SHORT-TERM SPATIOTEMPORAL CRASH PREDICTION AND MODELING – APPLICATION OF DEEP LEARNING AND HYBRID MODELS

SHORT-TERM SPATIOTEMPORAL CRASH PREDICTION AND MODELING – APPLICATION OF DEEP LEARNING AND HYBRID MODELS. Masters thesis, King Fahd University of Petroleum and Minerals.

[img] PDF (Master Thesis)
MS_Thesis June 19.pdf
Restricted to Repository staff only until 24 June 2022.

Download (4MB)

Arabic Abstract

تعتبر حوادث المرور أحد الأسباب الرئيسية للوفاة في جميع أنحاء العالم. يمكن للوقاية الاستباقية من الاصطدام أن تقلل من مخاطر الاصطدام. ومع ذلك، فإن التنبؤ بحوادث الطرق بدقة مكانية عالية أمر معقد بسبب العديد من العوامل المساهمة في وقوع حوادث الطرق وطبيعة الحوادث العشوائية التي تحدث. هذه الدراسة تقوم بالتنبؤ بحصول حادث الطريق الزماني المكاني باستخدام خصائص وميزات متعددة المصادر، وهي المكانية، والزمانية، والزمانية المكانية، والتي تم جمعها للإلمام بجميع العوامل المسببة للاصطدام المحتملة. الميزات المكانية هي كثافة الطريق، وكثافة الحافلات، والتقاطع، والممر، وكثافة طريق الدراجات. الميزات الزمنية هي أحوال الطقس، والأحداث والمناسبات، والعطلات. وبالمثل، تشمل الميزات الزمانية المكانية رحلات سيارات الأجرة، وركاب الحافلات، والسرعة، وانتهاكات الإشارة الأحمر. تتبنى هذه الدراسة مجموعة متنوعة من نماذج تعلم الآلة ذات الصلة بالتنبؤ المتعلق بحوادث التصادم الزماني والمكاني. بداية، تم اعتبار نماذج التعلم العميق مثل الذاكرة القصيرة طويلة المدى (LSTM) وبالجمع بينها وبين الشبكة العصبية الالتفافية (CNN) لالتقاط التعقيد الطبيعي للتنبؤ بالتحطم. ترجع الميزة التنافسية لنماذج LSTM و CNN إلى الذاكرة طويلة المدى وقدرة التعرف المكاني. في هذه الدراسة، تم دمج نماذج ANN و LSTM و CNN كنموذج هجين للتعلم العميق للتنبؤ الزماني والمكاني بالحوادث في الشبكات الدقيقة في شيكاغو. هذه الدراسة تقدم مقترحًا حديثًا في مجال البحث العلمي وهو شبكة هجينة عميقة تستخدم بشكل مشترك المكاني والزماني والمكاني الزماني للتنبؤ بحوادث الاصطدام. بالإضافة إلى ذلك، تمت مقارنة الشبكة الهجينة العميقة المقترحة في هذه الدراسة بأساليب ونماذج أخرى طرحت في الأبحاث العملية. حيث أن الأساليب والنماذج الأساسية هي الانحدار اللوجستي الإحصائي التقليدي ، والشبكة العصبية الاصطناعية ، والشبكة العصبية الالتفافية ، وطريقة الذاكرة طويلة المدى ، و LSTM ثنائي الاتجاه. أشارت نتائج الدراسة إلى أن الشبكة الهجينة العميقة تفوقت على النماذج الأساسية في كل من الشبكات المكانية 1 كم × 1 كم و 5 كم × 5 كم. أيضا، حققت الشبكة الهجينة العميقة دقة 0.722، واستدعاء 0.701، ومعدل إنذار خاطئ 0.278، ومنطقة تحت المنحنى 0.790 للدقة المكانية البالغة 1 كم × 1 كم. بالإضافة إلى الدقة 0.781، واستدعاء 0.768، ومعدل الإنذار الخاطئ 0.216، ومنطقة تحت المنحنى 0.8586 للدقة المكانية 5 كم × 5 كم

English Abstract

Traffic crashes are one of the significant causes of death worldwide. Proactive crash prevention can decrease crash risk. However, predicting road crashes in fine spatial resolution is complicated due to several contributing factors to a road crash and the crashes' random happening nature. This study predicts the spatiotemporal road crash using multi-source features, namely spatial, temporal, and spatiotemporal, collected to capture all possible crash triggering factors. Spatial features are road density, bus density, intersection, walkway, and bikeway density. Temporal features are weather conditions and events, and holidays. Similarly, spatiotemporal features include taxi trips, bus ridership, speed, and red-light violations. This study will adopt a wide variety of relevant machine learning models for spatiotemporal crash prediction. Initially, deep learning models like Long-term Short Memory (LSTM) and its combination with Convolution Neural Network (CNN) are considered to capture the natural complexity of the crash prediction. LSTM and CNN models' competitive advantage is due to their long-term memory and spatial recognition capacity, respectively. In this study, ANN, LSTM, and CNN models are combined as a hybrid deep learning model for spatiotemporal prediction of crashes in fine grids of Chicago. The main novelty of this study is to propose a deep hybrid network that uses spatial, temporal, and spatiotemporal jointly for crash prediction. Additionally, this study's deep hybrid network was compared with the state-of-art methods of the literature. The traditional statistical logistic regression, artificial neural network, convolution neural network, long short-term memory method, and bidirectional LSTM are the baseline methods. The study results indicated that the deep hybrid network outperformed the baseline models in 1kmx1km and 5kmx5km spatial grids. The deep hybrid network achieved accuracy 0.722, recall 0.701, false alarm rate 0.278, and AUC 0.790 for spatial resolution of 1kmx1km and accuracy 0.781, recall 0.768, false alarm rate 0.216, and AUC 0.8586 for spatial resolution of 5kmx5km.

Item Type: Thesis (Masters)
Subjects: Civil Engineering > Transportation Engineering
Engineering
Department: College of Design and Built Environment > Civil and Environmental Engineering
Committee Advisor: Al-Ahmadi, H.M
Committee Members: Syed Masiur, Rahman and Ibrahim, Al-Saghan
Depositing User: Mr. MOHAMMAD TAMIM KASHIFI
Date Deposited: 01 Jul 2021 08:08
Last Modified: 01 Jul 2021 08:08
URI: https://eprints.kfupm.edu.sa/id/eprint/141915