A STEP TOWARDS GENERALIZED CRASH SEVERITY PREDICTION MODEL – A DEEP LEARNING APPROACH COUPLED WITH INTERNATIONAL TRAFFIC CRASH DATA. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF KFUPM MS Thesis - OSAMA MOSAMEH 6.1.22.pdf - Accepted Version Restricted to Repository staff only until 6 January 2024. Available under License Creative Commons Attribution Non-commercial. Download (5MB)

Arabic Abstract

تعد الحوادث المرورية أحد أهم المشاكل عالميًا. وفقًا لمنظمة الصحة العالمية، فإن ملايين البشر يقضون ويصابون إصاباتٍ بليغةً في الحوادث المرورية. حيث بلغت معدلات الوفيات العالمية الناتجة عن الحوادث 18.2 وفاةً لكل مئة ألف نسمةٍ للعام 2016 مع معاناة الدول الفقيرة بشكلٍ أكبر. يبلغ معدل الوفيات السّنويّ بسبب الحوادث ما يقارب 1.35 مليون وفاة أي ما يعادل 3290 شخصا بمعدل يومي، بينما تتسبب بإصابات بالإعاقة تتراوح ما بين 20 و50 مليون إصابة سنويا. تمتلك الدول الفقيرة ومتوسطة الدخل أقل من نصف التعداد العالمي من المركبات بنما تسهم بأكثر من 90% من معدل وفيات الحوادث عالميا. يشكل التنبؤ الدقيق بفداحة (شدّة) الحوادث المرورية مصدرًا مهما للمعلومات التي يمكن أن تستخدم لتبني المعايير المناسبة للتخفيف من تبعات الحوادث. هناك الكثير من الدراسات العلمية التي تم تطويرها باستخدام أنواع مختلفة من نماذج التعلم الآلي للتنبؤ بفداحة الحوادث المروية. على الرغم من هذا، هناك حاجة ملحة لنموذج يستطيع التعامل مع الملومات بمنطقية واعتدال لتغطية العالم ولديه مرونة للتعديل بقوائم مدخلات جديدة وكمية محدودة من المعلومات للتدريب. سيمهد هذا النموذج الطريق نحو تطوير حل عالمي للتنبؤ بفداحة الحوادث. تهدف هذه الدراسة لبناء حل من خلال الموائمة بين البيانات الضخمة وتقنية التعلم العميق. تكمن الخطوة الأولى بتطوير قاعدة بيانات دولية لفداحة الحوادث المرورية من خلال مصادر البيانات المفتوحة من السلطات المعنية والأبحاث الأكاديمية. ثم استقصاء أنواع مختلفة من التعلم الآلي باستخدام طرق تعلم وتسوية لتطوير نموذج دُوَليَ يقوم بحل مشاكل التحيز والفروق في المدخلات بشكل مناسب. ويفترض أنّ نموذج التعلم العميق سيوفر مستوىً عاليًا من فهم خصائص المدخلات. لذلك يتوقع أن يعمل بشكلٍ جيدٍ حتى بوجود شُحٍّ في مدخلات التدريب لمواقع جديدة. وسيتم مقارنة أدائه مع نماذج التعلم الآلي الأخرى. ستساعد حصيلة هذا البحث باتخاذ الإجراءات والعلاجات اللازمة لتحسين الأمن والسلامة المروريَّين للبلدان النامية بسبب محدودية توفر بيانات الحوادث المرورية. أضف إلى ذلك إمكانية استخدام مخرجات هذا البحث عالميًا من باحثين آخرين وكياناتٍ دُوَلِيَّةٍ مثل منظمة الصحة العالمية والأمم المتحدة.

English Abstract

Road traffic crash (RTC) is one of the critical problems worldwide. According to WHO, millions of people are killed and injured in RTCs. The global mean fatalities due to RTCs was 18.2 deaths per hundred-thousand people in 2016, with lower-income countries suffering the most. About 1.35 million people face death in traffic crashes annually meaning a daily average exceeding 3,290 people. Casualties involving injury of impairment coming to a sum between 20 to 50 million. Traffic crashes come in the 8th place as a death leading cause, summing up to 2.2% of death counts worldwide. Countries of low and middle income owning below 50% of the vehicles of the world contribute with more than 90% of the crash fatalities. The accurate prediction of traffic crash severity contributes to generate crucial information which can be used to adopt appropriate measures reducing the aftermath of crashes. Many scientific studies developed different kinds of machine learning (ML) models for crash severity predictions. However, there is a need of the model using relevant data reasonably covering the world which can be customized for new datasets with limited training data. It will pave the path towards the development of a global solution to traffic crash severity prediction. This study aims to build the solution through the synergy between big data and deep learning. The initial step is to develop an international database of traffic crash severity consists of publicly available resources from relevant authorities and academic publications. Different machine learning models along with many learning and regularization approaches will be investigated to develop an international model which will address the bias and variance issues adequately. It is assumed that the deep learning model will provide a high-level understanding of the features. Therefore, the model is expected to perform well even with limited training datasets for new locations. It will also be compared with conventional machine learning models. The output of this research will mainly assist proper actions and remedies required to enhance traffic safety in the developing countries due to the limited availability of traffic crash data. Moreover, the output of this research can be utilized by researchers globally and international entities such as World Health Organization, United Nations.

Item Type:	Thesis (Masters)
Subjects:	Civil Engineering > Transportation Engineering
Department:	College of Design and Built Environment > Civil and Environmental Engineering
Committee Advisor:	ASSI, KHALED
Committee Members:	Ratrout, N.T and Rahman, S. M.
Depositing User:	OSAMA MOSAMEH (g201601180)
Date Deposited:	06 Jan 2022 08:40
Last Modified:	06 Jan 2022 08:40
URI:	http://eprints.kfupm.edu.sa/id/eprint/142019