Data augmentation and missing data imputation using similar traffic characteristic of road segments for improving long-term speed prediction
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Department of Computer Engineering, Türkiye
Tezin Onay Tarihi: 2023
Tezin Dili: İngilizce
Öğrenci: MUSTAFA MERT KARA
Danışman: Mehmet Amaç Güvensan
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Trafik hızı tahmini, Akıllı Ulaşım Sistemleri içinde kritik bir problemdir. Farklı trafik karakteristikleri nedeniyle modellerin her yol segmenti için özelleştirilmesi gerekmektedir. Bununla birlikte, yol sensörleri tarafından toplanan hız verileri hatalar nedeniyle ciddi oranda eksik veriler içermektedir. Bu durum ve sınırlı yol segment verisi, eğitim veri kümesinin boyutunu düşürmektedir. Ayrıca, trafik hızına özgü veri kümelerinin doğasından kaynaklanan denge sorunu, eğitilmiş modellerde sapmaya neden olmaktadır. Bu tez, bu sorunlara yeni çözümler sunmaktadır. İlk metot, farklı trafik özelliklerine sahip yol segmentlerinden gelen verileri birleştirerek veri kümesi boyutunu artırmayı içermektedir. Tahmin modelleri kullanılarak yol segmenti benzerliklerini bulunmaktadır. Bu benzerlik kullanılarak arttırılan veri seti, uzun vadeli trafik hızı tahmini performansını %3.7 arttırmaktadır. Eksik veri sorununu çözmek için benzer yol segmentlerinden gelen veriler kullanılmıştır ve bu benzer segmentler bir k-NN algoritması varyasyonu ile bulunmaktadır. Bu metot, %3.6 tahmin performansı iyileştirmesi sağlamaktadır. Dengesiz veri kümeleri için, modelin öğrenme sürecini değiştiren üç strateji önerilmiştir, bu metotlar da uzun vadeli tahminde %2.5 artışa sağlamaktadır. Özellikle düşük hız anlarını yakalama konusunda yöntemlerimiz %5 performans artışı göstermektedir. Bu tez, trafik hızı veri kümelerinde karşılaşılan sorunları çözme ve böylece uzun vadeli tahmin doğruluğunu artırmaya odaklanmıştır. Yöntemlerimizi farklı uzun vadeli tahmin modelleriyle kapsamlı bir şekilde doğrulanmıştır. Deneylerimiz önerilen metotların esneklik ve sağlamlıklarını kanıtlamaktadır. Deneyler İstanbul Büyükşehir Belediyesi tarafından toplanan trafik hızı veri kümesi üzerinde gerçekleştirilmiştir. Bu veri kümesinde, 2018 ve 2019 yıllarında toplam 441 ana yol segmenti bulunmaktadır. Sonuç olarak, bu araştırmada, Akıllı Ulaşım Sistemleri'ndeki trafik hızı tahminindeki temel zorluklar ele alınmıştır. Veri kümesi boyutunu artırma, eksik verileri giderme ve dengesiz veri kümelerini düzeltme metotlarıyla uzun vadeli trafik hızı tahmin modellerinin performansı arttırılmıştır. Ayrıca bu çalışma, trafik yönetimi ve ulaşım sistemi optimizasyonu için de önemli bilgiler barındırmaktadır.