Geri Dön

En iyileştirilmiş çekirdek uç öğrenme makineleri kullanılarak trafik sinyalizasyon süresinin kontrolü

Controlling traffic signaling time using optimized kernel extreme learning machines

PDF İndir

  1. Tez No: 918721
  2. Yazar: ALİ OSMAN GÖKCAN
  3. Danışmanlar: PROF. DR. RESUL ÇÖTELİ, DOÇ. DR. DERYA AVCI
  4. Tez Türü: Doktora
  5. Konular: Enerji, Trafik, Ulaşım, Energy, Traffic, Transportation
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Fırat Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Enerji Sistemleri Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 93

Özet

Son yıllarda şehirleşme ve araç sayısının artması, trafik sıkışıklığının da artmasına sebep olmuştur. Dolayısıyla bu soruna çözüm arayışında olan ulaşım sistemlerindeki gelişmeler de hızlanmış, bir çok çözüm önerisinde bulunulmuştur. Ancak önerilerin bir çoğu trafik akışının dinamikliğine tam olarak yanıt verememektedir. Statik trafik yönetimlerinin yetersiz olması nedeniyle akıllı ulaşım sistemlerinin önemi artmış, araştırmacılar gerçek zamanlı trafik yönetim modelleri ile trafik akışının değişken ve çok parametreli yapısına yönelik çalışmalarını artırmıştır. Bu tez çalışmasında amaç, trafik sıkışıklığının azaltılması ve trafiğin daha akıcı bir hale gelmesidir. Bu amaç doğrultusunda trafik sinyalizasyon sistemlerinde kullanılmakta olan geleneksel sabit süreli yönetim modelleri yerine derin öğrenme ve tek gizli katmana sahip ileri beslemeli bir yapay sinir ağı olan uç öğrenme makinelerinin (ELM, Extreme Learning Machine) bir kombinasyonu kullanılmıştır. Yapılan çalışma 4 aşamada gerçekleştirilmiştir. Birinci aşamada, gerçek trafiğe ait video görüntülerinde yer alan araçlar, derin öğrenme algoritmalarından YOLOv8 ile tespit edilmiş ve sınıflandırılmıştır. İkinci aşamada, eğitilmiş derin modelin öznitelikleri çıkarılarak çekirdek uç öğrenme makinesine (KELM, Kernel ELM) giriş olarak verilmiştir. Burada, veri setinin karmaşık yapısını modellemek, trafik akışı tahminlerindeki doğruluğu artırmak için uç öğrenme makinesi iç çarpımı, çekirdek (kernel) işleviyle değiştirilmiştir. Üçüncü aşamada KELM'nin optimizasyonu için Parçacık Sürü Optimizasyonu (PSO, Particle Swarm Optimization ), Gri Kurt Optimizasyon Algoritması (GWO, Grey Wolf Optimization), Genetik Algoritma (GA, Genetic Algorithm) ve Yapay Arı Kolonisi Optimizasyon Algoritması (ABC, Artificial Bee Colony) kullanılmıştır. Bu basamaktaki çalışma sonrası, Genetik Algoritmanın problemimize ve veri setimize diğer algortimalara göre daha uygun olduğu tespit edilmiştir. Son aşamada ise tespit edilen araçların sayılması, araç sayılarına göre oluşturulabilebilecek adaptif trafik yönetim modelinin simule edilmesi yer almaktadır. Python Pygame kütüphanesi kullanılarak hazırlanan simülasyonda, 4 kollu izole sinyalize kavşaktaki trafik canlandırılmıştır. Gerçek kamera görüntüsünde, kırmızı ışıkta bekleyen araçlar tespit edilerek araç sayıları elde edilmekte, bu araçlara atanan değerler kulanılarak yeşil ışığın süresi tayin edilmektedir. Bu şekilde gerçek trafik yoğunluğuna, aracın sayısına hatta araç türüne özel bir adaptif trafik kontrol sistemi oluşturulmuştur.

Özet (Çeviri)

In recent years, urbanization and the increase in the number of vehicles have led to an increase in traffic congestion. Therefore, developments in transportation systems seeking solutions to this problem have accelerated, and many solution proposals have been made. However, many of these proposals fail to fully respond to the dynamics of traffic flow. Due to the inadequacy of static traffic management, the importance of intelligent transportation systems has increased, and researchers have increased their efforts towards real-time traffic management models to address the variable and multi-parameter nature of traffic flow. The aim of this thesis is to reduce traffic congestion and make traffic flow smoother. In line with this goal, a combination of deep learning and Extreme Learning Machines (ELM) with a single hidden layer feedforward artificial neural network has been used instead of traditional fixed-time management models used in traffic signalization systems. The study was conducted in four steps. In the first step, vehicles in video images of real traffic were detected and classified using the YOLOv8 deep learning algorithm. In the second step, the features of the trained deep model were extracted and provided as input to the Kernel Extreme Learning Machine (KELM). Here, the inner product of the extreme learning machine was replaced with a kernel function to model the complex structure of the dataset and improve the accuracy of traffic flow predictions. Particle Swarm Optimization (PSO), Grey Wolf Optimization Algorithm (GWO), Genetic Algorithm (GA), and Artificial Bee Colony Algorithm (ABC) were used for the optimization of KELM in the third step. Following this step, it was determined that the Genetic Algorithm was more suitable for our problem and dataset compared to other algorithms. The fourth step involves counting the detected vehicles and simulating an adaptive traffic management model that could be created based on the number of vehicles. In the simulation prepared using the Python Pygame library, traffic at a 4-way isolated signalized intersection is animated. In the real-time camera image, vehicles waiting at red lights are detected to obtain vehicle counts, and the duration of the green light is determined using the values assigned to these vehicles. Thus, an adaptive traffic control system tailored to real traffic density, vehicle count, and even vehicle type has been created.

Benzer Tezler

  1. Tez No

    572666

    Uç öğrenme makineleri kullanarak EKG işaretlerinin sınıflandırma başarımlarının iyileştirilmesi

    Improvement of the classification achievements of ECG signals using extreme learning machines

    AYKUT DİKER

    Doktora

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    PROF. DR. ENGİN AVCI

  2. Tez No

    847173

    Fake news classification using machine learning and deep learning approaches

    Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması

    SAJA ABDULHALEEM MAHMOOD AL-OBAIDI

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR

  3. Tez No

    724531

    PTC ısıtıcı ünitesi geliştirilmesi tasarımı ve analizi

    PTC heater unit development design and analysis

    ALTAY TABANCACI

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Enerjiİstanbul Teknik Üniversitesi

    Enerji Bilim ve Teknoloji Ana Bilim Dalı

    PROF. DR. ÜNER ÇOLAK

  4. Tez No

    571422

    Improving the structural behavior of hollow core slabs using self-compacting geopolymer concrete with steel fiber

    Kendiliğinden yerleşen çelik elyaflı jeopolimer beton kullanılarak üretilen boşluklu döşemelerin davranışlarının iyileştirilmesi

    SAAD ABDULRAZZAK MUKHLIF MUKHLIF

    Doktora

    İngilizce

    İngilizce

    2019

    İnşaat MühendisliğiGaziantep Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    Assoc. Prof. Dr. NİLDEM TAYŞİ

    Assist. Prof. Dr. MEHMET TOLGA GÖĞÜŞ

  5. Tez No

    804298

    Production of dental filling composite material with improved mechanical and antibacterial properties by ZnO/chitosan doped Silica/PMMA core/shell nano hybrid structured inorganic matrix

    ZnO/kitosan katkılı Silika/PMMA çekirdek/kabuk nano hibrit yapılı inorganik matris ile mekanik ve antibakteriyel özellikleri geliştirilmiş dental dolgu kompozit malzemesi üretilmesi

    İZEL OK

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Biyoteknolojiİzmir Katip Çelebi Üniversitesi

    Nanobilim ve Nanoteknoloji Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AHMET AYKAÇ

Geri Dön