Please use this identifier to cite or link to this item:
http://dspace.centre-univ-mila.dz/jspui/handle/123456789/4482
Title: | Application of Machine Learning and Deep Learning Techniques in Road Safety. |
Authors: | Khawla, Benghalia, Khelil Omima |
Keywords: | Road Traffic Accidents, Machine Learning, Deep Learning, Accident Severity Prediction, Accident Frequency Prediction, Road Safety, CRISP-ML Accidents de la route, Apprentissage automatique, Apprentissage profond, Prédiction de la gravité des accidents, Prédiction de la fréquence des accidents, Sécurité routière, CRISP-ML. |
Issue Date: | Jun-2025 |
Publisher: | univercity centre of abdelhafid boussouf mila |
Citation: | Artificial Intelligence and its Applications |
Abstract: | Road traffic accidents are a growing global concern, causing around 1.3 million deaths and over 50 million injuries annually. This crisis highlights the urgent need for intelligent systems that can enhance road safety and reduce both the severity and frequency of accidents. This project investigates the use of ML and DL to analyze traffic accident data and support decision-making. It focuses on building predictive models that learn from many factors and past patterns to help prevent future accidents. Two key tasks are studied in this project: predicting accident severity using datasets such as US Accidents (2016–2023) and Road Traffic Accidents, and predicting accident frequency using Thailand Fatal Road Accidents and Great Britain Accident datasets. Each task used data suited to its objective. The project follows a specialized modeling process for machine learning and deep learning, known as CRISP-ML. A comprehensive data preparation steps were applied to clean and structure the data for effective training. By leveraging ML and DL techniques, several models are built and evaluated to demonstrate the effectiveness of these new approaches in enhancing road safety |
Description: | Les accidents de la route constituent une préoccupation mondiale croissante, causant environ 1,3 million de décès et plus de 50 millions de blessés chaque année. Cette crise souligne le besoin urgent de systèmes intelligents pour améliorer la sécurité routière et réduire la gravité ainsi que la fréquence des accidents. Ce projet explore l’utilisation de l’apprentissage automatique (ML) et de l’apprentissage profond (DL) pour analyser les données d’accidents de la route et soutenir la prise de décision. Il se concentre sur la construction de modèles prédictifs capables d’apprendre à partir de multiples facteurs et de schémas passés afin de prévenir les accidents futurs. Deux tâches principales sont étudiées : la prédiction de la gravité des accidents à l’aide de jeux de données tels que US Accidents (2016–2023) et Road Traffic Accidents, et la prédiction de la fréquence des accidents en utilisant les données de Thailand Fatal Road Accidents et Great Britain Accident. Chaque tâche utilise des données adaptées à ses objectifs. Le projet suit un processus de modélisation spécialisé pour le ML et le DL, connu sous le nom de CRISP-ML. Des étapes complètes de préparation des données ont été appliquées pour nettoyer et structurer les données en vue d’un entraînement efficace. En exploitant les techniques de ML et de DL, plusieurs modèles ont été construits et évalués pour démontrer l’efficacité de ces approches dans l’amélioration de la sécurité routière. |
URI: | http://dspace.centre-univ-mila.dz/jspui/handle/123456789/4482 |
Appears in Collections: | Computer science |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
Application of Machine Learning and Deep Learning Techniques in Road Safety.pdf | 6,65 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.