Highway traffic classification using data mining in machine learning
Başlık çevirisi mevcut değil.
- Tez No: 667328
- Danışmanlar: PROF. DR. OSMAN NURİ UÇAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Computer Engineering and Computer Science and Control, Science and Technology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgi Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 68
Özet
Bu tezde, Makine öğreniminde veri madenciliğini kullanarak Karayolu trafik sınıflandırması için bir sistem öneriyoruz. Trafiği etkin bir şekilde izlemek uzun zamandır ulaşım mühendisliğindeki en önemli çabalardan biri olmuştur. Bugüne kadar, trafik yönetim merkezlerinin çoğu (TMC'ler) karayolu ağlarımızdaki farklı trafik olaylarını yanıtlamak, izlemek, uyarmak ve başlatmak için insan operatörlerine güvenmektedir. Genel prosedür zaman alıcı, pahalı, büyük yol ağları için ölçeklenebilir değildir ve insanlar yanlışlıklara eğilimli ve yorgunluğa maruz kaldıklarından genel olarak verimli değildir. Son yıllarda, trafik gözetimini ve olay yönetimini otomatikleştirmek için mevcut TMC altyapısından (CCTV kameraları, sensörler, sonda araçları, vb.) Yararlanabilecek sistemlere olan talep artmaktadır. İnsan müdahalelerine olan ihtiyacı önemli ölçüde azaltabildikleri takdirde bu tür sistemlerin değeri ölçülemez olacaktır. Ayrıca, sabit veya karaya oturmuş araçları hızlı bir şekilde tespit etmek ve olaya yanıt vermek için ajanslara uyarı göndermek için de kullanılabilirler. Telli araçlar trafik akışını engelleme eğilimindedir, bu nedenle erken müdahale veya gümrükleme, trafiğin normale dönme hızını önemli ölçüde etkileyebilir. Akıllı trafik izleme sistemleri, trafik sınıflandırmasının ve insan faktörlerinin etkilerini hafifletmek için gerekli olan sistemlerin ayrılmaz bir bileşenidir. Çözümümüz, enerji tüketimi sorununu ele alır, kullanıcı konforunu arttırır ve saldırı tespit bildirimi ve video izleme de dahil olmak üzere kullanıcıya güvenlik sunar. Veri setimizin analizine temel sınıflandırma sistemi Essentia ve Weka kullanarak başlıyoruz. Tipik bir MFCC'lere ve Gauss çekirdeğine sahip bir Destek Vektör Makinesine dayanan temel yaklaşımımız, toplam sınıflandırma doğruluğunun% 96'sından biraz fazlasını elde eder. Daha sonra, görüntü tanıma ve müzik bilişiminde etkin bir şekilde uygulanan özellik öğrenme için yerleşik bir algoritma alıyoruz ve bunu kentsel çevresel seslerin sınıflandırılmasına uyguluyoruz. Küresel k-Ortalamaların geleneksel k-ortalamalarla kullanım sonuçlarını karşılaştırıyoruz ve ayrıca özellik öğrenme algoritmamızın yararlı özellikler öğrendiğini kanıtlamak için bunların sonuçlarını statik (öğrenilmemiş) rastgele üslerle karşılaştırıyoruz. Özellik öğrenme sistemimiz temel sistemimizden genel olarak daha iyi performans göstermese de, sonuçları sınıf başına dikkatle gözden geçirdiğimizde, sistemimizin gerçekten birçok sınıf için taban çizgisinden daha iyi performans gösterdiğini ve bazı durumlarda çok daha iyi olduğunu keşfediyoruz. Özellik öğrenme sistemi, rastgele temeller üzerinden arka plan sınıflarının sonuçlarını iyileştirir ve bu nedenle bazı yararlı özellikler sistem tarafından öğrenilir.
Özet (Çeviri)
In this thesis, we propose a system for Highway traffic classification using data mining in Machine learning. Monitoring traffic effectively has long been one of the most important efforts in transportation engineering. Till date, most traffic management centers (TMCs) rely on human operators to detect, track, alert and initiate response to different traffic incidents on our road networks. The overall procedure is time-consuming, expensive, not scalable for large road networks and overall not efficient as humans are prone to inaccuracies and subject to fatigue. In recent years, the demand for systems that can take advantage of current TMC infrastructure (CCTV cameras, sensors, probe vehicles, etc.) to automate traffic surveillance and incident management has been on the rise. The value of such systems, if they are able to considerably reduce the need for human interventions will be immeasurable. They can also be used to detect stationary or stranded vehicles quickly and send alerts to agencies to respond to the incident. Stranded vehicles tend to impede traffic flow, hence early response or clearance could have significant impact on how fast traffic is restored to normalcy. Intelligent traffic monitoring systems are thus, an integral component of systems needed to alleviate the effects of traffic classification and human factors. Our solution addresses the energy consumption problem, increases occupant comfort and offers security, including intrusion detection notification and video monitoring, to the user. We begin analysis of our dataset with a baseline classification system using the off-the-shelf tools Essentia and Weka. Our baseline approach, based on a typical MFCCs and a Support Vector Machine with Gaussian kernel, gets just over 96% overall classification accuracy. We then take an established algorithm for feature learning, which has been applied effectively in image recognition and music informatics, and apply it to the classification of urban environmental sounds. We compare the results of using of Spherical k-Means to traditional k-Means, and additionally compare the results of those to static (not learned) random bases in order to prove that our feature learning algorithm is learning useful features. While our feature learning system does not outperform our baseline system overall, when we carefully review the results at a per-class level, we discover that our system is indeed performing better than the baseline for many of the classes, and in some cases much better. The feature learning system improves the results of the background classes over the random bases, and therefore some useful features are learned by the system. IOU tracker coupled with YOLO was used to automatically count the number of vehicles whose accuracy was later compared with a manual counting technique from CCTV video feeds. Overall, the proposed system is evaluated based on F1 and S3 performance metrics.
Benzer Tezler
- Zigana Karayolu Tünelinde şaft açma işleminde, kayaç özelliklerinin pilot delgi verimlilik parametrelerine etkisinin incelenmesi
Investigation of rock properties affecting pilot drilling efficiency in Zigana Highway Tunnel shaft openning
PELİN KOÇAK
Yüksek Lisans
Türkçe
2019
Maden Mühendisliği ve Madencilikİstanbul Teknik ÜniversitesiMaden Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖMÜR ACAROĞLU ERGÜN
- Sürücü kaynaklı trafik kazalarının veri madenciliği yaklaşımı ile modellenmesi: Sakarya örneği
Modelling driver-related traffic accidents through data mining approach: The case of city of Sakarya
ZELİHA ÇAĞLA KUYUMCU
Doktora
Türkçe
2024
TrafikSakarya Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HAKAN ASLAN
PROF. DR. NİLÜFER YURTAY
- Applying classification methods on traffic dataset
Trafik verisi üzerinde sınıflandırma yöntemlerinin kullanılması
MUSTAFA ÇIRKA
Yüksek Lisans
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiElektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. METE ÇELİK
- Alışveriş merkezleri değerlemesi süreci ve yöntemleri, Marmara Forum AVM değerleme çalışması örneği
The valuation process and methods of shopping centers, a case study on valuation of Marmara Forum Shopping Center
UMUT ÇELİKKOL
Yüksek Lisans
Türkçe
2015
Maliyeİstanbul Teknik ÜniversitesiGayrimenkul Geliştirme Ana Bilim Dalı
DR. CEM BEYGO
- Kavşak ve karayollar için gerçek zamanlı görü tabanlı trafik akış bilgisi hesaplama sistemlerinin geliştirilmesi
Development of real-time vision based traffic flow information estimation systems for intersection and highways
JAHONGIR AZIMJONOV
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET ÖZMEN