Geri Dön

Deep learning models for traffic volume prediction

Trafik yoğunluğu tahmini için derin öğrenme modelleri

PDF İndir

  1. Tez No: 854358
  2. Yazar: NEVİN ÇİNİ
  3. Danışmanlar: DOÇ. DR. ZAFER AYDIN
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Mühendislik Bilimleri, Ulaşım, Computer Engineering and Computer Science and Control, Engineering Sciences, Transportation
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Abdullah Gül Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Yapay Zeka ve Veri Bilimi Bilim Dalı
  13. Sayfa Sayısı: 71

Özet

Son 50 yılda şehirlerin büyümesi, araç sayısının ve hareketliliğin artmasıyla birlikte trafik sıkıntılı hale geldi. Bunun sonucunda trafik akış tahmini önemli bir araştırma alanı olarak dikkat çekmeye başladı. Bununla birlikte, kapsamlı literatüre rağmen trafik akışı tahmini, özellikle uzun vadeli trafik akışı tahmini için hala açık bir araştırma problemi olarak kalmaktadır. Kısa vadeli trafik akışı tahmini için geliştirilen modellerle karşılaştırıldığında uzun vadeli trafik akışı tahmini için geliştirilen modellerin sayısı oldukça azdır. Bu eksiklikten yola çıkarak, biz bu çalışmada uzun dönem trafik akış tahmini problemine odaklanıyoruz ve yeni bir derin topluluk öğrenme modeli öneriyoruz. Bu topluluk öğrenme modelini oluşturabilmek için öncelikle, temel öğreniciler olarak kullandığımız 3 farklı derin öğrenme mimarisini (yani LSTM, CNN ve GRU) kullanarak 3 farklı derin öğrenme modeli geliştirdik. Daha sonra, bu modellerin bireysel tahmin başarılarına göre tahmin sonuçlarını birleştirdik. Bunun için ayrı bir derin öğrenme modeli kullandık. Önerdiğimiz model esnek ve dinamik bir yapıya sahiptir, model güncel trafik durumuna göre kendini yenileyebilir. Önerilen modelin performansını değerlendirmek için halka açık bir veri seti kullanıyoruz. Sayısal sonuçlar, önerilen modelimizin bireysel derin öğrenme modellerinden (örn. LSTM, CNN, GRU), seçilmiş geleneksel makine öğrenme modellerinden (örn. doğrusal regresyon (LR), karar ağacı regresyonu (DTR), k-en yakın komşular) ve rastgele orman regresyonu (RFR) gibi diğer topluluk öğrenme modellerinden daha iyi performans sergilediğini gösteriyor.

Özet (Çeviri)

In the last 50 years, with the growth of cities and increase in the number of vehicles and mobility, traffic has become troublesome. As a result, traffic flow prediction started to attract attention as an important research area. However, despite the extensive literature, traffic flow prediction still remains as an open research problem, specifically for long- term traffic flow prediction. Compared to the models developed for short-term traffic flow prediction, the number of models developed for long-term traffic flow prediction is very few. Based on this shortcoming, in this study, we focus on long-term traffic flow prediction and propose a novel deep ensemble model (DEM). In order to build this ensemble model, first, we developed a convolutional neural network (CNN), a long short term memory (LSTM) network, and a gated recurrent unit (GRU) network as deep learning models, which formed the base learners. In the next step, we combine the output of these models according to their individual forecasting success. We use another deep learning model to determine the success of the individual models. Our proposed model is a flexible ensemble prediction model that can be updated based on traffic data. To evaluate the performance of the proposed model, we use a publicly available dataset. Numerical results show that our proposed model performs better than individual deep learning models (i.e., LSTM, CNN, GRU), selected traditional machine learning models (i.e., linear regression (LR), decision tree regression (DTR), k-nearest-neighbors regression (KNNR) and other ensemble models such as random-forest-regression(RFR).

Benzer Tezler

  1. Tez No

    721475

    Konteyner liman operasyonlarının makine öğrenmesi yöntemleri ile analizi

    Analysis of container port operations using machine learning methods

    ÜSTÜN ATAK

    Doktora

    Türkçe

    Türkçe

    2022

    Deniz Bilimleriİstanbul Teknik Üniversitesi

    Deniz Ulaştırma Mühendisliği Ana Bilim Dalı

    PROF. DR. YASİN ARSLANOĞLU

    PROF. DR. TOLGA KAYA

  2. Tez No

    725497

    Real-time crash risk analysis using deep learning

    Derin öğrenmeyle gerçek zamanlı kaza risk analizi

    SAEID MORADI

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Mühendislik Bilimleriİstanbul Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. ALİ OSMAN ATAHAN

  3. Tez No

    571244

    Makine öğrenmesi yardımıyla zincir restoran gıda satışlarının tahmin edilmesi ve hava durumunun etkisinin incelenmesi

    Forecasting food sales on chain restaurant and investigating weather effect on sales by using machine learning methods

    SEZGİ ŞENER

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. BAŞAR ÖZTAYŞİ

  4. Tez No

    729917

    Yazılım tanımlı ağlarda trafik mühendisliği için derin öğrenme tabanlı yaklaşım geliştirme

    Developing a deep learning based approach for traffic engineering in software defined networks

    SUDAD ABDULRAZZAQ

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MEHMET DEMİRCİ

  5. Tez No

    888550

    Anomaly detection system for avionics ADS-B: Attack vectors and machine learning

    Aviyonik ADS-B sistemi için anomali tespit sistemi: Saldırı vektörleri ve makine öğrenimi

    NURŞAH ÇEVİK

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOndokuz Mayıs Üniversitesi

    Hesaplamalı Bilimler Ana Bilim Dalı

    PROF. DR. SEDAT AKLEYLEK

Geri Dön