Geri Dön

Traffic volume prediction using LSTM improved with rules obtained from anomalies

Anomalilerden elde edilen kurallarla geliştirilmiş uzun-kısa süreli bellekler ile trafik hacim tahmini

  1. Tez No: 694577
  2. Yazar: YASİN BERK GÜLTEKİN
  3. Danışmanlar: PROF. DR. İSMAİL HAKKI TOROSLU, DR. CEVAT ŞENER
  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: 2021
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 86

Özet

Başarılı bir akıllı ulaşım sistemi oluşturmak için trafik hacim tahmini çok önemlidir. Akış verilerinin kesinliği ve zamanlılığı, tahminin etkinliği için kritik öneme sahiptir. Veri eksikliği, trafik tahmin modellerinde sığ mimarilerin kullanılmasına veya fabrikasyon ölçüm verilerine dayalı modellerin oluşturulmasına yol açmıştır. Bu modeller, sonuçları tahmin etmede yüksek düzeyde bir başarıya sahip değildi. Günümüzün büyük veri çağında, trafik yoğunluğunun artmasıyla birlikte elde edilen trafik verilerinin çeşitliliği ve ölçeği hızla artmıştır. Geçmişte yaşanabilecek olaylardan gelecekte oluşabilecek durumları belirleyebilmek her alan için büyük önem taşımaktadır. Tarih kendini sürekli olarak tekrar eder ve birçok zaman serisi probleminde geçmişte olanlardan geleceğe yönelik tahminlerde bulunmak mümkün olabilir. Bu çalışmada trafik sıkışıklığının tahmini için Machine Learning'deki Uzun Kısa Süreli Bellek yapısı hayata geçirilmiştir. UKSB, özel bir tekrarlayan sinir ağı türüdür ve standart tekrarlayan sinir ağlarından temel farkı, uzun vadeli bilgileri modellemedeki başarısıdır. UKSB kullanımı için belirli bir süre için devam eden bir veri olmalıdır ve bu geçmiş verileriyle gelecekteki durum tahmin edilir. Bu araştırmada trafikteki araç sayısını tahmin etmek için UKSB kullanıyoruz ve bunu tahmin ederek trafik sıkışıklıklarını oluşmadan önce görmeyi hedefliyoruz. UKSB'nin kullanılan verinin anomali içeren kısımlarında araç sayısında yaşadığı zorluğu yenebilmek için bu anormallikleri belirli bir kural setine oturtup tahminlerimizde bu kurallara göre düzeltmeler yapan yeni bir katman ekledik. Bu çalışmada, UKSB modelinin üzerine anomali tabanlı kurallar eklenerek geliştirilmiş bir hibrit model oluşturulmuştur, bu sayede anomali durumlarında dahi başarılı sonuçlar elde eden bir model elde edilmiştir.

Özet (Çeviri)

Traffic volume forecasting is crucial in order to create a successful smart transportation system. The precision and timeliness of the traffic flow data are critical to the forecast's effectiveness. The lack of data has led to the usage of shallow architectures in traffic forecasting models or the creation of models based on fabricated measurement data. These models did not have a high level of success in predicting outcomes. In the world of big data, the variety and scale of the acquired traffic data has increased in lockstep with the increase in traffic density. It has a great importance for any field to be able to determine the situations that may occur in the future from the events of the past. History repeats itself constantly and in many time series problems it might be possible to make predictions for the future from what happened in the past. The LSTM structure in the Machine Learning has been implemented in order to be able to do these predictions. LSTM is a special type of recurrent neural network and its main difference from standard recurrent neural network is its success in modeling long-term information. For LSTM usage, there must be ongoing data for a certain period of time, and from this historical data the future state is predicted. In this research, we use LSTM to estimate the number of vehicles in traffic and by estimating it, we aim to see traffic congestions before they occur. In order to overcome the difficulty of LSTM when predicting vehicle count at an anomaly state, we added a new layer that puts these anomalies in a certain rule set and we used this rule set to improve accuracy of the predictions. In this study, an improved hybrid model was created by adding anomaly-based rules on top of the LSTM model, thus a model that achieves successful results even in anomaly situations.

Benzer Tezler

  1. Konteyner liman operasyonlarının makine öğrenmesi yöntemleri ile analizi

    Analysis of container port operations using machine learning methods

    ÜSTÜN ATAK

    Doktora

    Türkçe

    Türkçe

    2022

    Deniz Bilimleriİstanbul Teknik Üniversitesi

    Deniz Ulaştırma Mühendisliği Ana Bilim Dalı

    PROF. DR. YASİN ARSLANOĞLU

    PROF. DR. TOLGA KAYA

  2. Makine öğrenmesi yardımıyla zincir restoran gıda satışlarının tahmin edilmesi ve hava durumunun etkisinin incelenmesi

    Forecasting food sales on chain restaurant and investigating weather effect on sales by using machine learning methods

    SEZGİ ŞENER

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. BAŞAR ÖZTAYŞİ

  3. Anfis ve popülasyona dayalı optimizasyon algoritması kullanılarak izole bir kavşağın sinyal zamanınıntahmini

    The prediction of the signal timing of an isolated intersection using a combination of anfis and population-based optimization algorithm

    AMIR SHAHKAR

    Doktora

    Türkçe

    Türkçe

    2020

    UlaşımKaradeniz Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞEREF ORUÇ

  4. Real-time crash risk analysis using deep learning

    Derin öğrenmeyle gerçek zamanlı kaza risk analizi

    SAEID MORADI

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Mühendislik Bilimleriİstanbul Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. ALİ OSMAN ATAHAN