Traffic Accident Severity Prediction
100.000+ kaza kaydıyla eğitilmiş rota riski tahmini
- Rol
- Veri bilimi ve backend
- Dönem
- 2025
- Durum
- Açık kaynak
- Bağlantılar
- GitHub ↗
Rakamlarla
100K+100K+ - kaza kaydı
85%+85%+ - doğruluk
33 - model karşılaştırıldı
Genel bakış
100.000+ geçmiş kaza kaydıyla eğitilmiş rota riski tahmini; %85+ doğrulukla gerçek zamanlı uyarı üretiyor. OpenRouteService ve hava durumu API'leriyle çalışıyor.
- Lojistik regresyon, Random Forest ve XGBoost karşılaştırıldı; doğruluk, F1 ve ROC-AUC ile değerlendirildi.
- Flask API rota üzerindeki segmentleri hava durumuyla birleştirip risk puanı döndürüyor; React arayüzü haritada gösteriyor.
01
Problem
Kaza şiddetini belirleyen etkenlerin çoğu (hava, saat, yol tipi, görüş mesafesi) yolculuk başlamadan önce biliniyor. Soru şuydu: bu bilgiyle sürücüye veya yetkiliye rota bazlı, önleyici bir uyarı verilebilir mi?
02
Yaklaşım
100.000'den fazla geçmiş kaza kaydı temizlendi; tarih-saat, hava ve konum alanlarından yeni öznitelikler türetildi. Lojistik regresyon, Random Forest ve XGBoost eğitilip doğruluk, kesinlik, duyarlılık, F1 ve ROC-AUC ile karşılaştırıldı.
Flask tabanlı bir REST API, OpenRouteService'ten gelen rotayı segmentlere ayırıp her segment için güncel hava durumuyla tahmin yapıyor. React arayüzü riskli segmentleri harita üzerinde renklendiriyor.
03
Mimari
- Veri
- 100K+ kaza kaydı
- Öznitelik mühendisliği
- Model
- Scikit-Learn
- XGBoost
- Değerlendirme
- Servis
- Flask API
- OpenRouteService
- Hava durumu API
- Arayüz
- React harita
04
Kilit kararlar
- 01
Rotayı segmentlere bölmek
Tek bir 'bu rota riskli' puanı işe yaramaz. Segment bazlı tahmin, hangi kısmın neden riskli olduğunu gösteriyor.
Sonuç
En iyi model %85'in üzerinde doğruluğa ulaştı. Deneyler Jupyter defterlerinde yeniden üretilebilir; API ve arayüz depoda ayrı klasörlerde duruyor.
Benzer projeler
- Yapay zekâ / MLAçık kaynak
Appliances Energy Prediction
Akıllı ev enerji tüketimi için regresyon modelleri karşılaştırması
UCI veri setindeki 19.735 adet 10 dakikalık ölçümle ev aletlerinin enerji tüketimini tahmin eden çalışma. Random Forest, XGBoost, LightGBM ve doğrusal regresyon karşılaştırıldı; LightGBM R² ≈ 0.76 ile öne çıktı.
- 19.735
- ölçüm satırı
- 0.76
- R² (LightGBM)
- Python
- Pandas
- Scikit-Learn
- LightGBM
- XGBoost
- Jupyter
İncele - Yapay zekâ / MLAçık kaynak
Mobile Price Classification
Donanım özelliklerinden telefon fiyat segmenti sınıflandırması
RAM, pil, ekran ve kamera gibi donanım özelliklerinden telefonun fiyat segmentini tahmin eden sınıflandırma çalışması; veri toplama betiği, Jupyter analizi ve konteynerize edilmiş tahmin servisi.
- Python
- Pandas
- Scikit-Learn
- Jupyter
- Docker
İncele 
Yapay zekâ / MLCanlıChefsStack
Vektör tabanlı öneri motoruna sahip tarif platformu
Tarif ve öneri platformu. Öneriler elle yazılmış kurallara değil, vektör benzerliğine dayanıyor; kullanıcı etkileşimleri Kafka ve Redis üzerinden kişisel akışlara dönüşüyor.
- <50ms
- benzerlik sorgusu
- 1.000+
- etkileşim olayı işlendi
- Python
- FastAPI
- PostgreSQL
- pgvector
- Redis
- Kafka
İncele