Geri Dön

Traffic flow speed estimation based on multi-feature spaces

Çoklu özellik uzayına dayalı trafik hızı tahmini

  1. Tez No: 829803
  2. Yazar: ENES BİLGİN
  3. Danışmanlar: DOÇ. DR. MEHMET AMAÇ GÜVENSAN, DR. ÖĞR. ÜYESİ HAFİZA İREM TÜRKMEN ÇİLİNGİR
  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: 2023
  8. Dil: İngilizce
  9. Üniversite: Yıldız Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 123

Özet

Şehirlerdeki trafik büyük bir sorundur. Daha fazla araç ve insan, daha fazla stres, kaza ve ekonomik kayıpları beraberinde getirir. Ulaşım çözümleri sunmak giderek zorlaşmaktadır. Trafik hızı tahmini modelleri şehirlerde zamanı yönetmede yardımcı olmaktadır. İncelenen literatür örnekleri, kısa vadeli trafik tahmini modellerinin gelecek iki saat için %95 başarılı olduğunu göstermektedir. 6 saat ve daha uzun vadeli tahmin modelleri, kısa vadeli modellerden daha az yaygındır. Kısa vadeli trafik tahmini için yakın gelecek trafik hızı verileri yeterli olurken, uzun vadeli tahminler hem uzak geçmişten hem de yakın gelecekten daha fazla veriye ihtiyaç duyar. Çok özellikli veri uzayları kullanarak uzun vadeli tahminleri iyileştirmek mümkündür. Literatürde, ARIMA, CNN ve LSTM tekniklerini kullanılmıştır. Bu tezde polinomsal regresyon, CNN ve LSTM ile yapılan deneylerin ardından GRU modeli temel model seçilmiştir. Tez kapsamında trafiği etkileyen faktörler incelenmiş ve tahmini iyileştirmek için yöntemler önerilmiştir. Hava koşulları trafik üzerinde değişken bir etkiye sahiptir, bu nedenle eğitim ve tahmin sırasında hava verilerini kullanarak geçmiş trafik hızını ayarlayan“Pre-Tuning”yöntemi önerilmiştir. Bu yöntem, zorlu hava koşullarında tahmin performansını %26'ya kadar artırmıştır. Komşu yollar da trafik üzerinde etkilidir. Yan yollardaki trafik hızlarını tahmin modeline entegre edilmiş ve bazı segmentlerde %50'ye varan performans artışı sağlanmıştır. Önerdiğimiz trafik hız gruplama yöntemi ile MAPE cinsinden %44'lük bir iyileşme sağlanmıştır. Tahmin edilemeyen olayları tahmin modeline dahil etmek için bir tahmin sonrası iyileştirme yapısını önerilmiştir. Segment özelliklerine göre birden fazla teknik kullanmak, trafik hızı tahminini önemli ölçüde iyileştirebilir. İstanbul Büyükşehir Belediyesi'nden alınan RTMS sensör verileri ile 106 yol segmentinde trafik hızlarını bir hafta geleceğe kadar tahmin etmek için bir hibrit model önerilmiştir. Her segmentin karakteristik özelliklerini dikkate alan bu model, çok özellikli veri uzayı yaklaşımını kullanarak %35 oranında performans artışı sunmuştur. Trafik hızları bir hafta sonrasına kadar %10 MAPE ile tahmin edilmiştir.

Özet (Çeviri)

Traffic in cities is a huge problem. More cars and people mean more stress, accidents, and economic losses. It's getting tough to provide transportation solutions. Traffic speed prediction models help manage time in busy cities. Analyzed literature shows that short-term traffic prediction models are 95% accurate for the next two hours. Long-term traffic studies that aim 6 hours and beyond are less common than short-term ones. Short-term traffic forecasting can rely on near-future traffic speed data alone, but long-term forecasting needs more data from both the distant past and the near future. Using multi-feature spaces can help improve long-term estimation. The literature uses ARIMA, CNN, and LSTM techniques. GRU model was selected as the foundational model for the thesis after experiments with polynomial regression, CNN, and LSTM. We investigated factors affecting traffic and proposed methods to improve estimation. The weather has a varying effect on traffic, so we introduced Pre-Tuning, which uses weather data to adjust past traffic speed during training and prediction. This improved prediction performance by up to 26% in challenging weather. Neighboring roads also influence traffic, so we fed traffic speeds of adjacent roads into the prediction model, increasing performance by up to 50% in some segments. Training models based on traffic speed groups resulted in a 44% improvement in MAPE. We propose a post-improvement structure to utilize unpredictable events. Using multiple techniques according to the segment characteristics can significantly improve traffic speed estimation. We used data from RTMS sensors provided by Istanbul Metropolitan Municipality to predict traffic speeds for 106 road segments up to a week in advance. Our hybrid model, which considers specific factors for each segment, achieved a 35% improvement in accuracy using a multi-feature space approach. We can predict traffic speeds for up to one week with an error rate of 10% MAPE.

Benzer Tezler

  1. Crowd localization and counting via deep flow maps

    Derin öğrenme ile çıkarılan hareket haritaları kullanılarak nesne kalabalıklarının tespiti ve sayımı

    PEDRAM YOUSEFI

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. BİLGE GÜNSEL

  2. Nesnelerin interneti teknolojisi kullanılarak elde edilen trafik verileri ile kısa dönemli trafik akım ve hız tahmini

    Short-term traffic flow and speed estimation with traffic data obtained using the internet of things technology

    YAĞMUR ÖZİNAL

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    TrafikAdana Alparslan Türkeş Bilim Ve Teknoloji Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. FARUK FIRAT ÇALIM

  3. Meskun bölgelerde yağmur suyu giriş yerlerinin incelenmesi: İTÜ Ayazağa yerleşkesi örneği

    Investigation stormwater inlets in urban areas : Example of ITU Ayazaga campus

    VEYSEL ONUR İÇKALE

    Yüksek Lisans

    Türkçe

    Türkçe

    2016

    İnşaat Mühendisliğiİstanbul Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. ALİ UYUMAZ

  4. Fiber optic network-based remote sensing of rail systemsvehicles

    Raylı sistem araçlarının fiber optik ağlar kullanılarakuzaktan algılanması

    SERHAT BOYNUKALIN

    Doktora

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    İletişim Sistemleri Ana Bilim Dalı

    PROF. DR. SELÇUK PAKER

  5. Estimation of traffic density based on past density information for adaptive traffic management

    Adaptif trafik yönetimi için geçmiş yoğunluk bilgilerine dayalı trafik yoğunluğu tahmini

    FEVZİ YASİN KABABULUT

    Yüksek Lisans

    İngilizce

    İngilizce

    2015

    Elektrik ve Elektronik MühendisliğiDokuz Eylül Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. DAMLA GÜRKAN KUNTALP