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: Ulaşım, İnşaat Mühendisliği, Trafik, Transportation, Civil Engineering, Traffic
- Anahtar Kelimeler: Gecikme, Karbondioksit salınımı, Makine öğrenmesi, Regresyon, Seyahat, Tahmin modelleri, Ulaştırma koridorları, Ulaşım, Delay, Carbondioxide emission, Machine learning, Regression, Travel, Estimation models, Transport corridors, Transportation
- 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: Belirtilmemiş.
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
- Soğuk dinamik gaz püskürtme (SDGP) yöntemi ile üretilen kaplamaların mekanik özelliklerinin simülasyon destekli incelenmesi
Simulation assisted examination of mechanical properties of coatings produced by CGDS method
AYÇA DEMİRER KAHRAMAN
Doktora
Türkçe
2019
Makine MühendisliğiManisa Celal Bayar ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. OSMAN ÇULHA
- Injection molding of polymeric microfluidic devices
Polimer tabanlı mikro-akışkanlar-dinamiği cihazlarının enjeksiyon kalıplaması
ARİF KORAY KOSKA
Yüksek Lisans
İngilizce
2013
Makine Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiMakine Mühendisliği Bölümü
YRD. DOÇ. DR. BARBAROS ÇETİN
- Design and management of DC microgrid system
DC mikrogrid simülasyonu ve yönetimi
WALEED KHALID ABDULKAREEM AL-BAYATI
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik MühendisliğiKarabük ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SELÇUK ALPARSLAN AVCI
- Metamalzemeler ile enerji hasatlama
Energy harvesting with metamaterial
EMRULLAH UZAY KARAKAYA
Yüksek Lisans
Türkçe
2019
Fizik ve Fizik MühendisliğiAnkara ÜniversitesiFizik Mühendisliği Ana Bilim Dalı
PROF. DR. BARIŞ AKAOĞLU
- Elektrokaplama ile MEMS yapılarının üretimi
Fabrication of MEMS structures using electroplating
YASEMEN İNCE
Yüksek Lisans
Türkçe
2018
Elektrik ve Elektronik MühendisliğiNecmettin Erbakan ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET AKİF ERİŞMİŞ