Accident Risk Navigator
Sagt Unfallrisiken auf Straßen in Echtzeit voraus und visualisiert Hochrisikozonen auf interaktiven Karten mithilfe von maschinellem Lernen.
Eine KI-Full-Stack-Plattform, die Unfallrisiken basierend auf Straßen- und Wetterbedingungen vorhersagt und Risikozonen auf interaktiven Karten visualisiert.
Accident Risk Navigator ist eine intelligente Straßensicherheitsplattform zur Vorhersage und Visualisierung von Unfallrisiken mithilfe von maschinellem Lernen, die den vollständigen Lebenszyklus von der Rohdatenverarbeitung und Modelltraining bis hin zu einer produktionsfertigen Weboberfläche abdeckt.
Nutzer geben einen Standort ein und erhalten sofort einen Unfallrisiko-Score, der von einem trainierten binären TensorFlow/Keras-Klassifikator berechnet wird. Das Modell berücksichtigt Straßentyp, Geschwindigkeitsbegrenzung, Wetterbedingungen, Tageszeit und Kreuzungstyp, um eine kontextuelle Risikobewertung zu erstellen.
Eine Leaflet-basierte interaktive Karte rendert Risiko-Scores als Heatmap-Überlagerungen über das Straßennetz, sodass Nutzer Hochrisikozonen visuell identifizieren können.
Hauptfunktionen
Echtzeit-Risikovorhersage
Geben Sie einen Standort ein und erhalten Sie sofort einen Unfallrisiko-Score vom trainierten TensorFlow/Keras-Klassifikator.
Interaktive Risiko-Heatmap
Leaflet-Kartenebenen visualisieren Hochrisiko-Straßenzonen mit farbcodierten Intensitätsschichten über das Straßennetz.
Wetterabhängige Bewertung
Risikovorhersagen berücksichtigen dynamisch aktuelle Wetterbedingungen — Regen, Nebel und trockene Straßen verschieben jeweils den Score.
Straßengefahrenanalyse
Das Modell berücksichtigt Straßentyp, Geschwindigkeitsbegrenzungen und Kreuzungsmerkmale für eine kontextbezogene Gefahrenanalyse.
Analyse-Dashboard
Recharts-Dashboard mit Risikoverteilungstrends, Spitzenunfallzeiten und ML-Feature-Importance-Aufschlüsselungen.
Tech-Stack
Architektur
Das System ist in zwei Dienste aufgeteilt: ein React + TypeScript Frontend für Kartenrendering und Analysevisualisierung, und eine Python Flask API, die Modellvorhersagen bereitstellt.
Das Keras-Modell wird einmal beim Flask-Start geladen und im Speicher gehalten. Leaflet-Heatmap-Schichten verwenden Viewport-basiertes Windowing mit debounctem Re-Fetching bei Pan/Zoom.
Herausforderungen & Lösungen
Die schwierigen Probleme — und wie ich sie gelöst habe.
Feature Engineering für aussagekräftige Vorhersagen
Rohe Unfalldatensätze hatten inkonsistente Formate und eine Mischung aus numerischen und kategorischen Variablen. Der Großteil war Feature Engineering: Normalisierung, One-Hot-Encoding und Ableitung sinnvoller Features.
Keras-Modell mit geringer Latenz bereitstellen
Das Laden des Modells bei jeder Anfrage verursachte inakzeptable Latenz. Gelöst durch einmaliges Laden beim Flask-Start in eine globale Variable mit einem einfachen Request-Semaphor.
Große Heatmap-Datensätze ohne Lag rendern
Tausende von Risikopunkten gleichzeitig zu plotten verursachte erhebliches Render-Lag. Implementiert Viewport-basiertes Daten-Windowing mit debounced Re-Fetching bei Pan und Zoom.
Weitere Projekte
ExtMig
Ein Open-Source-Entwicklerwerkzeug zur Verbesserung von Migrations-Workflows und Produktivität für moderne Entwicklungsteams.
Masroufi
Eine vollständige mobile Recruiting-Plattform mit Flutter, Clean Architecture und BLoC, die drei verschiedene Benutzerrollen unterstützt.
Cat'aloge
Eine KI-gestützte mobile App, die automatisch Ihre Galerie durchsucht und Tierfotos mithilfe vollständig auf dem Gerät laufender TensorFlow Lite-Inferenz organisiert.
Interesse an einer Zusammenarbeit?
Ich bin immer offen für Gespräche über neue Projekte und Möglichkeiten.