Yoğunluk tabanlı kümeleme yöntemiyle karakteristiği oluşturulan yollar için RNN yöntemi ile kısa zamanlı trafik hız tahmini

Authors : Murat AKIN, Şeref SAĞIROĞLU

Pages : 581-594

Doi:10.17341/gazimmfd.921035

View : 27 | Download : 9

Publication Date : 2022-02-28

Article Type : Research Paper

Abstract :Büyük şehirlerin gelişimi ve buna bağlı olarak artan araç sayısı şehirler için şehir trafiğini arttırmakta, ulaşım sorununu ön plana çıkarmaktadır. Şehir trafiğini yönetmek için kamu ve özel kurumlar tarafından akıllı ulaşım ve yönetim sistemleri geliştirilmekte, bu sistemleri kullanarak trafik bileşenlerinden trafik akış, yoğunluk ve hız parametreleri tahmin edilmektedir. Bu çalışma, trafik hız tahmini için 9 aşamadan oluşan yeni bir tahmin modeli sunmaktadır. Sunulan modelde gerçek araç verileri, veri filtreleme ve harita eşleme işlemlerinden geçirilmiş, yoğunluk tabanlı kümeler oluşturulmuş, küme öznitelikleri üretilmiş, anlık trafik gösterimi yapılmış ve trafik hız tahmini yapay sinir ağı RNN modeli ile gerçekleştirilmiştir. Daha önce yapılan çalışmalarda, trafik hız tahmini sabit veri kaynakları ile belirli bir yolda veya dağıtık GPS kayıtları ile farklı günlerde yapılabilmekte iken, geliştirilen model ile istenilen ve belirlenen bölge için yoğunluk tabanlı kümeler ve kümelere ait öznitelikleri üretilerek ilgilenilen yol için karakteristik oluşturulmuş ve trafiğin kendi olasılığı içinde aynı gün içerisinde kısa zamanlı ve veri odaklı hız tahmini yapılmıştır. Hız tahmini Ankara iline ait Eskişehir yolu ve İstanbul yolu güzergâhlarında gerçekleştirilmiş, hız tahmini için RNN modeli varyantı olan LSTM ve GRU modelleri kullanılarak hata oranları tespit edilmiş, Eskişehir yolu güzergâhında LSTM-GRU modelleri hata oranları sırasıyla 8,589-8,507, İstanbul yolu güzergâhında model hata oranları 7,370-8,201 olarak ölçülmüştür. Trafiğin olasılıklı ve değişken yapısı için geliştirilen model ile gerçek zaman için başarılı sonuçlar elde edilmiştir. Önerilen modelin, gelecekte yapılacak olan trafik parametrelerinin tahmininde farklı ve yeni çözümler sunacağı, katkılar sağlayacağı, süreçleri hızlandıracağı ve en önemlisi ise kullanıcılara daha doğru ve hızlı hizmet verilmesine katkılar sağlayacağı değerlendirilmektedir.
Keywords : Kısa zamanlı trafik hız tahmini, trafik tahmin modeli, akıllı ulaşım sistemleri, tekrarlı sinir ağları, yoğunluk tabanlı kümeleme yöntemi