Geri Dön

Akilli ulaşim sistemlerinde trafik akışı tahmini için LSTM ve gradyan yükseltme ile hibrit bir topluluk yaklaşımı

A hybrid ensemble approach with LSTM and gradient boosting for traffic flow prediction in intelligent transportation systems

PDF İndir

  1. Tez No: 940187
  2. Yazar: SUFIAN HAMID SALIH AL JUMAILI
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ABDÜL KADİR GÖRÜR
  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: 2025
  8. Dil: İngilizce
  9. Üniversite: Çankaya Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Bilimi ve Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 107

Özet

Arka Plan: Trafik akışı tahmini, modern ulaşım sistemlerinin karşı karşıya olduğu en kritik sorunlardan biridir. Bu konu, trafik sıkışıklığının azaltılması, trafik ışıklarının optimizasyonu ve kentsel hareketliliğin geliştirilmesi açısından büyük önem taşımaktadır. Ancak, trafik akışlarının zamansal durumlar, meteorolojik koşullar ve özel olaylar gibi değişkenlerden etkilenerek dinamik ve doğrusal olmayan bir yapı sergilemesi, tahmin sürecini oldukça karmaşık hale getirmektedir. İstatistiksel modeller ve tekil makine öğrenimi yaklaşımları gibi geleneksel yöntemler, trafik verilerinde mevcut olan karmaşık zamansal bağımlılıkları ve doğrusal olmayan ilişkileri yeterince yakalayamamaktadır. Amaç: Bu tez, geleneksel trafik akışı tahmin modellerinin sınırlılıklarını önerilen yeni bir hibrit model ile aşmayı hedeflemektedir. Bu amaçla, Gradient Boosting, LightGBM ve Uzun Kısa Süreli Bellek (LSTM) ağlarının güçlü yönlerini bir araya getiren önerilen hibrit yaklaşım ile tahmin doğruluğu ve dayanıklılığının artırılması amaçlanmaktadır. Yöntem: Çalışmada, Huawei Münih Araştırma Merkezi (HMRC) tarafından yayımlanan Karayolu Trafik Tahmin Veriseti kullanılmıştır. Veri seti, 56 gün boyunca altı kentsel kavşakta toplanmış zamansal trafik akışı ölçümlerini içermektedir. Veri seti ön işleme tabi tutulmuş ve parametrik yöntemler, Makine Öğrenimi (ML) teknikleri, Derin Öğrenme (DL) mimarileri ve kollektiv (ensemble) öğrenme modelleri dahil olmak üzere çeşitli modellerin eğitim ve test aşamalarında . kullanılmıştır. Model performansı; Ortalama Mutlak Hatası (MAE), Kök Ortalama Kare Hatası (RMSE), R-kare (R²), Ortalama Mutlak Yüzde Hatası (MAPE) ve Açıklanan Varyans Skoru (EVS) gibi standart regresyon metrikleri ile değerlendirilmiştir. Bulgular: Önerilen hibrit model, tüm temel modelleri daha yüksek doğruluk ve güvenilirlik ile geride bırakmıştır. Model, R² = 0.9684, MAE = 8.27 ve RMSE = 12.54 değerlerine ulaşarak parametrik, makine öğrenimi ve derin öğrenme modellerine kıyasla tüm değerlendirme kriterlerinde üstün performans sergilemiştir. Gradient Boosting, LightGBM ve LSTM gibi tekil modellere kıyasla daha kararlı sonuçlar üretmiş ve hata oranlarını önemli ölçüde azaltmıştır. Bu durum, farklı öğrenme paradigmalarının sinerjisiyle elde edilen kazanımlara işaret etmektedir. Ayrıca hibrit model, yoğun ve seyrek trafik zamanları gibi değişken trafik desenlerinde dahi yüksek performans sergileyerek değişen trafik koşullarına karşı dayanıklılığını kanıtlamıştır. Bulgular, topluluk öğrenme yöntemlerinin derin öğrenme teknikleri ile birlikte uygulandığında, kentsel trafik akışının karmaşık zamansal ve doğrusal olmayan dinamiklerini başarıyla modelleyebildiğini ve böylece tahmin edilebilirlik ile genellenebilirliğin optimize edildiğini ortaya koymaktadır. Sonuç: Tez bulguları, trafik akışı tahmini ve kentsel ulaşım yönetimi açısından önemli katkılar sunmaktadır. Önerilen hibrit yöntem, birden fazla modelleme yaklaşımını bütünleştirerek trafik akışı davranışını daha eksiksiz ve doğru şekilde yansıtan bir çözüm sunmaktadır. Bununla birlikte, çalışmada verideki gürültü ve gerçek zamanlı uygulama gereksinimleri gibi geleceğe yönelik araştırma alanlarına da dikkat çekilmiştir. Özetle, bu tez çalışması, akıllı ulaşım sistemleri (AUS) alanına hibrit yöntemlerin etkinliğini göstererek anlamlı bir katkı sağlamaktadır. Önerilen hibrit model, AUS alanında yapılacak gelecekteki araştırmalar için yeni bir referans noktası oluşturmaktadır.

Özet (Çeviri)

Background: Traffic flow forecasting is one of the critical challenges in modern transportation systems, with tremendous ramifications for traffic congestion alleviation, traffic light optimization, and urban mobility development. Yet, due to the dynamic and non-linear characteristics of traffic flows, as influenced by temporal states, meteorological conditions, and special events, their forecasting is an intricate endeavor. Conventional approaches, including statistical models and isolated machine learning approaches, tend to fall short in capturing the complex temporal dependencies and non-linear relationships inherent in traffic flow data. Objective: This thesis aims to overcome the limitations of traditional traffic flow prediction models by proposing a new hybrid approach that combines the strengths of Gradient Boosting, LightGBM, and Long Short-Term Memory (LSTM) networks, with the goal of achieving enhanced prediction accuracy and robustness. Methods: The Road Traffic Prediction Dataset, published by the Huawei Munich Research Center (HMRC), is used in this study. It contains temporal traffic flow measurements collected at six urban intersections over 56 days. The dataset is preprocessed and utilized to train and test a variety of models, including parametric methods, Machine Learning (ML) techniques, Deep Learning (DL) architectures, and ensemble learning models. Model performance is evaluated using standard regression metrics: Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), R-squared (R²), Mean Absolute Percentage Error (MAPE), and Explained Variance Score (EVS). Results: The suggested hybrid model outperforms all other baseline models with better accuracy and reliability. It achieves an R² of 0.9684, an MAE of 8.27, and an RMSE of 12.54, outperforming parametric models, machine learning models, and deep learning models in all evaluation metrics. Compared to individual models like Gradient Boosting, LightGBM, and LSTM, the hybrid model demonstrated better stability and reduced error levels at all times, pointing to the gains wrought by the synergy of the diverse learning paradigms. Moreover, the hybrid model ensured high performance across varying traffic patterns, such as peak and off-peak times, thereby reflecting its capacity to endure under evolving traffic conditions. Results validate that ensemble learning methods executed in conjunction with deep learning methodologies successfully model the intricate temporal and non-linear dynamics of city traffic flow patterns, thereby optimizing predictability and generalizability. Conclusion: The thesis findings have important implications for traffic flow prediction and urban transportation management. By integrating multiple modeling approaches, the proposed hybrid methodology captures a more complete and accurate representation of traffic flow behavior. Additionally, the study identifies challenges such as noise in data and real-time deployment considerations for future research. In summary, this dissertation advances the field of intelligent transportation systems (ITS) by demonstrating the effectiveness of hybrid methods for traffic prediction. The proposed hybrid model sets a new benchmark for future research in ITS.

Benzer Tezler

  1. Tez No

    732920

    An online network intrusion detection system for DDoS attacks with IoT botnet

    IoT botnetleri ile yapılan dağıtık servis dışı bırakma saldırıları için çevrimiçi bir ağ saldırı tespit sistemi

    ERİM AYDIN

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ŞERİF BAHTİYAR

  2. Tez No

    887125

    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

    HASAN MERT TOKGÖZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Enerjiİstanbul Teknik Üniversitesi

    Enerji Bilim ve Teknoloji Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUSTAFA BERKER YURTSEVEN

  3. Tez No

    634998

    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

  4. Tez No

    815160

    Akıllı ulaşım sistemleri için yeni bir kısa-vadeli trafik akış tahmin algoritması

    A new enhanced short-term traffic flow prediction for intelligent transportation systems

    HALİL İBRAHİM KAZİCİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    UlaşımBandırma Onyedi Eylül Üniversitesi

    Akıllı Ulaşım Sistemleri ve Teknolojileri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUHAMMET ARUCU

  5. Tez No

    459556

    Trafik sensör verileri kullanılarak trafik akış tahmini: İstanbul şehri için bir uygulama

    Predicting the traffic flow with using traffic sensors: An application for Istanbul

    NEZAHAT SÖNMEZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2017

    Endüstri ve Endüstri MühendisliğiTOBB Ekonomi ve Teknoloji Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. TAHİR HANALİOĞLU

    YRD. DOÇ. SALİH TEKİN

Geri Dön