Geri Dön

Örüntü tanıma ve öznitelik seçme yöntemleri kullanarak kısa zaman sonraki yol trafik hız öngörüsü

Short time traffic speed prediction using pattern recognition and feature selection methods

  1. Tez No: 251115
  2. Yazar: ÜMİT ÜLKEM YILDIRIM
  3. Danışmanlar: DOÇ. DR. ZEHRA ÇATALTEPE
  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: 2008
  8. Dil: Türkçe
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 76

Özet

Bu çalışmada, İstanbul Büyükşehir Belediyesi'nin web sitesininden alınan RTMS (Remote Traffic Microwave Sensor) cihazlarının hız ölçüm değerleri kullanılarak ileriye yönelik trafik hızı tahmin edilmiştir. Örüntü tanıma yöntemi olarak k-En Yakın Komşu (kNN) ve Karar Destek Makinesi (SVM) kullanılmıştır. 5 dakikadan 60 dakikaya kadar ileriye yönelik hız öngürüsünde bulunabilmek için, tahmin edilecek andan belirli zaman önce ölçülen hız değerleri alınmıştır. Yapılan çalışmada hem uzun dönemli (1 gün veya 1 hafta) hız bilgilerinin hem de kısa dönemli (5 dakikadan 60 dakikaya kadar) hız bilgilerinin kısa dönemli trafik öngürüsü yapmakta önemli bir rol oynadığı bulunmuştur. Hız öngörüsü için en önemli nitelikleri bulmak için öz nitelik seçme yöntemi kullanılmıştır. Bir sensöre ait hız verilerinin değişik zamanlarda alınarak yapılan trafik hızı öngörüsüne ek olarak bu sensöre yakın sensörlerin hız bilgileri alınarak ve yüksek korelasyona sahip sensörlerin hız bilgileri alınarak hız öngörü yapılmıştır. Ayrıca ilgili sensörden veri alınamadığı düşünülerek yüksek korelasyona bağlı sensörlerin birbirlerinin verileri kullanılarak hız öngörüsü yapılmaya çalışılmıştır. Yapılan testler sonucunda genel olarak SVR metodunun KNN metodundan daha başarılı olduğu görülmüştür.Yakın konumlardaki veya yüksek korelasyonlu sensör verisi kullanılarak yapılan tahminlerin ise bir sensör verisi kullanılarak yapılan tahminlerden daha iyi sonuç verdiği görülmüştür. İlgili sensörün bozulduğu varsayılarak onun yerine korelasyonu yüksek diğer sensör verilerinin kullanıldığında sonuçların ilgili sensörün kullanıldığı duruma gayet yakın sonuçlar verdiği görülmüştür.

Özet (Çeviri)

In this study traffic speed on Istanbul roads are predicted using RTMS (Remote Traffic Microwave Sensor) speed measurements obtained from the Istanbul Municipality web site from 327 different sensor locations. Speed predictions are done 5 minutes to an hour ahead and SVM (Support Vector Machine) and kNN (k Nearest Neighbor) methods for speed prediction are used. For speed prediction at a certain sensor location, the most important past speed measurements are computed for better accuracy using feature selection methods. Finding out which other sensors could be used to predict the speed at a certain sensor location and showing that especially for nearby/correlated sensors, it is possible to get better results using related sensor measurements in addition to the sensor being predicted. It is also showed that only using the correlated sensors, it is possible to get good accuracy. This result could be very useful when a sensor breaks down or needs to be calibrated. In all experiments, it is found that SVM produces better results than kNN.

Benzer Tezler

  1. Intelligent sensing for robot mapping and simultaneous human localization and activity recognition

    Robot haritalama ve insanlarda eşzamanlı konum belirleme ve aktivite ayırdetme için akıllı algılama

    KEREM ALTUN

    Doktora

    İngilizce

    İngilizce

    2011

    Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Elektrik ve Elektronik Mühendisliği Bölümü

    PROF. DR. BİLLUR BARSHAN

  2. Makine öğrenme yöntemlerini kullanarak spiral test ile parkinson hastalığının tanı tahmini

    Diagnosis of parkinson disease with spiral test using machine learning methods

    MUSTAFA GERGER

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHarran Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ABDÜLKADİR GÜMÜŞÇÜ

  3. El yazısı karakter tanıma: Dalgacık moment özniteliklerinin yenilenen ANFIS ile sınıflandırılması

    Handwritten character recognition: Classification of the wavelet moment features using modified ANFIS

    BAYRAM CETİŞLİ

  4. Fraud detection on the time series data with machinelearning and deep learning techniques

    Makine öğrenimi ve derin öğrenme teknikleri ile zaman serisi verileri üzerinde sahtekarlık tespiti

    EMAN MOHAMEDRAMZI ABDULKARIM ABDULKARIM

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKaradeniz Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA ULUTAŞ

  5. Örüntü tanıma uygulamalarında yapay zeka ve öznitelik dönüşüm metotları kullanılarak geliştirilen öznitelik seçme algoritmaları

    Feature selection algorithms developed by using artificial intelligence and feature transform methods in pattern recognition applications

    MUSTAFA SERTER UZER

    Doktora

    Türkçe

    Türkçe

    2014

    Elektrik ve Elektronik MühendisliğiSelçuk Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. NİHAT YILMAZ