Ensemble learning network-based traffic congestion control system in smart cities with a weighted score prediction strategy
Akıllı şehirlerde ağı tabanlı trafik tıkanıklığı kontrol sistemi, ağırlıklı puan tahmin stratejisi ile toplu öğrenme
- Tez No: 957836
- Danışmanlar: DOÇ. DR. SEFER KURNAZ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 80
Özet
Akıllı şehirlerdeki trafik sıkışıklığı, yaşam kalitesini etkileyen önemli bir endişe kaynağıdır. Otomobil sayısındaki hızlı artışın bir sonucu olarak yol kazaları ve trafik sıkışıklığı artmıştır. Bu senaryo nedeniyle, trafik akışını kontrol etmek ve yol güvenliğini artırmak için Akıllı Ulaşım (BT) sistemleri gereklidir. En son teknolojilerin yardımıyla BT sistemleri, trafik sinyali zamanlamalarını anında değiştirebilir ve trafik eğilimlerini izleyebilir. Bu, yollardaki tıkanıklığı azaltmaya ve genel olarak trafik kontrolünü iyileştirmeye yardımcı olur. Bu sistemler, sürücülere gerçek zamanlı trafik uyarıları verir ve sensörler ve akıllı telefon uygulamaları gibi çeşitli kaynaklardan gelen verileri kullanarak alternatif rotalar sağlar. Karayolu taşıtlarının sayısındaki hızlı artış, trafik sıkışıklığını ve yol kazalarının sayısını artırmıştır. Bu sorunu gidermek için, araç iletişimini, navigasyonu ve trafik kontrolünü artırmak için topluluk öğrenme tabanlı bir sıkışıklık tahmin modeline sahip Araç Ağları (VN'ler) uygulanır. Trafikle ilgili veriler ilgili veritabanından toplanır ve özellik çıkarma aşamasına beslenir. En açıklayıcı olanları korurken özellik sayısını azaltmaya yardımcı olur ve bu da tahmini modelin iletişim yükünü basitleştirir. Bu önerilen modelde, verilerden gürültüleri filtrelemek için t-SNE tabanlı özellik çıkarma işlemi gerçekleştirilir ve bu da daha sağlam bir tahmin modeline yol açar. Özellik çıkarma sürecinden elde edilen en alakalı özellikleri kullanarak, bu önerilen model doğru bir tahmin yapar. Son olarak, tahmin modelinin genel güvenilirliğini artırmak için Çok Katmanlı Algılayıcı (MLP), Kapsül Ağı (Capsnet) ve Destek Vektör Makinesi (SVM) gibi birden fazla modeli birleştirerek topluluk öğrenmeye dayalı tahmin gerçekleştirilir. Tıkanıklığı tahmin etmek, trafik akışını daha etkili bir şekilde yönetmeye yardımcı olur ve sıkışık koşullarda sıklıkla meydana gelen kaza olasılığını azaltır. Sinyal zamanlaması ve trafik akışı, tahmin edilen tıkanıklık seviyelerine göre kontrol edilir. Birden fazla modelin güçlü yönlerini birleştirerek, topluluk öğrenmesi hataları azaltır ve performansı iyileştirir. Topluluk öğrenmesinden tahmin edilen sonuç, ağırlıklı puan tabanlı tıkanıklık tahminine tabi tutulur. Bu yaklaşım genellikle Cray Fish Optimization (CFO) algoritması kullanılarak her tahmin edilen sonuca, tahmin görevine olan önemi veya alakalılığına göre farklı ağırlıklar atamayı içerir. Daha sonra ağırlıklı puanlar, trafik sıkışıklığı tahmininin kapsamlı bir değerlendirmesini sağlamak için ortalama alınır. Ağırlıklı puan tabanlı bir strateji, birden fazla veri kaynağını başarılı bir şekilde entegre ederek ve trafik koşullarının kapsamlı bir değerlendirmesini sağlayarak trafik sıkışıklığı tahminini artırır. Bu, daha proaktif ve verimli trafik yönetimi stratejilerine yol açabilir.
Özet (Çeviri)
Traffic congestion in smart cities is a significant concern that impacts the quality of life. Road accidents and traffic congestion have increased as a result of the quick increase in the number of automobiles. Because of this scenario, Intelligent Transportation (IT) systems are required for controlling traffic flow and improving road safety. With the help of the latest technologies, IT systems are able to instantly modify traffic signal timings and track traffic trends. This aids in reducing gridlock on the roads and enhancing traffic control in general. These systems give real-time traffic alerts to drivers and provide alternate routes by utilizing data from several sources, such as sensors and smartphone applications. The rapid rise in the number of road vehicles has increased traffic congestion and the number of road accidents. To fix this issue, Vehicular Networks (VNs) with an ensemble learning-based congestion prediction model are implemented to boost vehicular communications, navigation, and traffic control. Traffic-related data are collected from the relevant database and fed to the feature extraction phase. It helps to reduce the number of features while retaining the most revealing ones, which simplifies the communication overhead of the predictive model. In this proposed model t-SNE-based feature extraction is performed to filter out the noises from the data, which leads to a more robust prediction model. By using the most relevant features obtained from the feature extraction process, this proposed model makes an accurate prediction. Finally, ensemble learning-based prediction is performed by combining multiple models like Multi-Layer Perceptron (MLP), Capsule Network (Capsnet), and Support Vector Machine (SVM) to boost the overall reliability of the prediction model. Predicting congestion helps in managing traffic flow more effectively, reducing the chance of accidents that often occur in congested conditions. Signal timing and traffic flow are controlled based on predicted congestion levels. By combining the strengths of multiple models, ensemble learning reduces errors and improves performance. The predicted outcome from ensemble learning undergoes weighted score-based congestion prediction. This approach typically involves assigning different weights to each predicted outcome using the Cray Fish Optimization (CFO) algorithm based on its importance or relevance to the prediction task. The weighted scores are then averaged to provide a comprehensive assessment of traffic congestion prediction. A weighted score-based strategy boosts the prediction of traffic congestion by successfully integrating multiple data sources and providing a comprehensive appraisal of traffic conditions. This can lead to more proactive and efficient traffic management strategies.
Benzer Tezler
- Data-driven delay estimation and anomaly detection: A study on European and Turkish air traffic
Veri güdümlü gecikme tahmini ve anomali tespiti: Avrupa ve Türkiye hava trafiği üzerine bir çalışma
MUHAMMET AKSOY
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
DR. EMRE KOYUNCU
- Kolektif makine öğrenmesi tabanlı ağ saldırı tespiti
Collective machine learning based network intrusion detection
ŞURA EMANET
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖNDER DEMİR
DR. ÖĞR. ÜYESİ GÖZDE KARATAŞ BAYDOĞMUŞ
- Sürücü destek sistemleri için yeni yol ve işaret tanıma yöntemleri
New road and sign recognition methods for driver assistance systems
GÜLCAN YILDIZ
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKaradeniz Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BEKİR DİZDAROĞLU
- Nesnelerin interneti tabanlı ağ trafiğinde ileri makine öğrenimi ve derin öğrenme yöntemleri ile anomali tespiti
Anomaly detection in internet of things based network traffic with advanced machine learning and deep learning methods
YAĞIZ ONUR KOLCU
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAfyon Kocatepe ÜniversitesiBilgisayar Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET HAŞİM YURTTAKAL
- Araç içi ağlarda makine öğrenmesi tabanlı saldırı tespit sistemi
Machine learning based intrusion detection for in-vehicle networks
SONER CAN KALKAN
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Kültür ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ÖZGÜR KORAY ŞAHİNGÖZ