Оценка риска ДТП для каршеринговых сервисов

Система машинного обучения для оценки риска ДТП в реальном времени для каршеринговых сервисов.
Цель проекта — разработка модели, которая предсказывает вероятность ДТП на маршруте и предлагает альтернативные пути при высоком риске.

🎯 Цель проекта

• Предсказывать вероятность ДТП с учетом виновности автомобилей и серьезности повреждений
• Анализировать ключевые факторы, влияющие на аварии
• Дать рекомендации по созданию системы оценки риска и необходимому оборудованию

💡 Использованные технологии

• Python 3.x
• pandas, numpy, matplotlib, seaborn
• scikit-learn, catboost, torch, torchmetrics
• psycopg2, phik
• StandardScaler, OneHotEncoder, OrdinalEncoder, SimpleImputer
• Streamlit (для демо)
• Jupyter Notebook

🧪 Как запустить проект

git clone https://github.com/kagor4/Accident-Risk-Prediction-System.git
cd Accident-Risk-Prediction-System
pip install -r requirements.txt

Затем откройте и запустите файл Accident Risk Prediction System.py или ноутбук с аналогичным кодом в Jupyter. Убедитесь, что у вас есть доступ к базе данных PostgreSQL с таблицами collisions, parties, vehicles, и case_ids.

📊 Описание данных

Проект использует данные из базы PostgreSQL:

• collisions: информация о ДТП (место, время, погода, повреждения)
• parties: участники ДТП (виновность, трезвость, тип участника)
• vehicles: данные о транспортных средствах (тип, возраст, трансмиссия)
• case_ids: идентификаторы случаев

Фильтрация данных:

• Только автомобили как виновники (at_fault = 1)
• ДТП 2012 года
• Повреждения, кроме царапин

Ключевые признаки:

• distance — расстояние до главной дороги
• vehicle_type — тип транспортного средства
• vehicle_age — возраст автомобиля
• weather_1 — погодные условия
• location_type — тип местоположения

🔍 Краткие результаты

• Лучшая модель: Нейронная сеть
• Метрика: F1 = 0.71 (обучающая выборка), 0.674 (тестовая выборка)
• Основные факторы риска:
  • Расстояние до главной дороги (distance)
  • Тип транспортного средства (vehicle_type)
• Основные выводы:
  • Ясная погода увеличивает частоту ДТП из-за интенсивного движения
  • Старые легковые автомобили чаще попадают в аварии
• Рекомендации:
  • Добавить данные о погоде и дорожных условиях в реальном времени
  • Установить датчики (камеры, GPS) для мониторинга маршрута
  • Использовать ансамблевые методы для повышения точности
  • Разработать Streamlit-приложение для демонстрации системы

📁 Структура проекта

📦 Accident-Risk-Prediction-System/
├── Accident Risk Prediction System.py  # анализ и обучение модели
├── requirements.txt                    # зависимости
└── README.md                           # описание проекта

✅ TODO

• Интеграция данных о погоде и трафике в реальном времени
• Разработка Streamlit-приложения для визуализации рисков
• Тестирование ансамблевых методов (XGBoost, LightGBM)
• Улучшение обработки аномалий в данных

© Автор

Автор: kagor4