Geri Dön

Traffic Flow Prediction Using Federated Learning

Birleşik öğrenme tabanlı trafik akışı tahmini

PDF İndir

  1. Tez No: 1008789
  2. Yazar: AYŞE ÖZTAN
  3. Danışmanlar: DR. ÖĞR. ÜYESİ SERDAR ARSLAN, DR. NURGÜL GÖKGÖZ KÜÇÜKSAKALLI
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Çankaya Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Günümüzde metropollerde kentleşme ve araç yoğunluğundaki hızlı artış, trafik akışı tahminini akıllı şehir uygulamaları bağlamında çok önemli bir ihtiyaç haline getirmiştir. Bununla birlikte, merkezi sunuculardaki trafik verilerinin toplanması, veri gizliliği ve güvenliği ile ilgili endişeleri de artırmaktadır. Bu çalışmada, veri gizliliğini korumayı amaçlayan feder öğrenmeye dayalı hibrit bir GraphConv–TKAN mimarisi geliştirilmiş ve kentsel trafik verilerindeki mekânsal ve zamansal bağımlılıkların modellenmesi hedeflenmiştir. Önerilen hibrit modelde, mekânsal bağımlılıkların öğrenilmesi için Grafik Evrişim Ağı (GraphConv) kullanılırken, zamansal bağımlılıklar Zamansal Kolmogorov–Arnold Ağı (TKAN) mimarisi ile modellenmiştir. TKAN'a ek olarak, kapsamlı bir karşılaştırma yapılabilmesi amacıyla LSTM ve BiLSTM mimarileri de değerlendirilmiştir. Bildiğimiz kadarıyla bu çalışma, TKAN, LSTM ve BiLSTM modellerini hem merkezi hem de federe öğrenme ortamlarında sistematik olarak karşılaştıran ilk çalışmalardan biridir. Mekânsal ve zamansal bağımlılıkları birlikte ele alan alternatif bir mekânsal-zamansal yaklaşım olarak Zamansal Grafik Evrişim Ağı (T-GCN) modeli de karşılaştırma amacıyla değerlendirilmiştir. Bu kapsamda, orijinal T-GCN mimarisinde kullanılan GRU yapısı yerine LSTM, BiLSTM ve TKAN katmanları entegre edilerek genişletilmiş varyantlar oluşturulmuş ve bu yapıların performansları karşılaştırılmıştır Ayrıca yalnızca zamansal bağımlılıkları modelleyen temel zamansal mimariler, hem merkezi hem de federe öğrenme altında test edilmiştir. Bu modellerde veriler istemcilere eşit şekilde dağıtılarak adil ve dengeli bir karşılaştırma ortamı sağlanmıştır. Graf tabanlı mimarilerde, feder öğrenme sürecinde istemcilere veri dağıtımı aşamasında düğümleri topluluklara ayırmak amacıyla Louvain Topluluk Tespiti yöntemi kullanılmış ve her bir topluluk ayrı bir istemci olarak tanımlanmıştır. Önerilen modellerin performansı, İstanbul Büyükşehir Belediyesi Açık Veri Portalı'ndan elde edilen saatlik trafik yoğunluğu veri seti ile Caltrans tarafından yayımlanan PeMS08 veri seti üzerinde değerlendirilmiştir. İstanbul trafik veri seti başlangıçta grafik tabanlı bir yapıya sahip olmadığından, mekânsal ilişkileri temsil edebilmek amacıyla grafik yapısına dönüştürülmüş ve grafik tabanlı mekânsal modellemeye uygun hâle getirilmiştir. PeMS08 veri seti ise mevcut grafik yapısı korunarak doğrudan kullanılmıştır. Deneysel sonuçlar, önerilen GraphConv–TKAN mimarisinin federe öğrenme ortamında istikrarlı bir performans sergilediğini ve trafik verilerindeki mekânsal ve zamansal ilişkileri başarılı bir şekilde yakalayabildiğini göstermektedir. Ayrıca modelin, veri gizliliğini koruyan federe koşullar altında çalışmasına rağmen merkezi öğrenmeye oldukça yakın sonuçlar üretebildiği görülmektedir. Bu durum, grafik tabanlı mekânsal modelleme ile TKAN tabanlı zamansal öğrenmenin birlikte kullanılmasının, federe trafik tahmininde performans kaybını azaltmada etkili olabileceğini göstermektedir.

Özet (Çeviri)

Today, the rapid increase in urbanization and vehicle density in metropolises has made traffic flow forecasting a crucial need in the context of smart city applications. However, the collection of traffic data on central servers also raises concerns about data privacy and security. In this study, a hybrid GraphConv–TKAN architecture based on federated learning has been developed to model spatial and temporal dependencies in urban traffic data, aiming to protect data privacy. In the proposed hybrid model, Graph Convolutional Network (GraphConv) is used to learn spatial dependencies, while temporal dependencies are modeled with the Temporal Kolmogorov–Arnold Network (TKAN) architecture. In addition to TKAN, Long Short-Term Memory (LSTM) and Bidirectional Long Short-Term Memory (BiLSTM) architectures are employed to enable a comprehensive comparison; to the best of our knowledge, this study is among the first to systematically compare TKAN, LSTM, and BiLSTM models under both centralized and federated learning. The Temporal Graph Convolutional Network (T-GCN) model, as an alternative spatio-temporal approach that addresses both spatial and temporal dependencies, was evaluated for comparison purposes. In this context, extended variants were created by integrating LSTM, BiLSTM, and TKAN layers instead of the GRU structure used in the original T-GCN architecture, and their performances were compared. Furthermore, basic temporal architectures modeling only temporal dependencies were tested under both centralized and federated learning; in these models, data was distributed equally to clients, providing a fair and balanced comparison environment. In graph-based architectures, during the data distribution phase to clients in the federated learning process, the Louvain Community Detection method was used to divide nodes into communities, and each community was defined as a client. The performance of the proposed models was evaluated on the hourly traffic density dataset from the Istanbul Metropolitan Municipality (IMM) Open Data Portal and the PeMS08 dataset published by Caltrans. Since the Istanbul traffic dataset initially lacked a graph-based structure, it was converted into a graph structure to represent spatial relationships and restructured to be suitable for graph-based spatial modeling; the PeMS08 dataset, on the other hand, was used directly while preserving its existing graph structure. Experimental results show that the proposed GraphConv–TKAN architecture offers robust and stable performance in a federated learning environment and effectively captures spatio-temporal dependencies. The proposed approach appears to achieve performance levels close to centralized learning when operating under federated settings that protect data privacy. These results suggest that combining graph-based spatial modeling with TKAN-based temporal learning can help mitigate the performance degradation frequently observed in federated traffic forecasting.

Benzer Tezler

  1. Tez No

    938667

    Employing digital twin to LoRa based forest fire management systems

    LoRa'ya dayalı orman yangını yönetim sistemlerine dijital ikiz uygulanması

    BUĞRA AYDIN

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. SEMA FATMA OKTUĞ

  2. Tez No

    690435

    Delay prediction using machine learning algorithms for connected autonomous traffic flow in uninterrupted facilities

    Kesintisiz akımlarda bağlantılı otonom trafik akışı için makine öğrenimi algoritmalarını kullanarak gecikme tahmini

    KAAN AYTEKİN

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    TrafikBoğaziçi Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ILGIN GÖKAŞAR

  3. Tez No

    665441

    Hava trafik akışının iyileştirilmesi için rassal orman ve derin sinir ağları tabanlı varış zamanı ve yörünge tahmini

    Prediction of aircraft estimated time of arrival and trajectory using random forests and deep neural networks for improvement of air traffic flow

    ONUR BAŞTÜRK

    Doktora

    Türkçe

    Türkçe

    2021

    Sivil HavacılıkEskişehir Teknik Üniversitesi

    Hava Trafik Kontrol Ana Bilim Dalı

    DOÇ. DR. CEM ÇETEK

  4. Tez No

    668156

    Prediction based real time traffic management using connected autonomous vehicles

    Bağlı otonom araçları kullanarak tahmine dayalı gerçek zamanlı trafik yönetimi

    ALPEREN TİMUROĞULLARI

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    UlaşımBoğaziçi Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ILGIN GÖKAŞAR

  5. Tez No

    995160

    Chebyformer: Traffic flow prediction with node-wise filtering

    Chebyformer: düğüm bazlı filtreleme ile trafik akış tahmini

    AHMET KAYAPINAR

    Yüksek Lisans

    İngilizce

    İngilizce

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAbdullah Gül Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. BURCU GÜNGÖR

    DOÇ. DR. MUSTAFA COŞKUN

Geri Dön