| Abstract |
Šis bakalaura darbs iepazīstina ar moderna, interaktīva tīmekļa vizualizācijas
rīka izstrādi, kas paredzēts, lai analizētu korelāciju starp dienas apstākļiem un satiksmes
negadījumiem. Tradicionālā ceļu satiksmes negadījumu analīze balstās uz statiskām
vizualizācijas metodēm, kas nespēj fiksēt negadījumu laika tendences un sniegt
reāllaika ieskatu. Pievēršoties šiem ierobežojumiem, šis pētījums ievieš dinamisku, uz
datiem balstītu platformu, kas integrē kritiskos faktorus, tostarp ceļu satiksmi, laika
apstākļus, ceļu blīvumu, vadītāju uzvedību un transportlīdzekļa īpašības, lai piedāvātu
visaptverošāku un interaktīvāku izpratni par negadījumu modeļiem. Lai novērstu esošo
metodoloģiju trūkumus, šajā pētījumā tiek izmantotas progresīvas vizualizācijas
metodes, piemēram, animētas siltuma kartes, laikrindu analīze un ģeotelpiskā
kartēšana, ko nodrošina Plotly Dash. Turklāt, lai kvantitatīvi noteiktu vides faktoru
ietekmi uz negadījumu riskiem, tiek izmantota statistiskā modelēšana, kas ietver
regresijas analīzi un korelācijas pētījumus. Ierosinātais rīks ir izstrādāts kā vienas lapas
Python Dash lietojumprogramma, kas izmanto HTML, CSS un Bootstrap izkārtojuma
veidošanai un Plotly interaktīvām frontend vizualizācijām, savukārt Pandas un NumPy
apstrādā aizmugursistēmas datu priekšapstrādi. Mašīnmācīšanās modeļi
(HistGradientBoostingClassifier un XGBoostClassifier) tiek ieviesti, izmantojot
Scikit-learn, analizējot vēsturiskos negadījumu datus, lai prognozētu riska faktorus,
pamatojoties uz diennakts laika izmaiņām un laikapstākļiem. Stingra testēšana
nodrošina augstu veiktspēju, precizitāti, atsaukšanu un lietojamību ar reāllaika
novērtēšanas metriku un lietotāju atsauksmēm, kas nosaka precizējumus.
Darba apjoms kopumā ir 60 lappuses, tajā skaitā 5 tabulas, 26 attēli un 34 uzziņu
avoti.
Darba veids: 3 (produkta vai prototipa izstrāde) |
