Trafik yoğunluk tahmini, kullanıcıların daha iyi seyahat kararları verebilmeleri, trafik sıkışıklığının hafifletilmesi, zaman ve yakıt tasarrufu sağlanması ile trafik işlem verimliliğinin arttırılması açısından önemlidir. Akıllı ulaşım sistemlerinin gelişmesi ve yaygınlaşmasıyla birlikte trafik yoğunluğunun tahmin edilmesi giderek daha fazla ilgi görmeye başladı. Trafik yoğunluk tahmini, büyük ölçüde geçmiş ve gerçek zamanlı trafik verilerine bağlıdır. Sensörler, kameralar, mobil cihazlar ve sosyal medya gibi kaynaklarından anlık olarak büyük miktarlarda trafik verileri elde edilmektedir. Giderek artan trafik verileri, trafik yönetimi sorununu çözebilmek amacıyla yapay zekâ teknolojilerinin kullanımını ön plana çıkarmaktadır. Bu çalışmada, trafik yoğunluk tahminine yönelik LSTM tabanlı bir tahmin modeli geliştirilmiştir. Geliştirilen tahmin modeli LR, RF, SVM, MLP, CNN ve Recurrent Neural Network (RNN) ile İstanbul’un trafik verileri kullanılarak test edilmiştir. Deneysel sonuçlar, geliştirilen LSTM tabanlı modelin karşılaştırılan modellere göre daha başarılı sonuçlar ürettiğini ve kavşaktan geçen araç sayısı tahmininde 0,897 R2 değerine, kavşaktan geçen araçların ortalama hızlarının tahmininde ise 0,883 R2 değerine sahip olduğunu göstermiştir.
Traffic intensity estimate is important for users to make better travel decisions, to relieve traffic confusion, to save time and fuel and to improve traffic processing efficiency. With the development and spread of smart transport systems, the prediction of traffic intensity has begun to be increasingly interested. The traffic intensity forecast is largely dependent on past and real-time traffic data. A large amount of traffic data is instantly obtained from sources such as sensors, cameras, mobile devices and social media. The increasing traffic data puts the use of artificial intelligence technologies in the forefront to solve the traffic management problem. In this study, a LSTM-based forecast model for traffic intensity forecast was developed. The developed predictive model has been tested using traffic data of Istanbul with LR, RF, SVM, MLP, CNN and Recurrent Neural Network (RNN). Experimental results showed that the developed LSTM-based model produces more successful results than compared models, and the estimated number of cross-crossed vehicles is 0.897 R2 and the estimated average speed of cross-crossed vehicles is 0.883 R2.
Alan : Fen Bilimleri ve Matematik
Dergi Türü : Ulusal
Benzer Makaleler | Yazar | # |
---|
Makale | Yazar | # |
---|