Graf tabanlı yaklaşım ile uzun vadeli trafik akış hızı tahmini
Long term traffic speed prediction with graph based approach
- Tez No: 762040
- Danışmanlar: DOÇ. DR. MEHMET AMAÇ GÜVENSAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Trafik, Computer Engineering and Computer Science and Control, Traffic
- Anahtar Kelimeler: Derin öğrenme, Evrişimli sinir ağları, Hız, Uzun kısa süreli bellek, Deep learning, Convolutional neural networks, Speed, Long- short term memory
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüzde, özellikle yoğun nüfuslu şehirlerde yaşayan insanlar için trafik çok önemli bir yere sahiptir. İnsanlar işlerini planlarken trafiği hesaba katmak durumunda kalmaktadırlar. Ulaşımlarını gerek özel araç ile gerekse toplu ulaşım ile sağlasalar dahi trafik bilgisine sık sık ihtiyaç duyulmaktadır. Bu sebeple, trafik akış hızının doğru bir şekilde tahmin edilebilmesi büyük bir öneme sahiptir. Ayrıca, trafik izleme, rota planlaması ve trafik sıkışıklığını azaltmaya yönelik yapılacak çalışmalar için de oldukça önemlidir. Bu problem ele alınırken literatürde çok sayıda yöntem denenmiştir. Literatürde yapılan çalışmalar incelendiğinde çoğu çalışmanın kısa süreli hız tahmini yapabilmeye yönelik olduğu görülmektedir. Bu çalışmada ise komşuluk bilgileri kullanılarak uzun vadeli trafik akış tahmini başarısının artırılması hedeflenmiştir. Çalışmada, Ortalama Filtreleme Yöntemi, Arima ve derin öğrenme yöntemleri ile tahmin modelleri oluşturulmuştur. Tez çıktısı olarak graf tabanlı hibrit bir yaklaşım önerilmektedir. Bu yaklaşıma göre, çalışmada kullanılan lokasyonların birbirleriyle bağlantıları çıkarılmış ve bir graf ağı kurulmuştur. Buna bağlı olarak, lokasyonun sadece kendisine ait geçmiş haftaların hız verilerinin kullanılmasının yanı sıra kurulan graf yapısındaki önünde ve/veya arkasında bulunan lokasyonların da hız bilgileri eğitim ve/veya tahmin süreçlerine dahil edilmiştir. Çalışmada İstanbul'un önemli noktalarına ait 114 segmentin verileri kullanılmıştır. Çalışma sonunda, graf tabanlı yaklaşımın MAE'de segment verilerinin lokasyona göre sırasız verildiği veriseti ile eğitilen CNN modeli ile yapılan testlerde %6.64'e, segment verilerinin lokasyona göre sıralı verildiği veriseti ile eğitilen CNN modeli ile yapılan testlerde %7.95'e, segment verilerinin lokasyona göre sıralı ve önceki haftaların ortalaması alınarak oluşturulan veri ile eğitilen CNN modeli ile yapılan testlerde %18.84'e ve segment verilerinin lokasyona göre sıralı ve zaman penceresi kullanılarak geçmiş haftaların t+/-15 dakikalarının verisetine dahil edilerek eğitilen CNN modeli ile yapılan testlerde ise %12.41'e kadar iyileşme sağladığı görülmüştür. Segment verilerinin lokasyona göre sıralı ve zaman penceresi kullanılarak geçmiş haftaların t+/-15 dakikalarının verisetine dahil edilerek eğitilen LSTM modeli ile yapılan testlerde graf tabanlı yaklaşımın %56.45'lere varan iyileşme sağladığı görülmüştür. Sonuçlar değerlendirildiğinde, segment bazlı iyileşme oranlarının daha yüksek olduğu ve segmentlerin kullanılan CNN modeline bağlı olarak iyileşme oranlarının değiştiği görülmüştür. Bu sebeple, yöntemlerin segment bazlı iyileşme sağlayacağı öngörüldüğünden hibrit yaklaşım önerilmektedir. Hibrit yaklaşım ele alındığında, en iyi sonucun alındığı hibrit yaklaşımın sıralı ve önceki haftaların ortalama hız bilgileri ile oluşturulan veri ile eğitilen CNN modelinde alındığı görülmüştür. Hibrit yaklaşım kullanılarak uzun vadeli trafik tahmininde hata oranları MAE'de 8.07, MAPE'de ise 11.67 değerlerine kadar azaltılabilmiştir.
Özet (Çeviri)
Today, traffic has a very important place, especially for people living in densely populated cities. People have to consider traffic when planning their business. Even if they provide their transportation by private vehicle or public transportation, the traffic information of the road is often needed. For this reason, it is of great importance to be able to accurately predict the traffic flow rate. In addition, it is of great importance for traffic monitoring, route planning and work to be done to reduce traffic congestion. Many methods have been tried in the literature while dealing with this problem. When the studies in the literature are examined, it is seen that most of the studies are aimed at making short-term speed estimation. In this study, it is aimed to increase the success of long-term traffic flow prediction by using neighborhood information. In the study, prediction models were created with the Mean Filtering Method, Arima and deep learning methods. As a thesis output, a graph-based hybrid approach is proposed. According to this approach, the connections between the locations used in the study were extracted and a graph network was established. Accordingly, in addition to using the speed data of the past weeks belonging only to the location itself, the speed information of the locations in front of and/or behind the established graph structure are also included in the training and/or estimation processes. In the study, the data of 114 segments belonging to the important points of Istanbul were used. At the end of the study, the graph-based approach increased to %6.64 in the tests performed with the CNN model trained with the dataset in which the segment data is unordered according to the location in MAE, and to %7.95 in the tests performed with the CNN model trained with the dataset where the segment data are ordered according to the location. %18.84 in the tests performed with the CNN model trained with the data ordered by location and by taking the average of the previous weeks, and in the tests performed with the trained CNN model by including the segment data ordered by location and using the time window in the dataset of the t+/-15 minutes of the past weeks. It has been observed that it provides up to %12.41 improvement. It has been observed that the graph-based approach provides an improvement of up to %56.45 in the tests performed with the LSTM model, which is trained by including the segment data ordered by location and using the time window to include the t+/-15 minutes of the past weeks. When the results were evaluated, it was seen that the segment-based recovery rates were higher and the recovery rates of the segments changed depending on the CNN model used. For this reason, a hybrid approach is recommended as it is predicted that the methods will provide segment-based improvement. Considering the hybrid approach, it was seen that the best result was obtained in the CNN model, which was trained with the data created with the sequential and average speed information of the previous weeks. By using the hybrid approach, the error rates in long-term traffic forecasting could be reduced to 8.07 MAE and 11.67 MAPE.
Benzer Tezler
- Bilimsel makalelerin anlamsal ilişki tabanlı özetlenmesi
Semantic relations-based summarizing of scientific articles
MEHTAP ÜLKER
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET BEDRİ ÖZER
- Predicting possible drug repositioning using computational methods
Hesaplama yöntemleri kullanarak olası ilaç yeniden konumlandırmasını tahmin etme
ESLAM AHMED ALI ALI ABUSHAABAN
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Medipol ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. REDA ALHAJJ
- Tersane yerleşimi optimizasyonu ve simülasyonu
Shipyard layout optimization and simulation
SALİM TAMER
Doktora
Türkçe
2023
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiGemi İnşaatı ve Gemi Makineleri Mühendisliği Ana Bilim Dalı
PROF. DR. BARIŞ BARLAS
- Stable-matching based resource allocation methods in wireless communication systems
Kablosuz haberleşme sistemlerinde kararlı eşleme algoritması ile kaynak dağıtımı
YAĞMUR SABUCU SANDAL
Doktora
İngilizce
2019
Elektrik ve Elektronik MühendisliğiBoğaziçi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALİ EMRE PUSANE
PROF. DR. GÜNEŞ ZEYNEP KARABULUT KURT
- Novel deep learning based approaches for clutter removal and target detection in GPR
Ynr'de kargaşa giderme ve hedef algılama için yeni derin öğrenme tabanlı yaklaşımlar
YAVUZ EMRE KAYACAN
Doktora
İngilizce
2026
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. IŞIN ERER