Phát triển mô hình dự báo tai nạn giao thông luận văn thạc sĩ công nghệ thông tin

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC LẠC HỒNG *** PHÁT TRIỂN MƠ HÌNH DỰ BÁO TAI NẠN GIAO THÔNG LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN Đồng Nai - Năm 2022 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC LẠC HỒNG *** PHÁT TRIỂN MÔ HÌNH DỰ BÁO TAI NẠN GIAO THƠNG Chun ngành : Công nghệ thông tin Mã số: 8480201 LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN Đồng Nai - Năm 2022 i LỜI CẢM ƠN *** Bằng tất lòng chân thành kính phục, tơi xin trân trọng cảm ơn Thầy PGS.TS Tuy bận rộn với việc nghiên cứu, giảng dạy cơng việc gia đình suốt thời gian hướng dẫn đề tài, Thầy ln sẵn sàng nhiệt tình xếp thời gian để định hướng, hướng dẫn, động viên tận tình giúp tơi hồn thành luận văn Tơi xin gửi lời chân thành cảm ơn đến Ban Giám hiệu trường Đại học Lạc Hồng, Quý Thầy, Cô thuộc khoa sau đại học tạo điều kiện tốt để hồn thành chương trình cao học Bên cạnh đó, tơi xin cảm ơn sâu sắc đến bạn khóa nhiệt tình đóng góp ý kiến, chia sẻ động viên để tơi hồn thiện đề tài Ngồi ra, tơi xin cảm ơn gia đình, người thân ln khích lệ, động viên, giúp đỡ suốt trình học tập, nghiên cứu, tạo nên sức mạnh to lớn để tơi hồn thành khóa học Mặc dù cố gắng Luận văn cịn nhiều thiếu sót, kính mong q Thầy Cơ bạn bè hướng dẫn, góp ý để nội dung nghiên cứu hoàn thiện ứng dụng thực tiễn cao Một lần nữa, xin chân thành cảm ơn Ngày 10 tháng năm 2022 HỌC VIÊN ii LỜI CAM ĐOAN *** Tôi xin cam đoan: Những nội dung luận văn thực hướng dẫn trực tiếp thầy PGS.TS Mọi tham khảo dùng luận văn trích dẫn rõ ràng trung thực tên tác giả, tên cơng trình, thời gian, địa điểm cơng bố Mọi chép không hợp lệ, vi phạm quy chế đào tạo, gian dối, tơi xin chịu hồn tồn trách nhiệm NGƯỜI CAM ĐOAN iii TRƯỜNG ĐẠI HỌC LẠC HỒNG KHOA SAU ĐẠI HỌC TÓM TẮT LUẬN VĂN (Dùng cho học viên người hướng dẫn) Đề tài: Phát triển mơ hình dự báo tai nạn giao thông Ngành: Công nghệ thông tin NỘI DUNG TÓM TẮT Nội dung giao kết mong đợi người hướng dẫn Nghiên cứu, tìm hiểu thuật tốn giải cơng trình khoa học có liên quan giả tác nước để áp dụng vào xây dựng luận văn Nghiên cứu lý thuyết liên quan khai phá liệu, phát tri thức, toán, thuật toán phân lớp liệu ứng dụng phân lớp Thu thập liệu xử lý vụ vi phạm, tai nạn giao thông địa bàn tỉnh Bà Rịa Vũng Tàu Phát triển mơ hình phân lớp liệu sử dụng công cụ mã nguồn mở Weka đánh giá độ xác mơ hình Cách thức giải vấn đề Triển khai thực đề tài “phát triển mơ hình dự báo tai nạn giao thơng” gồm bước sau: - Thu thập liệu liệu xử lý vụ vi phạm, tai nạn giao thông địa bàn tỉnh Bà Rịa Vũng Tàu khoảng thời gian từ 2017 đến 2020 - Chạy thử nghiệm đánh giá mơ hình Kết đạt Tác giả hiểu tổng hợp kiến thức liên quan đến khai phá liệu phát tri thức, toán, thuật toán phân lớp liệu ứng dụng phân lớp cho tập liệu tai nạn giao thơng từ rút số thuộc tính tiêu biểu người tham gia giao thơng trở thành thơng tin, chính, qua giúp dự đốn nguy gây tai nạn thơng qua số mơ hình phân lớp định Ngồi ra, tác giả đưa số giải pháp nhằm kéo giảm tai nạn giao thông Những vấn đề chưa thực Chưa tối ưu kết hợp mơ hình dự báo kết tốt NGƯỜI HƯỚNG DẪN Đồng Nai, ngày 10 tháng năm 2022 HỌC VIÊN iv DANH MỤC CHỮ VIẾT TẮT TT Từ viết tắt Dạng đầy đủ ACC Accuracy ATGT An tồn giao thơng CART Classification and regression tree CNTT Công nghệ thông tin CSDL Cơ sở liệu DM Data Mining Khai thác liệu KDD Knowlegde Discovery in Databases Phát tri thức CSDL kNN k-Nearest neighbor K láng giềng gần KPDL Khai phá liệu Chú thích Độ xác Cây phân loại hồi quy 10 MH Máy học 11 PCA Principal Component Analysis Thuật tốn phân tích thành phần 12 RF Random forest Rừng ngẫu nhiên 13 SVM Supprot Vector Machin Máy hỗ trợ vector 14 TNGT Tai nạn giao thông 15 TTATGT Trật tự an tồn giao thơng v DANH MỤC HÌNH ẢNH Hình 2.1 Q trình phát tri thức 10 Hình 2.2 Quá trình khai phá liệu (kpdl) 13 Hình 2.3 Phân cụm tập liệu cho vay thành cụm 16 Hình 2.4 Một số lĩnh vực ứng dụng trí tuệ nhân tạo 17 Hình 2.5 Học sâu nhận dạng khuôn mặt biểu cảm xúc khn mặt 22 Hình Quá trình phân lớp liệu - bước xây dựng mơ hình phân lớp 27 Hình Quá trình phân lớp liệu - ước lượng độ xác mơ hình 28 Hình 3 Quá trình phân lớp liệu - phân lớp liệu 28 Hình Thuật tốn tạo định 30 Hình Minh họa định 32 Hình Dựng với nốt thuộc tính age 35 Hình Ví dụ cách phân nhánh 37 Hình Siêu phẳng để phân tách điểm liệu không gian chiều chiều 43 Hình Các mặt phân cách hai classes linearly separable 44 Hình 10 Margin hai classes 44 Hình 11 Siêu phẳng tối ưu có lề cực đại không gian chiều chiều 46 Hình 12 Svm với giá trị c khác 47 Hình 13 Biểu diễn hàm kernel 48 Hình 14 Sơ đồ random forest 49 Hình 15 Mơ hình rừng ngẫu nhiên 51 Hình 16 Cách tính khoảng cách euclid hai điểm khơng gian chiều 54 Hình 17 Mơ hình thuật tốn k-nn 54 Hình 18 Sơ đồ k-fold cross-validation 57 Hình 19 Giải thích confusion matrix 59 Hình 20 Sơ đồ hold out 61 Hình Giao diên ban đầu phần mềm weka 64 Hình Giao diện weka explorer 65 Hình Định dạng liệu arff 66 Hình 4 Đọc liệu vào weka 67 Hình Chọn tab classify 67 vi Hình Chọn thuật toán 68 Hình Chọn thuật toán 68 Hình Chạy thuật tốn phân lớp 69 Hình Bảng lưu thơng tin 69 Hình 10 Bảng kết sau chạy thuật toán 70 Hình 11 Giải thích thơng số run information 70 Hình 12 Giải thích classifier model (full training set) 71 Hình 13 Số liệu thống kế tập liệu 71 Hình 14 Độ xác cho phân lớp 71 Hình 15 Confusion matrix phân lớp tập liệu 72 Hình 16 Mơ hình phân lớp liệu tai nạn giao thơng 72 Hình 17 Cấu hình thuật tốn naivebayes 73 Hình 18 Kết phân lớp weka cho thuật toán naive bayes với số 70% split 74 Hình 19 Kết phân lớp weka cho thuật toán naive bayes fold=10 crossvalidation 75 Hình 20 Cấu hình weka cho thuật toán k-nn 76 Hình 21 Cấu hình weka cho thuật tốn tìm kiếm thuật tốn k-nn 76 Hình 23 Kết phân lớp weka cho thuật tốn k-nn với số 70% split 77 Hình 22 Kết phân lớp weka cho thuật toán k-nn với fold=10 cross-validation 77 Hình 24 Cấu hình weka cho thuật toán svm 78 Hình 25 Kết phân lớp weka cho thuật toán svm với số 70% split 79 Hình 26 Kết phân lớp weka cho thuật toán svm fold=10 cross-validation 79 Hình 27 Cấu hình weka cho thuật tốn random forest 80 Hình 28 Kết phân lớp weka cho thuật toán random forest với số 70% split 80 Hình 29 Kết phân lớp weka cho thuật toán random forest fold=10 crossvalidation 81 Hình 30 Cấu hình cho thuật tốn j48 81 Hình 31 Kết phân lớp weka cho thuật toán j48 với số 70% split 82 Hình 32 Kết phân lớp weka cho thuật toán j48 fold=10 cross-validation 82 Hình 33 Cây định kết 83 vii DANH MỤC BẢNG Bảng Bảng liệu khách hàng 31 Bảng Thống kê độ xác thời gian chạy mơ hình phương pháp Hold-out 84 Bảng 3 Thơng kê độ xác thời gian chạy mơ hình phương pháp kfold Cross validation 85 viii MỤC LỤC LỜI CẢM ƠN i LỜI CAM ĐOAN ii TÓM TẮT LUẬN VĂN iii DANH MỤC CHỮ VIẾT TẮT iv DANH MỤC HÌNH ẢNH v DANH MỤC BẢNG .vii MỤC LỤC viii CHƯƠNG TỔNG QUAN 1.1 Mở đầu 1.2 Tình hình nghiên cứu có liên quan đến luận văn 1.3 Mục tiêu luận văn 1.4 Phạm vi đối tượng nghiên cứu 1.5 Nội dung thực 1.6 Phương pháp thực 1.7 Dự kiến kết 1.8 Cấu trúc luận văn CHƯƠNG CƠ SỞ LÝ THUYẾT VỀ KHAI PHÁ DỮ LIỆU VÀ PHÁT HIỆN TRI THỨC 2.1 Giới thiệu tổng quan 2.1.1 Khái niệm khai phá liệu 2.1.2 Nhiệm vụ khai phá liệu 2.1.3 Một số ứng dụng khai phá liệu 2.1.4 Bước phát triển việc tổ chức khai thác CSDL 2.1.5 Quá trình phát tri thức 10 2.2 Một số kỹ thuật khai phá liệu 14 2.2.1 Khai phá liệu dự đoán 14 2.2.2 Khai phá liệu mô tả 15 2.3 So sánh khai phá liệu phương pháp khác 17 2.3.1 So sánh với phương pháp hệ chuyên gia (Expert Systems) 17 2.3.2 So sánh với phương pháp thống kê (Statistics) 18 2.3.3 So sánh với phương pháp học máy (Machine Learning) 19 75 - Ma trận Confusion thể mẫu xảy tai nạn (Yes) phân lớp 91, phân lớp sai 235 Các mẫu không xảy tai nạn (No) phân lớp 3719, phân sai 942 Kịch 2: thực nghiệm huấn luyện chế độ phân Cross-validation Tập liệu chia k tập (folds) có kích thước xấp xỉ nhau, phân loại học dánh giá phướng pháp cross-validation Trong thực nghiệm tác giả chọn mặc định fold=10, đạt hiệu phân lớp sau: Sau chạy thuật tốn liệu “TNGT.CSV” Có thể thấy với cấu hình mặc định, thuật tốn đạt độ xác 76.3489% Hình 19 Kết phân lớp Weka cho thuật toán Naive Bayes fold=10 cross-validation Thực phân lớp thuật toán k-Nearest neighbor Thuật toán hỗ trợ phân lớp hồi quy, thường gọi tắt kNN kNN hoạt động cách lưu trữ toàn tập liệu huấn luyện truy vấn để xác định vị trí mẫu đào tạo tương tự đưa dự đoán 76 Như vậy, khơng có mơ hình ngồi tập liệu huấn luyện thơ phép tính thực truy vấn liệu huấn luyện yêu cầu dự đoán Bước 1: Tại tab Classify chọn “Choose” để lựa chọn thuật toán theo đường dẫn: Weka/Classifiers/lazy/IBk Bước 2: Click vào tên thuật toán để xem cấu hình thuật tốn Hình 20 Cấu hình Weka cho thuật tốn k-NN Theo hình 4.20 cấu hình Weka cho thuật tốn k-NN xác định giá trị tham số K (số láng giềng gần nhất) K=1 dùng khoảng cách Euclidean để tính khoảng cách trường hợp Hình 21 Cấu hình Weka cho thuật tốn tìm kiếm thuật tốn k-NN Bước 3: Chọn Test options Bước 4: Click Start 77 Kết đạt được: Có thể thấy với cấu hình mặc định, thuật tốn phân lớp kNN đạt độ xác 77% Hình 22 Kết phân lớp Weka cho thuật toán k-NN với số 70% Split Hình 23 Kết phân lớp Weka cho thuật toán k-NN với fold=10 cross-validation Thực phân lớp thuật toán Support Vector Machines Bước 1: Tại tab Classify chọn “Choose” để lựa chọn thuật toán theo đường dẫn: Weka/Classifiers/funtions/SMO 78 Bước 2: Click vào tên thuật tốn để xem cấu hình thuật tốn Hình 24 Cấu hình Weka cho thuật tốn SVM Theo hình (4.24) tham số C, gọi tham số độ phức tạp Weka kiểm soát mức độ linh hoạt quy trình vẽ đường phân tách lớp Giá trị cho phép khơng vi phạm ký quỹ, mặc định Một tham số SVM loại Kernel sử dụng Hạt nhân đơn giản hạt nhân tuyến tính phân tách liệu đường thẳng siêu phẳng Mặc định Weka hạt nhân đa thức phân tách lớp cách sử dụng đường cong uốn lượn, đa thức cao, lung lay (giá trị số mũ) Một hạt nhân phổ biến mạnh mẽ Kernel RBF Radial Basis Function Kernel có khả học đa giác khép kín hình dạng phức tạp để phân tách lớp Đó ý tưởng tốt để thử giá trị hạt nhân C (độ phức tạp) khác vấn đề bạn xem hoạt động tốt Bước 3: Chọn Test options Bước 4: Click Start Kết đạt được: Với cấu hình mặc định phân lớp SMV - Percentage split: 70% đạt độ xác 79.2861 % - Fold=10 cross-validation đạt độ xác 78.4722 % 79 Hình 25 Kết phân lớp Weka cho thuật toán SVM với số 70% Split Hình 26 Kết phân lớp Weka cho thuật toán SVM fold=10 cross-validation Thực phân lớp thuật toán RandomForest Bước 1: Tại tab Classify chọn “Choose” để lựa chọn thuật toán theo đường dẫn: Weka/Classifiers/trees/RandomForest 80 Hình 27 Cấu hình Weka cho thuật toán Random Forset Bước 2: Click vào tên thuật toán để xem cấu hình thuật tốn Bước 3: Chọn Test options Bước 4: Click Start Kết đạt được: Với cấu hình mặc định phân lớp RandomForset - Percentage split: 70% đạt độ xác 77.8825% - Fold=10 cross-validation đạt độ xác 77.7083 % Hình 28 Kết phân lớp Weka cho thuật toán Random Forset với số 70% Split 81 Hình 29 Kết phân lớp Weka cho thuật toán Random Forset fold=10 cross-validation Thực phân lớp thuật toán Decision tree (J48) Bước 1: Tại tab Classify chọn “Choose” để lựa chọn thuật toán theo đường dẫn: Weka/Classifiers/trees/J48 Bước 2: Click vào tên thuật toán để xem cấu hình thuật tốn Hình 30 Cấu hình cho thuật toán J48 82 Bước 3: Chọn Test options Bước 4: Click Start Kết đạt được: Với cấu hình mặc định phân lớp J48 - Percentage split: 70% đạt độ xác 79.3463 % - Fold=10 cross-validation đạt độ xác 78.6707 % Hình 31 Kết phân lớp Weka cho thuật tốn J48 với số 70% Split Hình 32 Kết phân lớp Weka cho thuật toán J48 fold=10 cross-validation 83 Riêng thuật tốn J48, ta sử dụng chức Visualize Tree để xem hình ảnh định Hình 33 Cây định kết 84 4.4 Đánh giá mơ hình phân lớp liệu tai nạn giao thơng Đánh giá mơ hình phương pháp Hold-out Chúng ta chia liệu thành phần: 70% để xây dựng mơ hình phân lớp (tập train), 30% để kiểm tra (tập test) Bảng thể độ xác thời gian chạy mơ hình thuật tốn Classifier Precision Recall Fmeasure ACC Time Naive Bayes 0.690 0.764 0.712 76.3986% 0.03 kNN (K=1) 0.725 0.774 0.737 77.4213% 0.02 SVM 0.629 0.793 0.701 79.2861% 74.81 RandomForset 0.722 0.779 0.732 77.8825% 1.01 J48 0.744 0.793 0.735 79.3463% 0.03 Confusion matrix Bảng Thống kê độ xác thời gian chạy mơ hình phương pháp Hold-out 85 Đánh giá mơ hình phương pháp k-fold Cross validation Chọn k = 10, nghĩa chia tập liệu thành 10 phần, phần dùng làm tập kiểm tra (test set), phần dùng để huấn luyện (train set) Classifier Precision Recall Fmeasure ACC Time Naive Bayes 0.680 0.763 0.7 76.3469% 0.03 kNN (K=1) 0.72 0.772 0.729 77.1789% 0.01 SVM 0.616 0.785 0.69 78.4722% 76.76 RandomForset 0.724 0.777 0.728 77.7083% 1.61 J48 0.740 0.787 0.728 78.6707% 0.22 Confusion matrix Bảng 3 Thơng kê độ xác thời gian chạy mơ hình phương pháp k-fold Cross validation 86 4.5 Kết luận thực nghiệm phân lớp liệu Qua kết phân lớp trên, ta thấy ngồi mơ hình SMV có thời gian chạy lâu nhất, mơ hình cịn lại thời gian phân lớp tốt (trên 76% phân lớp xác) Điều cho thấy, mơ hình phân lớp phù hợp cho toán phân lớp, dự đốn tai nạn giao thơng Từ kết mơ hình phân lớp trên, đặc biệt mơ hình phân lớp dựa vào định, ta rút biết người tham gia giao thơng gây tai nạn hay khơng dựa đặc điểm hành vi tham gia giao thông người như: người trẻ sai đường vào ngày cuối tuần có nguy xảy tai nạn; người nam trung niên công chức cư trú Bà Rịa - Vũng Tàu sai đường vào ngày tuần dễ bị tai nạn… Tổng kết chương Chương IV trình bày vấn đề toán phân lớp/dự đoán khả gây tai nạn người tham gia giao thông qua việc áp dụng số phương pháp/kỹ thuật phân lớp liệu Đặc biệt, chương trình xây dựng trình bày mơ hình tổng thể tốn phân lớp dự đốn tai nạn giao thông sở áp dụng thuật toán phân lớp phần mềm hỗ trợ trực quan Weka Kết thực nghiệm tốn trình bày chi tiết sở áp dụng phần mềm Weka phương pháp phổ biến như: Naive Bayes, Nearest neighbor, Support Vector Machines, Random Forset, Decision tree (J48) 87 CHƯƠNG KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Kết đạt được: Sau thời gian làm việc, nghiên cứu hướng dẫn tận tình thầy PGS.TS Đỗ Phúc, luận văn đạt kết sau đây: Tổng hợp kiến thức liên quan đến khai phá liệu phát tri thức, thuật toán phân lớp liệu Giới thiệu trình bày cơng cụ phần mềm Weka (Waikato Environment for Knowledge Analysis) phần mềm học máy Đại học Waikato, New Zealand phát triển Java., ứng dụng phân lớp liệu Tìm hiểu tốn phân lớp liệu áp dụng cho phân lớp dự đoán tai nạn giao thơng Cài đặt, cấu hình phần mềm Weka tiến hành phân lớp liệu tập liệu Tai nạn giao thơng Tóm tắt đề xuất số thuộc tính tiêu biểu người tham gia giao thơng trở thành thơng tin, Qua đó, giúp dự đốn nguy gây tai nạn thơng qua số mơ hình phân lớp định (ví dụ: định); đưa số giải pháp nhằm kéo giảm tai nạn Hướng phát triển luận văn: Trong thời gian tới, tiếp tục nghiên cứu sâu vấn đề phân lớp liệu, đặc biệt nghiên cứu tìm hiểu sâu việc ứng dụng phần mềm Weka để tiến hành phân tích liệu ứng dụng lĩnh vực cụ thể Tiến hành nghiên cứu thêm thuật tốn phân lớp liệu, tối ưu hóa thuật tốn phân lớp liệu, từ đề xuất mơ hình phân lớp, dự báo tai nạn giao thơng với độ xác cao TÀI LIỆU THAM KHẢO [1] Đỗ Phúc (2017), Giáo trình khai phá liệu, NXB ĐHQG TPHCM [2] Nguyễn Hà Nam, Nguyễn Trí Thành, Hà Quang Thụy (2013), Giáo trình khai phá liệu, NXB Đại học Quốc gia Hà Nội [3] Hà Quang Thụy (Chủ biên), Phan Xuân Hiếu, Đoàn Sơn, Nguyễn Trí Thành, Nguyễn Thu Trang, Nguyễn Cẩm Tú (2009), Giáo trình khai phá liệu, NXB Giáo dục Việt Nam [4] Vương Văn Hùng (2008), Giải pháp nâng cao hiệu cơng tác phịng ngừa tai nạn giao thơng đường tỉnh thành phố phía Nam lực lượng Cảnh sát nhân dân NXB Công an nhân dân [5] Website: https://ndhcuong.wordpress.com/hoc-phan/khai-pha-du-lieu/ [6] Joydeep Ghosh (2003), Scalable Clustering, Chapter 10, pp 247-278, Formal version appears in: The Hand book of Data Mining, Nong Ye (Ed) [7] Anil K Jain and Richard C Dubes (1988), Algorithms for clustering data, Prentice Hall, Inc., USA [8] Ho Tu Bao (1998), Introduction to knowledge discovery and data mining [9] Jiawei Hanand Micheline Kambel (2000), Data Mining: Concepts and Techniques, Morgan Kaufmann Publishers [10] J.Ross Quinlan (1993), C4.5: Programsfor Machine Learning, Morgan Kaufmann Publishers [11] Robert Nisbet, John Elder, Gary Miner, Handbook of Statistical Analysis and Data Mining Applications, Elsevier Inc, 2009 [12] Mehmed Kantardzic; Data mininng concepts, models, methods, and algorithms; John Wiley & Són, 2003 [13] Usama Fayyad, Gregory Piatesky-Shapiro, and Padhraic Smyth; From data mining to knowledge discovery in databases [14] Concepts-and-Techniques-3rd-Edition-Morgan-Kaufmann-(2011) [15] WEKA Manual for Version 3-8-0 Remco R Bouckaert, Eibe Frank, Mark Hall, Richard Kirkby, Peter Reutemann, Alex Seewald, David Scuse, April 14, 2016 [16] Manikandan M, Vishnu PR, Mishra AK, Konduru RK, Newtonraj A Forecasting road traffic accident deaths in India using seasonal autoregressive integrated moving average model Int J Community Med Public Health 2018;5:3962-8 [17] Shumway RH Applied Statistical Time Series Analysis In: Englewood Cliffs, NJ: Prentice-Hall; 1988 [18] Goel R Modelling of road traffic fatalities in India Accident Analysis and Prevention 2018;112:105– 15 [19] Shahrokh YC, Fatemeh RT, Reza M, Alireza R A Time Series Model for Assessing the Trend and Forecasting the Road Traffic Accident Mortality Arch Trauma Res 2016;5(3):36570 [20] Dalbir S, Satinder P Singh, Kumaran M, Sonu Goel Epidemiology of road traffic accident deaths in children in Chandigarh zone of North West India Egyptian J Forensic Sci 2016;6:255–60 [21] Mutang K Time Series Analysis of Road Traffic Accidents in Zimbabwe Int J Statistics Applications 2015;5(4):141-9 [22] Box GEP, Jenkins G Time Series Analysis, Forecasting and Control San Francisco, CA: Holden Day; 1970 [23] Open Government Data (OG) Available at: https://data.gov.in/catalog/stateut-wise-details-roadaccident-deaths-modetransport Accessed on February 2018 [24] Zhang GP Time series forecasting using a hybrid ARIMA and neural network model Neurocomputing 2003;50:159-75 [25] Zhang X, Pang Y, Mengjing C, Lorann S,Huiyun X Forecasting mortality of road traffic injuries in China using seasonal autoregressive integrated moving average model Annals Epidemiol 2015;25(2):101-6 [26] Razzaghi A, Bahrampour A, Baneshi MR, Zolala F Assessment of trend and seasonality in road accident Data: An Iranian case study Int J Health Policy Manag 2013;1(1):51-5 ... TẠO TRƯỜNG ĐẠI HỌC LẠC HỒNG *** PHÁT TRIỂN MƠ HÌNH DỰ BÁO TAI NẠN GIAO THƠNG Chun ngành : Cơng nghệ thơng tin Mã số: 8480201 LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN Đồng Nai - Năm 2022 i LỜI CẢM... hiểu tình hình nghiên cứu ngồi nước tốn dự báo; - Tìm hiểu phương pháp thơng dụng để giải toán dự báo; - Phát biểu giải tốn dự báo tình hình tai nạn giao thơng; - Phát triển mơ hình dựa vào cơng... Vũng Tàu Phát triển mơ hình phân lớp liệu sử dụng công cụ mã nguồn mở Weka đánh giá độ xác mơ hình Cách thức giải vấn đề Triển khai thực đề tài ? ?phát triển mơ hình dự báo tai nạn giao thông? ?? gồm