IoT tabanlı akıllı şehirlerde derin öğrenme ve mobil tabanlı akıllı park sistemi yaklaşımı
Deep learning and mobile-based smart parking system approach in IoT-based smart cities
- Tez No: 729389
- Danışmanlar: DOÇ. DR. SİNAN TOKLU
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Düzce Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 71
Özet
Nesnelerin İnterneti (IoT) ve akıllı şehir ekosistemleri çağında, daha sürdürülebilir şehirler için yenilikçi akıllı park sistemlerine ihtiyaç duyulmaktadır. Her geçen gün artan araç sayısı ile akıllı park sistemleri akıllı şehirlerde önemli konular arasında yer almaktadır. Bunun nedeni yetersiz olan park yeri arayışlarının ciddi bir maliyet, hava kirliliği ve stres sorunlarını beraberinde getirmesidir. Akıllı park sistemleri ile ilgili yapılan araştırmalar bulunan çözümler artık yeterli gelmemektedir. Bu tez çalışmasında sürücülerin park yeri arama sorununu en aza indirmek için derin öğrenme ve bulut tabanlı yeni bir mobil akıllı park uygulama tasarımı geliştirilmiştir. Uygulama içerisinde, park yerini tahmin etmek için LSTM ile derin öğrenmeye dayalı bir hizmet geliştirilmiştir. Burada kullanıcının mobil cihazı üzerinden daha önce oluşturulan LSTM tabanlı modele dinamik erişim sağlanmakta ve ilgili parametreler girilerek parkların istenilen yerdeki doluluk oranlarının mobil cihaz üzerinde görüntülenmesi işlemi gerçekleştirilmektedir. Bu sayede hem enerji hem de zaman tasarrufu sağlanmıştır. Türkiye'de İstanbul ilinde gerçek zamanlı toplanan otopark verileri ile %99,57 doğrulukta sonuç elde edilmiştir. Önerilen modelin etkinliğini göstermek için makine öğrenmesi modelleri olan, SVM, RF ve ARIMA yöntemleri ile karşılaştırılmıştır. Tez çalışmasının devamında otopark kullanımında önemli etkisi olan hava durumu verileri AKOM'dan alınarak otopark verileri ile birleştirilmiştir. Zaman serileri tahmini problemlerinde yaygın olarak kullanılan ve başarısını ispatlamış olan GRU, LSTM ve RNN yöntemlerinden oluşturulan 27 farklı model ile bu veri seti üzerinden deneyler yapılmıştır. Elde edilen sonuçlarda GRU derin öğrenme modeli %99,11 doğruluk ve 0,90 MAE, 2,35 MSE ve 1,53 RMSE metrik değerleri ile en iyi sonucu vermiştir. Çeşitli hiper parametrelerle elde edilen deneysel sonuçlar, GRU derin öğrenme modelinin park doluluk oranlarını tahmin etmedeki başarısını açıkça göstermektedir. Elde edilen sonuçlar incelendiğinde derin öğrenme modellerinin park yeri tahminindeki yüksek doğruluk oranı, daha sürdürülebilir akıllı şehirler için akıllı park sistemlerinde kullanılabileceğini göstermiştir.
Özet (Çeviri)
In the era of Internet of Things (IoT) and smart city ecosystems, innovative smart parking systems are needed for more sustainable cities. With the increasing number of vehicles, smart parking systems are among the important issues in smart cities. The reason for this is that the search for insufficient parking places brings with it serious cost, air pollution and stress problems. The solutions that have been researched on smart parking systems are no longer sufficient. In this thesis, a new deep learning and cloud-based mobile smart parking application design has been developed to minimize the problem of drivers searching for parking spaces. Within the application, a service based on deep learning with LSTM has been developed to prediction the parking location. Here, dynamic access to the previously created LSTM-based model is provided via the user's mobile device, and the related parameters are entered and the occupancy rates of the parks are displayed on the mobile device. In this way, both energy and time savings were achieved. With real-time parking data collected in Istanbul, Turkey, results with an accuracy of 99.57% were obtained. To demonstrate the effectiveness of the proposed model, it was compared with machine learning models, SVM, RF and ARIMA methods. In addition, the weather data, which has a significant impact on the use of the parking lot, was taken from AKOM and combined with the parking data. Experiments were carried out on this data set with 27 different models created from RNN, LSTM and GRU methods, which are widely used in time series prediction problems and have proven their success. GRU deep learning model gave the best results with 99.11% accuracy and 0.90 MAE, 2.35 MSE and 1.53 RMSE metric values. Experimental results with various hyper parameters clearly demonstrate the success of the GRU deep learning model in predicting park occupancy rates. When the results obtained are examined, it has been shown that deep learning models can be used in smart parking systems for more sustainable smart cities, with high accuracy in parking loT prediction.
Benzer Tezler
- An efficient intelligent UAV for human action monitoring in smart cities environment
Akıllı şehirler ortamında insan eylem izleme için verimli bir akıllı İHA
NASHWAN ADNAN OTHMAN
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. İLHAN AYDIN
- Implementation of data-driven decisions in urban governance and planning
Kent yönetişim ve planlamasında veri odaklı kararların uygulanması
JAFAR NAJAFLI
Yüksek Lisans
İngilizce
2020
Şehircilik ve Bölge Planlamaİstanbul Teknik ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
DOÇ. DR. ÖZHAN ERTEKİN
- Role of machine learning in IoT security
IoT güvenliğinde makine öğrenmesinin rolü
SHAHRZAD NASIRI
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAntalya Bilim ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SHAHRAM TAHERI
- MQTT-CT: İntelligent MQTT protocol with cloud integration
MQTT-CT: Bulut entegrasyonuyla akıllı MQTT protokolü
MUHAMMED RAŞİT EROL
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BERK CANBERK
- 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