UZUN SÜRELİ KISA BELLEK AĞI YÖNTEMİ İLE TRAFİK YOĞUNLUK TAHMİNİ


Creative Commons License

Aydın S., Taşyürek M., Öztürk C.

1st International Congress on Artificial Intelligence and Data Science, İzmir, Turkey, 26 November - 28 December 2021, pp.133-143

  • Publication Type: Conference Paper / Full Text
  • City: İzmir
  • Country: Turkey
  • Page Numbers: pp.133-143

Abstract

Nüfus yoğunluğunun fazla olduğu ve buna bağlı olarak ulaşım sistemlerinin yaygın olarak kullanıldığı şehirlerde günlük planlanan işlerinin etkilenmemesi için trafik sistemlerinin çok etkin yönetilmesi gerekmektedir. Akıllı Ulaşım Sistemi (AUS), farklı ulaşım modları ve trafik yönetimi ile kullanıcıların daha iyi bilgi sahibi olmalarını ve ulaşım ağlarının daha güvenli, daha koordineli ve daha akıllı kullanımını sağlayan sistem olarak ifade edilmektedir. AUS modellerinin en önemli bileşenlerinden bir tanesi trafik yoğunluğun önceden hesaplanabilmesidir. Kavşakların trafik yoğunlukları birbirine bağlı olan kavşakları etkilediğinden ve zamansal olarak değişiklikler gösterdiğinden zor bir problemdir. Derin öğrenme yöntemi trafik yoğunluk tahmininde son yıllarda yaygın kullanılan yöntemlerdendir. Bu çalışmada, İstanbul Büyükşehir Belediyesi’ne (İBB) ait açık veriler derin öğrenme yöntemlerinden uzun süreli kısa bellek ağı (LSTM) modeli ile belirli bir bölgenin trafik yoğunluğu tahmin edilmesi için önerilmiştir. Önerilen LSTM tabanlı modelin performansı klasik derin öğrenme yöntemi (DL) ile karşılaştırılmıştır. Deneysel değerlendirmeler, önerilen LSTM yönteminin DL yöntemine göre trafik yoğunluk tahmininde daha başarılı tahminler elde ettiğini göstermektedir.