Geri Dön

Enabling adaptive road lighting through lighting class prediction with real time and historical data

Gerçek zamanlı ve geçmiş veriye dayanan aydınlatma sınıfı tahmini ile uyarlanabilir yol aydınlatmasının sağlanması

  1. Tez No: 887125
  2. Yazar: HASAN MERT TOKGÖZ
  3. Danışmanlar: DR. ÖĞR. ÜYESİ MUSTAFA BERKER YURTSEVEN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Enerji, Mühendislik Bilimleri, Energy, Engineering Sciences
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Enerji Enstitüsü
  11. Ana Bilim Dalı: Enerji Bilim ve Teknoloji Ana Bilim Dalı
  12. Bilim Dalı: Enerji Bilim ve Teknoloji Bilim Dalı
  13. Sayfa Sayısı: 93

Özet

Yol aydınlatması, gün ışığının yeterli olmadığı saatlerde yol kullanıcılarının güvenliğinin sağlanmasına önemli katkı sağladığından ulaşım sistemlerinde oldukça önemli bir rol oynamaktadır. Öngörülen standartlara uygun bir yol aydınlatma sistemi, yol kullanıcılarına görsel konfor koşulları sağlarken, yetersiz aydınlatma sonucu oluşabilecek trafik kazalarının önlenmesini amaçlamaktadır. Günümüzde sınırlı enerji kaynaklarının daha verimli kullanılabilmesi için çeşitli alanlarda enerji tüketimi tasarruf planlarının oluşturulup uygulanması gerekmektedir. Kentsel enerji tüketiminde göz ardı edilemeyecek bir paya sahip olan yol aydınlatması sistemleri, standartların oluşturulması ve verimlilik projelerin uygulanması yoluyla sürdürülebilir ve enerji verimli sistemler haline getirilme potansiyeline sahiptir. Türkiye'de yol aydınlatma sistemlerinde çoğunlukla enerji tüketimi nispeten daha yüksek olan yüksek basınçlı sodyum buharlı lambalar kullanıldığından, enerji tüketimini azaltmak için akla gelen ilk yöntem, mevcut armatürlerin LED armatürlerle değiştirilmesi olmalıdır. LED armatürlerle yapılan yol aydınlatmasının diğer ışık kaynaklarına göre çok daha verimli olduğu birçok çalışmayla kanıtlanmıştır. LED lambaların diğer lamba çeşitlerine göre avantajlarından biri de armatürün yaydığı ışık akısı miktarının ayarlanabilmesidir. Dimleme özelliğinden faydalanılarak aynı ışık kaynağından farklı ihtiyaçlara yönelik farklı seviyelerde aydınlatma sağlanması mümkündür. Uyarlanabilir yol aydınlatması (ARL), çevre koşullarına ve trafik akışına göre aydınlatma ve parlaklık seviyelerini ayarlayıp en uygun aydınlatma koşullarını sağlayarak enerji verimliliğini ve sürüş güvenliğini artırır. Çevresel verilerden ve trafik analizinden faydalanan bu sistemler, enerji tüketimini azaltırken aynı zamanda optimum aydınlatmayı sağlama yeteneğine sahiptir. Bu tür sistemlerin etkinliği büyük ölçüde trafik verilerinin doğru tahminlerine bağlıdır. Bu nedenle, uyarlanabilir yol aydınlatma sistemlerinin etkinliğini sağlamak için yolun özelliklerine ilişkin kapsamlı bir anlayışa sahip olmak çok önemlidir. Gerçek zamanlı trafik akışı verilerinin, yol sensörlerinden toplanan geçmiş verilerle entegre edilmesiyle daha kesin tahminler yapılabilmektedir. Verilerin bu şekilde birleştirilmesi, yol koşullarının daha doğru bir şekilde değerlendirilmesine olanak tanıyarak aydınlatma ayarlarının en uygun şekilde yapılmasını kolaylaştırır. Bu araştırmanın arkasındaki temel itici güç, literatürde uluslararası standartlara göre gerçek yol kurulumlarında kullanılan ARL çalışmalarının sayısının yetersiz olmasıdır. Son yıllarda giderek popüler hale gelen simülasyon veya prototip şeklindeki ARL sistemlerinin yanı sıra örnek uygulamalar, raporlar ve spesifikasyon çalışmaları için de yol gösterici bir çalışma ortaya koymak amaçlanmıştır. Önerilen yöntemlerin henüz istenilen seviyeye ulaşmaması ve pilot uygulamaların eksikliği, yoğun trafik akışı olan bir yolda uygulandıklarında hatalara sebebiyet vermeleri sonucu tespit edilmiştir. Bu eksiklik, trafik yoğunluğunun ve akış hızının yüksek olduğu yollarda aydınlatma sınıfı tahminindeki hataların en aza indirilmesi için yeni modellerin oluşturulmasının gerekli olduğu sonucunu doğurmuştur. Gözlemlenen uyumsuzluk, mevcut metodolojilerin başlangıçta daha düşük trafik hacmi ve daha az sayıda şeride sahip yollarda uygulamaya yönelik olması gerçeğine atfedilebilir. Bu çalışma, trafik verilerini analiz etmek için geleneksel istatistiksel modellerden gelişmiş makine öğrenimi algoritmalarına kadar farklı stratejileri araştırmaktadır. Kesin tahmin modellerinin geliştirilmesinde geçmiş trafik verileri, hava koşulları ve yol topolojisi dahil olmak üzere çeşitli faktörlerin önemini vurgulamaktadır. Bu tahmin tekniklerinin etkinliği örnek olarak seçilen yol üzerinde gerçekleştirilen çalışmalar ile sunulmaktadır. Bu çalışmada, gerçek zamanlı veri işleme, model güncelleme ve karar verme algoritmaları için kullanılabilecek çeşitli stratejilerin araştırılmasına odaklanılmaktadır. Bu stratejilerin temel amacı, öngörülen aydınlatma sınıfını kullanarak aydınlatma çıktılarını yol ihtiyaçlarına göre optimize etmektir. Ayrıca çalışma, bu stratejilerin akıllı şehir ve trafik yönetim sistemleri ile entegre edilmesinde elde edilebilecek potansiyel sinerjileri de araştırmaktadır. Tahmine dayalı analitiği akıllı aydınlatma altyapısıyla birleştirerek elde edilebilecek daha geniş etkiyi, genel verimlilik ve etkinlikteki iyileşmeyi ortaya sunmaktadır. Örnek olarak seçilen yol şehir içerisinde yer almakta olup iki farklı yönde hizmet vermektedir. Her biri 3 metre genişliğinde toplam altı şeritten oluşmaktadır. İlgili yolun varsayılan aydınlatma sınıfı standartlar ve teknik raporlar ile uyumlu olacak şekilde M2 olarak belirlenmiştir. Belirlenen aydınlatma sınıfını sağlamak amacıyla LED armatürler 13 metre yüksekliğindeki aydınlatma direkleri üzerine aralarında 40 metre mesafe olacak şekilde yerleştirilmiştir. Yoldaki her şerit için 2 dakika aralıklarla alınan trafik akış hızı ve araç hızı verileri bir yıldır kayıt altına alınmakta ve yeni verilerin toplanmasına devam edilmektedir. Örnek olarak seçilen yol, aydınlatmaya ihtiyaç duyulan her saatte M2 aydınlatma sınıfına göre aydınlatılmasına rağmen, bu yolda yeterli aydınlatma düzeyini sağlamak için yapılan veri analizi çalışmaları sonucunda belirli zamanlarda M3 ve M4 aydınlatma sınıflarının da kullanılabileceği anlaşılmıştır. Bu zamanların belirlenmesi için CEN/TR 13201-1 teknik raporundaki M aydınlatma sınıfı belirleme parametreleri kullanılmıştır. Teknik raporda dinamik parametre olarak tanımlanan trafik hacminin yanı sıra ortalama araç hızı verisi ve bu veriye bağlı olarak da görsel kılavuzlama parametresi gerekli M aydınlatma sınıfının anlık değişken olmasını gerektiren diğer dinamik parametreler olarak varsayılmıştır. Bu amaca uygun metodolojilerin belirlenmesi için örnek yolun mevcut trafik verileri görselleştirilmiş ve iki farklı yaklaşım ile uyarlanabilir aydınlatma stratejilerinin uygulanabileceği kararlaştırılmıştır. Bunlardan ilki trafik akış hızı ve araç hızlarının ortalama değerlerine göre oluşturulan istatistiksel ARL yaklaşımıdır. Bu yaklaşımda her mevsim için hem haftaiçi günleri hem de tatil günlerinin ortalama trafik verileri kullanılarak önceden programlanması planlanan sekiz ayrı yol aydınlatması senaryosu oluşturulmuştur. Her senaryo için aydınlatma sınıfının değiştirileceği saatler belirlenmiş ve grafiklere dökülmüştür. Bu yaklaşım sonucu yıl boyunca M2 aydınlatma sınıfında yapılacak sabit bir aydınlatma sistemine göre yıllık elektrik tüketiminde %29 civarı tasarruf sağlanmıştır fakat senaryo boyunca uygulanacak olan aydınlatma sınıfları gerçek veriler ile karşılaştırıldığında görülmüştür ki önceden planlanıp uygulanan aydınlatma sınıflarında genel olarak aydınlatmaya ihtiyaç duyulan saatlerin %15,5'inde hatalı aydınlatma yapılmıştır. Bu yaklaşımın uygulanması halinde gerçek verisi bulunan yıl boyunca yaklaşık olarak 338 saat yetersiz aydınlatma yapılacaktır. İkinci yaklaşım için makine öğrenmesi algoritmaları kullanılarak günün seçilen bir saatinden istenilen süre için aydınlatma sınıfını minimum hatayla ve hızlı bir şekilde tahmin edebilecek bir model geliştirilmiştir. Model girdileri olarak ay, gün, saat, dakika gibi tarih bilgilerinin yanı sıra haftanın günü, iş günü veya okul günü olup olmadığına dair bilgi ve de son olarak toplanan on trafik akış hızı ve ortalama araç hızı verileri kullanılmıştır. Bir çok farklı regresyon ve sınıflandırma modelinin denenmesinin ardından oluşturulan en başarılı model olan xGBoost sınıflandırma modeli ile yapılan saatlik aydınlatma sınıfı tahminlerinin doğruluğu %96'nın üzerindedir. Gerçek veriler ile yapılan karşılaştırma sonucu görülmüştür ki makine öğrenmesi tahminlerine dayanan ARL yaklaşımının uygulanması halinde yıllık olarak 78,5 saat yetersiz aydınlatma yapılacaktır. Bu hatalar göze alınabilirse ortaya çıkacak enerji tasarrufu oranı ise yıl boyunca sabit olarak M2 aydınlatma sınıfında aydınlatma yapan bir sisteme göre yaklaşık olarak %29'dur. Bu yaklaşım uygulamaya alındığında yol kullanıcılarının güvenliğini ve görsel konforunu korumak amacıyla ani aydınlatma sınıfı değişikliklerinin önüne geçilmesi için tahmin edilen son on aydınlatma sınıfı değerinin mod değeri alınması kararlaştırılmıştır. Bu şekilde yapılan her tahmin ani olarak aydınlatma sınıfının değişmesine neden olmayacaktır. Formüle edilen stratejiler kuru hava koşulları dikkate alınarak geliştirilmiştir. İstanbul'da yıllık ortalama yağmurlu gün sayısı 117 olarak kabul edilmiştir. Yağmurlu havalarda sürücü görüşü ve konforunda olası azalma göz önüne alındığında, bu 117 gün için ARL senaryolarının askıya alınması ve yol aydınlatma sınıfının her zaman M2 aydınlatma sınıfı gerekliliklerine uygun olacağı kabul edilmiştir. Bu çalışma, trafik akış hızları, araç hızları ve meteorolojik koşullarla uyumlu otomasyon stratejileri aracılığıyla mevcut yol aydınlatması sistemlerinin uyarlanabilir yol aydınlatması sistemlerine dönüştürülmesinin, yüksek oranda enerji tasarrufu sağlayabileceğini ortaya koymaktadır. Genel olarak bu çalışma, uyarlanabilir yol aydınlatma sistemlerinin geliştirilmesinde aydınlatma sınıfı tahmininin rolünün kapsamlı bir analizini sunmakta ve akıllı şehir altyapısındaki potansiyel pratik uygulamalarla, uyarlanabilir yol aydınlatma sistemlerinin enerji verimliliği ve sürüş güvenliği için optimize edilmesine yönelik bilgilerin geliştirilmesine katkıda bulunmaktadır. Uygulanan senaryo ve stratejilerin trafik güvenliğini ve yol kullanıcılarının görsel konfor koşullarını olumsuz etkilememesi için detaylı bir saha çalışmasının sürdürülmesi gerekmektedir. Standartlaştırılmış veri toplama ve örnekleme protokollerine duyulan ihtiyaç, büyük verilerin depolanması ve gizlilik sorunları, bu alanda gelecekteki tartışma konularından ve zorluklardan bazıları olacaktır.

Özet (Çeviri)

Road lighting plays a crucial role in transportation systems as it significantly contributes to ensuring safety for road users during hours when there is not enough daylight. A road lighting system that meets prescribed standards aims to prevent traffic accidents that may occur as a result of insufficient lighting while providing visual comfort conditions for road users. In these days when it is necessary strategize and execute energy consumption reduction plans in various areas in order to use limited energy resources more efficiently. As a substantial contributor to urban energy consumption, road lighting is currently undergoing the development of sustainable and energy-efficient systems through the formulation of standards and implementation of projects. The first method that comes to mind in order to reduce energy consumption is to replace existing luminaries with LED luminaries. It has been proven in many studies that road lighting made with LED luminaries is much more energy efficient compared to other types of light sources. One of the benefits of LEDs compared to other conventional lamp varieties is the ability to regulate the amount of luminous flux emitted by the luminaries. By utilizing the dimming feature, it is possible to provide illumination at different levels for different needs from the same light source. Adaptive road lighting (ARL) adjusts luminous flux and luminance levels based on environmental conditions and traffic flow, enhancing energy efficiency and driving safety by ensuring optimal lighting conditions. Through the utilization of environmental data and traffic analysis, these systems are capable of adapting lighting levels to ensure optimal illumination while simultaneously lowering energy usage. The effectiveness of such systems largely depends on accurate predictions of traffic data and weather conditions. Therefore, to ensure the effectiveness of adaptive road lighting systems, it is crucial to have a comprehensive understanding of the road's characteristics. By integrating the real-time traffic flow data with the historical data gathered from the road sensors, more precise predictions can be made. In addition to ARL systems in the form of simulation or prototypes, which have become increasingly popular in recent years, it is essential to provide guidance for sample applications, reports, and specification studies. This study explores different strategies for analyzing traffic data, ranging from traditional statistical models to advanced machine learning algorithms. It highlights the significance of various factors, including historical traffic data, weather conditions, and road topology, in the development of precise prediction models. The effectiveness of these prediction techniques in diverse urban environments is presented with case studies. In this study, the focus is on exploring various strategies that can be employed for real-time data processing, model updating, and decision-making algorithms. The primary aim of these strategies is to optimize lighting adjustments by utilizing predicted lighting class. Additionally, the study investigates the potential synergies that can be derived from integrating these strategies with smart city initiatives and traffic management systems. By combining predictiveanalytics with intelligent lighting infrastructure, this research highlights the wider impact that can be achieved, underscoring the improvement in overall efficiency and effectiveness. The road chosen as the case study is located within the city and provides services in two different directions. It consists of a total of six lanes, each is 3 meters wide. The lighting class of the road had been determined as M2. In order to provide the specified lighting class, the luminaires were placed on 13-meter-high lighting poles with a distance of 40 meters between them. Traffic flow rate and vehicle speed data taken with 2-minute intervals for each lane on the road has been recorded for a year and new data continues to be collected. In order to identify appropriate methodologies for this objective, existing traffic data of the pilot road were visualized, and a model was developed that can estimate the lighting class for a desired period from a selected time of the day with minimum error using machine learning algorithms. In the most successful models created, the accuracy of hourly lighting class predictions exceeds 97%. In addition to predicting lighting classes, the calculation of energy consumption based on the established lighting scenarios was conducted, and the energy saving rates for the suggested adaptive road lighting system were explicitly outlined. Given the potential decrease in driving visibility and comfort during rainy weather, it has been determined that the road lighting setup will adhere to M2 lighting class requirements at all times, with the suspension of ARL scenarios. This research results that the transformation of road lighting systems into adaptive road lighting through automation strategies aligned with traffic flow rates, vehicle speeds, and meteorological conditions could result in elevated rates of energy savings. Overall, this study provides a comprehensive analysis of the role of lighting class prediction in enhancing adaptive road lighting systems and, contributes to advancing knowledge in optimizing adaptive road lighting systems for energy efficiency and driving safety, with potential practical applications in smart city infrastructure. A detailed field study needs to be continued to ensure that the applied scenarios and strategies do not adversely affect traffic safety and visual comfort conditions of road users. The need for standardized data collection and sampling protocols, storage of big data, and privacy issues will be some of the challenges and topics of future discussion in this field.

Benzer Tezler

  1. Otonom araçlar için kooperatif adaptif seyir kontrol sistemi tasarımı, benzetimi ve analizi

    Cooperative adaptive cruise control system design, simulation and analysis for autonomous vehicles

    SENANUR SARIHAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    DR. MUMİN TOLGA EMİRLER

  2. Dynamic programming-based multi-vehicle longitudinal trajectory optimization

    Dinamik programlama tabanlı çoklu araçlar için boylamsal yörünge optimizasyonu

    CAFER AVCI

    Doktora

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. NİZAMETTİN AYDIN

  3. Adaptive P2P streaming with application to multi-view video

    Çoklu görüntülü video uygulaması ile adaptif P2P akıtımı

    CİHAT GÖKTUĞ GÜRLER

    Doktora

    İngilizce

    İngilizce

    2013

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKoç Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. A. MURAT TEKALP

  4. Öz bilgi destekli derin öğrenme yaklaşımları ile hsg gürültü giderme

    Self-ınformation empowered deep learning approaches for hsı denoising

    ORHAN TORUN

    Doktora

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiHacettepe Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SENİHA ESEN YÜKSEL ERDEM

    PROF. DR. MEHMET ERKUT ERDEM

  5. Okul müdürlerinin kullandığı motivasyonel dilin intibak ettirici liderlik üzerine etkisi

    The effect of motivational language used by school principals upon characteristics of complex adaptive leadership

    HAMİT ÖZEN

    Doktora

    Türkçe

    Türkçe

    2015

    Eğitim ve ÖğretimEskişehir Osmangazi Üniversitesi

    Eğitim Bilimleri Ana Bilim Dalı

    PROF. DR. SELAHATTİN TURAN