Mikrosimülasyon programı kullanılarak üretilen kent içi trafik koridoruna ait veriler ile makine öğrenmesi tahmin modellerinin oluşturulması
Developing machine learning forecast models using the data of the urban traffic corridor generated via a microsimulation program
- Tez No: 819446
- Danışmanlar: DR. ÖĞR. ÜYESİ MUHAMMED ALİ ÇOLAK
- Tez Türü: Yüksek Lisans
- Konular: Trafik, Ulaşım, İnşaat Mühendisliği, Traffic, Transportation, Civil Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Erzincan Binali Yıldırım Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 194
Özet
Günümüzde özel araç sahipliliğinin hızla artması nedeniyle trafik sorunları özellikle kent merkezlerinde ciddi boyutlara ulaşmıştır. Bu sorunlardan en önemlileri trafikteki gecikme süreleri ve buna bağlı olarak seyahat süresindeki artışlardır. Bu gecikmeler sonucunda yakıt tüketimi ve sera gazı salınımı artışı, ekonomik ve çevresel anlamda zararlara yol açmaktadır. Bu çalışmada, simülasyon verileri ile sentetik veriler üretilerek makine öğrenmesi modelleri oluşturulması hedeflenmiştir. Bu amaçla, Erzincan ili merkezindeki 7 kavşaktan oluşan bir trafik koridoru seçilerek, kavşak tipleri, sinyalizasyon süreleri, taşıt hacimleri ve şerit sayılarındaki değişikliklerin kombinasyonuyla 27.648 senaryo oluşturulmuş, AIMSUN trafik simülasyon programı kullanılarak modellenmiş ve simüle edilmiştir. Simülasyon sonucu tüm senaryolar için elde edilen toplam seyahat süresi, gecikme süresi ve IEM CO2 parametrelerine ait veriler ile makine öğrenmesi modelleri kurulmuştur. Modellerde oluşturulan Lineer Regresyon, Destek Vektör Makinesi, Karar Ağacı, Rastgele Orman, AdaBoost, Gradyan Artırma ve XGBoost algoritmalarının R2, MAE, MSE ve RMSE hata metriklerine göre performansları karşılaştırılmıştır. Ayrıca 27.648 senaryo içinden seçilen üç farklı senaryo ile algoritmalar kendi aralarında ve simülasyon sonuçlarıyla karşılaştırılmıştır. Hata metriklerine göre başarılı modeller olarak gecikme süresi için Lineer Regresyon ve Destek Vektör Makinesi, IEM CO2 için XGBoost ve toplam seyahat süresi için Destek Vektör Makinesi ve XGBoost seçilmiştir. Bu modellerde incelenen katsayı değerlerine göre kavşak geometrisi ile otomobil trafik hacmi değişkenlerinin, üç parametre için de hayati öneme sahip olduğu saptanmıştır. Bu çalışmada simülasyon verileri kullanımı ile sentetik veriler üretilerek başarılı makine öğrenmesi modellerinin kurulabileceği görülmüştür.
Özet (Çeviri)
With the rapid growth in private vehicle ownership in recent years, traffic problems have reached a serious level, especially in urban areas. The most significant of these problems are traffic delays and the consequent increase in travel time. These delays result in an increase in fuel consumption and greenhouse gas emissions, causing economic and environmental harm. The purpose of this study was to develop machine learning models based on synthetic data generated from simulation data. A traffic corridor comprising seven intersections in Erzincan's city center was selected for this study, where 27,648 scenarios were created using a combination of intersection types, signaling times, vehicle volumes, and lane changes, and the AIMSUN traffic simulation program was used to model and simulate the scenarios. A machine learning model was developed based on data obtained from simulations regarding total travel time, delay time and IEM CO2 parameters for each scenario. R2, MAE, MSE, and RMSE error metrics were used to compare the performance of Linear Regression, Support Vector Machine, Decision Tree, Random Forest, AdaBoost, Gradient Boosting, and XGBoost algorithms included in the models. Furthermore, three different scenarios selected from 27,648 scenarios were compared with one another and with the results of the simulations. According to error metrics, SVM and Linear Regression were selected as successful models for Delay Time, XGBoost for IEM CO2, and SVM and XGBoost for Total Travel Time. Based on the coefficient values analyzed in these models, it was determined that the intersection geometry and automobile traffic volume variables were of paramount importance for all three parameters. The results of this study suggested that successful machine learning models were possible to be developed through the use of synthetic data along with simulation data.
Benzer Tezler
- Eşgüdümlü kavşaklar için simülasyon esaslı optimizasyon modeli: Isparta örneği
Simulation based optimization model for coordinated intersections: Isparta example
AYDIN KICI
Doktora
Türkçe
2024
TrafikSüleyman Demirel Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. MESUT TIĞDEMİR
- Erzurum'da üç kavşaktan oluşan koridorun mikrosimülasyon ve AHP yöntemiyle incelenmesi
Investigation of the corridor consisting of three intersections in Erzurum with microsimulation and AHP method
HÜSEYİN OKTAN
Yüksek Lisans
Türkçe
2021
UlaşımAtatürk Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. OSMAN ÜNSAL BAYRAK
- Metrobüs sisteminin Boğaziçi Köprüsü trafiğine etkilerinin simülasyon modeli ile incelenmesi
Examining effects of Metrobus system on The Bosporus Bridge traffic by a simulation model
SERDAR IŞIK
Yüksek Lisans
Türkçe
2010
UlaşımYıldız Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. İSMAİL ŞAHİN
- Kavşak performanslarının değerlendirilmesinde geometrik tasarımlarının etkisinin benzetim yöntemi ile incelenmesi: Sedaş Kavşağı örneği
Evaluating the impact of geometric designs on intersection performance through simulation: The case of Sedaş intersection
ATİLLA TALU
Yüksek Lisans
Türkçe
2024
UlaşımSakarya Uygulamalı Bilimler Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ABDULKADİR ÖZDEN
- Microsimulation-based analysis of pedestrian overpass case study: İstanbul Şirinevler metrobus stop
Yaya üst geçitlerinin mikrosimülasyon tabanlı analizivaka çalışması: İstanbul Şirinevler metrobüs durağı
KARDELEN AKYÜZ
Yüksek Lisans
İngilizce
2023
Ulaşımİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ OSMAN ATAHAN