Bölgesel trafik yoğunluk tahmini için derin öğrenme teknikleri ile model oluşturulması

Abstract

Trafik, sehirlesmis yerlesim birimlerinin en önemli sorunlarından biri haline gelmistir. Trafikte geçen zamanı azaltmak amacı ile insanlara bir noktadan digerine en hızlı ˘ ve konforlu gidecegi güzergahı gösteren çesitli uygulamalar gelistirilmistir. Fakat bu uygulamalar kısa vadeli hız tahmini için uygun olmasına ragmen uzun vadeli trafik yogunlugu hakkında öngörüde bulunamamaktadırlar. Bu çalısmada geçmis hafta hız verilerinin örüntüleri kullanılarak 7 güne kadar tahminde bulunmak için Polinom Regresyon Modeli, Ortalama Yöntemi ve derin ögrenme yöntemlerinden Evrisimli Sinir Agı(CNN) yöntemleri kullanılmıstır. Bu çalısma Istanbul il genelinde 44 farklı algılayıcıdan elde edilen trafik hız verileri kullanılarak gerçeklestirilmistir. Derin ögrenme yöntemlerinden CNN kullanılarak 44 algılayıcı için farklı yaklasım ve parametreler kullanılarak öngörü modelleri kurulmu¸stur. Elde edilen Ortalama Mutlak Yüzde Hata (MAPE) degerleri algılayıcılara baglı olarak %2-40 arası degisim göstermektedir ve genel ortalamada MAPE degeri %16,60 olarak elde edilmistir. CNN ve Ortalama yöntemlerinin basarı oranının algılayıcılara baglı olarak, Polinom Regresyon yönteminden %3-10 arası daha basarılı oldugu gözlemlenmistir.