yol güvenliğini iyileştirmek

Neden daha güvenli sokaklar herkes için önemlidir

Kaldırımdan inerken, bisiklet sürerken veya bir kavşaktan geçerken küçük bir hatanın yaşamı değiştirebilecek sonuçları olabileceği bir sisteme gireriz. Bu çalışma basit ama hayati bir soruyu soruyor: modern veri araçlarını kullanarak hangi yol durumlarının ciddi zarara yol açma olasılığının yüksek olduğunu tahmin edip kazalar olmadan önce bunları düzeltebilir miyiz? Yazarlar, Kanada’daki Toronto ile Pakistan’daki Rawalpindi’den gerçek kaza kayıtlarını karşılaştırarak akıllı şehir fikirlerinin ve makine öğreniminin ham verileri hayat kurtaran pratik değişikliklere nasıl dönüştürebileceğini gösteriyor.

Gerçek kazalara yakından bakmak

Araştırmacılar polis ve acil durum kayıtlarından oluşan iki büyük veri seti bir araya getirdiler. Toronto’daki veri, on yılı aşkın sürede insanların öldüğü veya ağır şekilde yaralandığı binlerce çarpışmayı izliyor. Rawalpindi verisi ise COVID‑19 döneminde kentin kurtarma servisine bildirilen on binlerce kazayı kapsıyor. Her kayıt; günün saati, haftanın günü, yol tipi, aydınlatma ve hava koşulları, insanların yaşları ve rolleri (sürücü, bisikletçi, yaya) ve hız yapma ya da saldırgan sürüş gibi çarpışma öncesi durumlar gibi ayrıntıları içeriyor. Herhangi bir modelleme yapılmadan önce ekip veriyi temizledi, eksik değerlerle ilgilendi ve birçok metin alanını bilgisayarların anlayacağı sayısal forma dönüştürdü.

Bilgisayarlara çarpışma şiddetini öğretmek

İlk amaç, belirli bir çarpışmada insanların ne kadar kötü yaralanacağını tahmin etmekti. Bunun için yazarlar karar ağacı “ormanları” gibi klasik araçlardan konuşma veya görüntü tanımada sıklıkla kullanılan daha karmaşık derin öğrenme ağlarına kadar geniş bir makine öğrenimi yöntem yelpazesini test ettiler. Bu modelleri verinin bir kısmında eğitip kalanında performanslarını kontrol ettiler ve her modelden kazaları yaralanmasız, hafif yaralanma, ağır yaralanma veya ölümcül gibi kategorilere ayırmasını istediler. Tüm yaklaşımlar arasında iki yöntem öne çıktı: birçok basit karar ağacını daha güçlü bir “komite” hâline getiren XGBoost ve Random Forest. Ağır ince ayar yapılmamış olsa bile bu modeller Toronto vakalarının yaklaşık dörtte üçünü doğru sınıflandırdı; dikkatli ayarlamadan sonra özellikle Random Forest eğitim verisinde son derece yüksek doğruluk gösterdi.

Ciddi zararın ardındaki gizli desenleri keşfetmek

Sadece tahmin, yetkililere yerel düzeyde neyi değiştireceklerini söylemez; bu yüzden ikinci amaç, ciddi kazalarda tekrar eden koşul bileşimlerini ortaya çıkarmaktı. Bunun için ekip “eğer‑buysa‑şu” desenlerini veri içinde süzen ilişki kuralı madenciliği tekniğini kullandı. Her iki şehirde de insanların ağır yaralandığı durumlarda hız, saldırgan veya dikkatsiz sürüş, sürücünün kontrolü kaybetmesi, dikkatsizlik ve yayalar ya da motosikletlilerle çarpışmalar gibi öğeler tekrar tekrar ortaya çıktı. Ana yollarda ve yoğun kavşaklarda trafik kontrollerinin olmaması da önemli bir risk faktörü olarak belirdi. Rawalpindi verilerinde gece sürüşü, yağışlı hava ve hafta sonlarında yüksek motosiklet kullanımı özellikle tek kırık ve diğer yaralanmalarla ilişkilendirildi; Toronto’da tehlikeli durumlar sıklıkla belirli bölgeler ve haftanın zamanları etrafında kümelendi.

Farklı şehirler, ortak dersler

Yüksek gelirli bir Kuzey Amerika şehrini hızlı büyüyen bir Güney Asya şehriyle karşılaştırarak çalışma hem yerel farklılıkları hem de evrensel sorunları gösteriyor. Pakistan kayıtları, sık sık kasksız ve yetersiz aydınlatılmış yollarda günlük ulaşım aracı olarak motosiklet kullanan çok genç sürücüler arasında birçok ciddi kazayı açığa çıkarıyor. Kanada verisi ise kentsel bölgelerde yürüyen ve bisiklet süren kişilerin karşılaştığı tehditlere—dönüş yapan araçlar ve kavşaklardaki saldırgan sürüş gibi—daha güçlü biçimde işaret ediyor. Bu farklılıklara rağmen her iki ülke de sürücü davranışına odaklanmanın, daha güvenli hızların ve yayalar ile bisikletliler için daha iyi tasarlanmış geçişlerin açık faydalarını gösteriyor.

Bulgu ve önerileri daha güvenli yolculuklara dönüştürmek

Düz bir ifadeyle, çalışma bilgisayarların geçmiş kazalardan öğrenerek bir sonraki ciddi yaralanmanın ne zaman ve nerede olma ihtimalinin en yüksek olduğunu ve hangi kötü alışkanlıklar ya da yol ağındaki zayıf noktaların suçlu olduğunu işaret edebileceğini gösteriyor. XGBoost ve Random Forest gibi makine öğrenimi modelleri, trafiği gerçek zamanlı izleyen akıllı şehir sistemlerine entegre edilebilir, acil servislerin en tehlikeli olaylara öncelik vermesine yardımcı olabilir ve planlamacıları trafik ışıkları, hız denetimi, aydınlatma ve genç sürücüler için eğitim gibi hedefe yönelik düzeltmelere yönlendirebilir. Çalışma iki şehirle sınırlı ve dengesiz veri gibi zorluklarla karşılaşsa da pratik bir yol haritası sunuyor: büyük, gerçek dünya kaza kayıtlarını modern veri analiziyle birleştirin ve sonuçları her yolculuğumuzda hepimizi sessizce koruyacak yollar ve kurallar tasarlamak için kullanın.

Atıf: Abid, M.S., Hussain, M., Nabi, S. et al. Improving road safety in smart cities using machine learning techniques. Sci Rep 16, 10793 (2026). https://doi.org/10.1038/s41598-026-36795-6

Anahtar kelimeler: yol güvenliği, trafik kazaları, akıllı şehirler, makine öğrenimi, yaralanma tahmini