Akıllı şehirlerde makine öğrenmesi yöntemleri ile trafik yoğunluğu tahmini ve bir vaka çalışması
Traffic density prediction in smart cities using machine learning methods and a case study
- Tez No: 1006623
- Danışmanlar: DR. ÖĞR. ÜYESİ ŞÜKRÜ MUSTAFA KAYA
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: İstanbul Aydın Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Dijitalleşen dünyada akıllı şehir yönetimi ve uygulamaları son yıllarda birçok alanda hayatımıza girmiştir. Üretilen inovatif sensör tabanlı cihazların artmasıyla birlikte akıllı şehirlerde akıllı çevre, enerji, ulaşım, sağlık, trafik gibi kavramlar ortaya çıkmış ve akıllı şehir yönetimi ile vatandaşların hayat kalitesi artmaya başlamıştır. Çalışmada akıllı şehirlerin alt başlığı olan akıllı ulaşım ve trafik yönetimi kavramına odaklanılmaktadır. Akıllı şehirlerde trafik yönetimi kavramı IoT (Nesnelerin İnterneti) ve Edge Computing (Uç Bilişim) teknolojisinin entegrasyonu sayesinde gelişme kaydetmektedir ve bu sistemle trafik yoğunluğu tahmini daha gerçekçi bir sonuç ortaya koymaktadır. IoT cihazları, trafik sensörleri, kameralar ve GPS destekli cihazlar aracılığıyla akıllı şehirlerde trafik yoğunluğu, araç hızları ve yol koşulları gibi eş zamanlı veriler toplamaktadır. Çalışmamızda belirli bir günde, bir saatlik araç yoğunluğu tahminlemesi hedeflenmiştir. 3 yıllık veri setinden yararlanılmış ve yılın her günü 24 saatlik araç yoğunluğu verileri kullanılmış olup, zaman serisi algoritmaları kullanılarak ileri bir tarih için saatlik araç yoğunluğu tahmini yapılmıştır. Zaman serisi analizlerinden Yapay Sinir Ağı (ANN -Artificial Neural Network), En Yakın Komşu Algoritması (KNN- K-Nearest Neighbors), Uzun Kısa Süreli Bellek Ağı ( LSTM-Long Short-Term Memory), Rastgele Orman Algoritması (Random Forest), Prophet Zaman Serisi Modeli (Prophet), XGBoost Algoritması (Extreme Gradient Boosting) gibi algoritmalar kullanılarak tahminleme yapılmıştır. Algoritmaların hata oranlarına incelenip en doğru tahmin hangi algoritma ile bulunduğu ortaya koyulmuş ve bu algoritmayla yapılan araç yoğunluğu tahmin verisi gerçeğe en yakın kabul edilmiştir. Çıkan sonuçlar makalenin son kısmında tartışılmış ve değerlendirilmiştir.
Özet (Çeviri)
In the digitalizing world, smart city management and applications have become an integral part of our lives in recent years. With the increase in innovative sensor-based devices, concepts such as smart environment, energy, transportation, healthcare, and traffic have emerged within smart cities, improving the quality of life for citizens through smart city management. This study focuses on the concept of smart transportation and traffic management, which is a subcategory of smart cities. The concept of traffic management in smart cities has advanced thanks to the integration of IoT (Internet of Things) and Edge Computing technologies. This system provides more realistic traffic density predictions. IoT devices, traffic sensors, cameras, and GPS-enabled devices collect real-time data such as traffic density, vehicle speeds, and road conditions in smart cities. In our study, we aim to predict hourly vehicle density for a specific day. A three-year dataset was utilized, consisting of 24-hour vehicle density data for each day of the year. Using time series algorithms, hourly vehicle density predictions were made for a future date. Algorithms such as ANN (Artificial Neural Network), KNN (K-Nearest Neighbors), LSTM (Long Short-Term Memory), Random Forest, Prophet, and XGBoost (Extreme Gradient Boosting) were employed for predictions. The error rates of the algorithms were analyzed to identify the most accurate prediction method. The vehicle density prediction data produced by this algorithm was considered the closest to reality. The results were discussed and evaluated in the final section of the article.
Benzer Tezler
- Resilient and sustainable smart cities: Cybersecurity, disaster management, and data-driven urban solutions
Dayanıklı ve sürdürülebilir akıllı şehirler: Siber güvenlik, afet yönetimi ve veri odaklı kent çözümleri
KIYMET KAYA
Doktora
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞULE GÜNDÜZ ÖGÜDÜCÜ
- Improved trajectory tracking via multi obstacle avoidance utilizing nonlinear model predictive controller
Doğrusal olmayan model öngörülü kontrol kullanılarak çoklu engellerden kaçınma ile geliştirilmiş yörünge takibi
ÖNDER HOROZ
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALİ FUAT ERGENÇ
- Applications of multi-agent systems in transportation
Ulaşımda çoklu ajan sistemlerinin uygulamaları
İLHAN TUNÇ
Doktora
İngilizce
2023
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET TURAN SÖYLEMEZ
- Görüntü işleme ve derin öğrenme yöntemleriyle Türkiye karayolları için taşıt plaka tanıma sistemi tasarımı
Design of vehicle license plate recognition system for Türkiye (Turkey) by using image processing and deep learning methods
SÜMEYRA KEVSER FİDANCI
Yüksek Lisans
Türkçe
2026
Elektrik ve Elektronik MühendisliğiAydın Adnan Menderes ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. COŞKUN DENİZ
- An online network intrusion detection system for DDoS attacks with IoT botnet
IoT botnetleri ile yapılan dağıtık servis dışı bırakma saldırıları için çevrimiçi bir ağ saldırı tespit sistemi
ERİM AYDIN
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ŞERİF BAHTİYAR