Deep learning models for traffic volume prediction
Trafik yoğunluğu tahmini için derin öğrenme modelleri
- Tez No: 854358
- Danışmanlar: DOÇ. DR. ZAFER AYDIN
- Tez Türü: Doktora
- Konular: Mühendislik Bilimleri, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Ulaşım, Engineering Sciences, Computer Engineering and Computer Science and Control, Transportation
- Anahtar Kelimeler: Akıllı taşıma sistemleri, Doğrusal olmayan zaman serileri, Evrişimli sinir ağları, Uzun kısa süreli bellek, Veri madenciliği, Veri yorumlama-istatistiksel, Yapay sinir ağları, Yapay zeka, Çok değişkenli zaman serileri, Intelligent transportation system, Non-linear time series, Convolutional neural networks, Long- short term memory, Data mining, Data interpretation-statistical, Artificial neural networks, Artificial intelligence, Multivariate time series
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Abdullah Gül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yapay Zeka ve Veri Bilimi Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
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
- Sensör arızalarına karşı afet dirençli derin öğrenme tabanlı sürdürülebilir adaptif trafik sinyalizasyonunun geliştirilmesi
Development of disaster-resilient deep learning-based sustainable adaptive traffic signalization against sensor failures
SEYİTALİ İLYAS
Doktora
Türkçe
2025
Elektrik ve Elektronik MühendisliğiAkdeniz ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YALÇIN ALBAYRAK
DOÇ. DR. SEVİL KÖFTECİ
- Real-time crash risk analysis using deep learning
Derin öğrenmeyle gerçek zamanlı kaza risk analizi
SAEID MORADI
Yüksek Lisans
İngilizce
2022
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ OSMAN ATAHAN
- Implementation and assessment of machine learning methods for multidisciplinary aerospace problems
Makine öğrenmesi yöntemlerinin çok disiplinli hava-uzay problemlerine uygulanması ve değerlendirilmesi
DİLAN KILIÇ
Yüksek Lisans
İngilizce
2023
Uçak Mühendisliğiİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
PROF. DR. MELİKE NİKBAY
- Derin öğrenme tabanlı regresyon problemlerinin başarımlarının incelenmesi
Investigation of the performance of deep learning based regression problems
NİSANUR ÇAKAN
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiFırat ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. DUYGU KAYA
- Konteyner liman operasyonlarının makine öğrenmesi yöntemleri ile analizi
Analysis of container port operations using machine learning methods
ÜSTÜN ATAK
Doktora
Türkçe
2022
Denizcilikİstanbul Teknik ÜniversitesiDeniz Ulaştırma İşletme Mühendisliği Ana Bilim Dalı
PROF. DR. YASİN ARSLANOĞLU
PROF. DR. TOLGA KAYA