Geri Dön

Trafik sensör verileri kullanılarak trafik akış tahmini: manisa şehri için bir uygulama

Traffic flow forecast using traffic sensor data an application for manisa city

  1. Tez No: 743705
  2. Yazar: ÜMİT CİHAN YILMAZ
  3. Danışmanlar: PROF. DR. MUSTAFA SERDAR KORUKOĞLU
  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: 2022
  8. Dil: Türkçe
  9. Üniversite: Ege Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 132

Özet

Bir şehirdeki herhangi bir yolun seyahat süresinin tahmin edilmesi, trafik izleme, rota ve güzergah planlaması, araç paylaşımı ve sınıflaması, toplu taşıması, nakliyesi ve lojistik sevkiyatı vb. için büyük önem taşır. Ancak, seyahat süresinin tahmin edilmesinde; mekansal ilişkiler, zamansal bağımlılıklar, dış koşullar (örneğin; hava durumu, trafik kazaları, yol çalışmaları, trafik ışıkları, yaya geçitleri, araç parklanmaları vb.) dahil olmak üzere çeşitli karmaşık faktörler büyük ve zorlu sorunlardandır. İki konum arasında doğru seyahat süresi tahmini, ulaşımdaki en önemli hizmetlerden biridir. Seyahat süresi tahmininde, başlangıç-varış (Origin-Destination - OD) yöntemi, ara yörünge noktalarına sahip olmadığı için daha zordur. Akıllı Ulaşım Sistemleri - AUS (Intelligence Transportation Systems – ITS)'nin başarısı için trafik tahmini önemlidir. Uzun Kısa Süreli Hafıza (Long Short Term Memory – LSTM) dahil olmak üzere derin öğrenme modellerinde, mekansal ve zamansal bağımlılıkları modellemek için trafik tahmin problemlerinde kapsamlı bir şekilde uygulanmıştır. Belirli bir Küresel Konumlandırma Sistemi (Global Positioning System – GPS) yörüngesinin seyahat süresini tahmin eden tahmini varış süresi, rota ve güzergah planlamasında yaygın olarak kullanılmaktadır. Derin öğrenme, tahmini varış süresi tahminine yaygın olarak uygulanmıştır. Ancak tahmin hesaplanmasında, küçük veri boyutu, düşük işlemci hassasiyeti, yüksek eğitim kaybı ve düşük doğruluk gibi bazı zorlukları içerir. Bu tez çalışmasında, Manisa Trafik Kontrol Merkezi'ne sensörlerden gelen trafiğe ait gerçek veri setleri kullanarak tahmini seyahat varış tahmini için Uzun Kısa Süreli Hafıza (Long Short Term Memory – LSTM) adlı bir derin öğrenme algoritması sunuluyor. Bir kıyaslama olarak literatürde geçen Tarihsel Ortalama (Historical Average – HA), Hareketli Ortalama (Moving Average – MA), Ortalama (Average – AVG) yöntemlerinin yanı sıra Bütünleşik Otoregresif Hareketli Ortalama (Auto Regresif Integrated Moving Average – ARIMA) adlı istatistiksel bir yöntemle de karşılaştırmak için deneyler yapılmıştır. Karşılaştırılan yöntemlere ait varyasyonlar değerlendirildi. Sonuçlar, seyahat varış tahmin doğruluğu hususunda derin öğrenme yaklaşımının en iyi performans sergilediğini göstermiştir.

Özet (Çeviri)

Estimating the travel time of any road in a city, traffic monitoring, route and route planning, vehicle sharing and classification, public transport, transportation and logistics shipments, etc. it's very important to it. However, in estimating travel time, spatial relations, temporal dependencies, external conditions (e.g. weather, traffic accidents, road works, traffic lights, pedestrian passageways, car parks, etc.) a variety of complex factors, including, are major and challenging problems. Accurate travel time estimation between two locations is one of the most important services in transportation. In travel time estimation, the initial-destination (Origin-Destination-OD) method is harder because it does not have intermediate orbital points. Smart Transportation Systems - the prediction of traffic is important for the success of AUS (Intelligence Transportation Systems – ITS). Deep learning models, including Long Short Term Memory (LSTM), have been extensively implemented in traffic forecasting problems to model spatial and temporal dependencies. The estimated arrival time, route, and route planning, predicting the travel time of a particular Global Positioning System (GPS) orbit, is widely used. Deep learning has been widely applied to the estimated time of arrival. However, in estimation, small data size includes some challenges, such as low processor accuracy, high training loss, and low accuracy. This thesis provides the Manisa Traffic Control Center with a deep learning algorithm called Long Short term Memory (LSTM) for the estimated travel destination prediction using real data sets of traffic from sensors. As a benchmark, experiments have been conducted to compare the Historical Average (HA), moving Average (Moving Average – MA), mean (Average – AVG) methods in the literature as well as the Integrated Otoregressive Action Average (ARIMA). Variations of the methods compared were evaluated. The results have shown that the deep learning approach to travel destination prediction accuracy is performing best.

Benzer Tezler

  1. Trafik sensör verileri kullanılarak trafik akış tahmini: İstanbul şehri için bir uygulama

    Predicting the traffic flow with using traffic sensors: An application for Istanbul

    NEZAHAT SÖNMEZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2017

    Endüstri ve Endüstri MühendisliğiTOBB Ekonomi ve Teknoloji Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. TAHİR HANALİOĞLU

    YRD. DOÇ. SALİH TEKİN

  2. Akıllı şehirler ve veri analitiği- sinyalize kavşakların performans değerlendirilmesinde analitik yöntemler ve trafik akımının kuyruk teorisi ile modellenmesi

    Smart cities and data analytics- analytical methods for the performance evaluation of signalized intersections and modeling of the traffic flow with queueing theory

    FATİH GÜNEŞ

    Doktora

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Ticaret Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ABDÜL HALİM ZAİM

    DR. ÖĞR. ÜYESİ HÜSEYİN FEHMİ SELİM BAYRAKLI

  3. Derin öğrenme teknikleri kullanılarak anayol trafik analizi

    Analysis of highway traffic using deep learning techniques

    MUHAMMET ESAT ÖZDAĞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ NESRİN AYDIN ATASOY

  4. Enabling adaptive road lighting through lighting class prediction with real time and historical data

    Gerçek zamanlı ve geçmiş veriye dayanan aydınlatma sınıfı tahmini ile uyarlanabilir yol aydınlatmasının sağlanması

    HASAN MERT TOKGÖZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Enerjiİstanbul Teknik Üniversitesi

    Enerji Bilim ve Teknoloji Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUSTAFA BERKER YURTSEVEN

  5. Development and evaluation of C-ITS traffic incident management implementations using connected autonomous vehicles

    Bağlantılı otonom araçların kullanıldığı K-AUS trafik kaza-olay yönetimi uygulamalarının geliştirilmesi ve değerlendirilmesi

    SARP SEMİH ÖZKAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    UlaşımBoğaziçi Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. ILGIN YAŞAR