Graf tabanlı yaklaşım ile uzun vadeli trafik akış hızı tahmini
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Department of Computer Engineering, Türkiye
Tezin Onay Tarihi: 2022
Tezin Dili: Türkçe
Öğrenci: CEREN KESKİN
Danışman: Mehmet Amaç Güvensan
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
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.