Yoğunluk tabanlı kümeleme yöntemiyle karakteristiği oluşturulan yollar için RNN yöntemi ile kısa zamanlı trafik hız tahmini

SAGIROGLU, SEREF; Akın, Murat

doi:10.17341/gazimmfd.921035

Yoğunluk tabanlı kümeleme yöntemiyle karakteristiği oluşturulan yollar için RNN yöntemi ile kısa zamanlı trafik hız tahmini

Murat Akın, (Gazi Üniversitesi, Bilgisayar Mühendisliği Bölümü, Ankara, Türkiye)

Şeref Sağıroğlu (Girilmemişş)

Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi

8 3

Yıl: 2022 Cilt: 37 Sayı: 2 Sayfa Aralığı: 581 - 594 Metin Dili: Türkçe DOI: 10.17341/gazimmfd.921035 İndeks Tarihi: 29-07-2022

Yoğunluk tabanlı kümeleme yöntemiyle karakteristiği oluşturulan yollar için RNN yöntemi ile kısa zamanlı trafik hız tahmini

Öz:

Büyük şehirlerin gelişimi ve buna bağlı olarak artan araç sayısı şehirler için şehir trafiğini arttırmakta, ulaşım sorununu ön plana çıkarmaktadır. Şehir trafiğini yönetmek için kamu ve özel kurumlar tarafından akıllı ulaşım ve yönetim sistemleri geliştirilmekte, bu sistemleri kullanarak trafik bileşenlerinden trafik akış, yoğunluk ve hız parametreleri tahmin edilmektedir. Bu çalışma, trafik hız tahmini için 9 aşamadan oluşan yeni bir tahmin modeli sunmaktadır. Sunulan modelde gerçek araç verileri, veri filtreleme ve harita eşleme işlemlerinden geçirilmiş,yoğunluk tabanlı kümeler oluşturulmuş, küme öznitelikleri üretilmiş, anlık trafik gösterimi yapılmış ve trafik hız tahmini yapay sinir ağı RNN modeli ile gerçekleştirilmiştir. Daha önce yapılan çalışmalarda, trafik hız tahmini sabit veri kaynakları ile belirli bir yolda veya dağıtık GPS kayıtları ile farklı günlerde yapılabilmekte iken, geliştirilen model ile istenilen ve belirlenen bölge için yoğunluk tabanlı kümeler ve kümelere ait öznitelikleri üretilerek ilgilenilen yol için karakteristik oluşturulmuş ve trafiğin kendi olasılığı içinde aynı gün içerisinde kısa zamanlı ve veri odaklı hız tahmini yapılmıştır. Hız tahmini Ankara iline ait Eskişehir yolu ve İstanbul yolu güzergâhlarında gerçekleştirilmiş, hız tahmini için RNN modeli varyantı olan LSTM ve GRU modelleri kullanılarak hata oranları tespit edilmiş, Eskişehir yolu güzergâhında LSTM-GRU modelleri hata oranları sırasıyla 8,589-8,507, İstanbul yolu güzergâhında model hata oranları 7,370-8,201 olarak ölçülmüştür. Trafiğin olasılıklı ve değişken yapısı için geliştirilen model ile gerçek zaman için başarılı sonuçlar elde edilmiştir. Önerilen modelin, gelecekte yapılacak olan trafik parametrelerinin tahmininde farklı ve yeni çözümler sunacağı, katkılar sağlayacağı, süreçleri hızlandıracağı ve en önemlisi ise kullanıcılara daha doğru ve hızlı hizmet verilmesine katkılar sağlayacağı değerlendirilmektedir.

Anahtar Kelime: Kısa zamanlı trafik hız tahmini yoğunluk tabanlı kümeleme yöntemi akıllı ulaşım sistemleri trafik tahmin modeli tekrarlı sinir ağları

Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık

1. A. Chesterton. How many cars are there in the world?. https://web.archive.org/web/20210322032308/https://w ww.carsguide.com.au/car-advice/how-many-cars-arethere-in-the-world-70629. Erişim tarihi Mart 22, 2020.
2. Djahel S., Doolan R., Muntean G.-M., Murphy J., A Communications-Oriented Perspective on Traffic Management Systems for Smart Cities: Challenges and Innovative Approaches, IEEE Commun. Surv. Tutorials, 17 (1), 125–151, 2015.
3. Boukerche A., Wang J., Machine Learning-based traffic prediction models for Intelligent Transportation Systems, Comput. Networks, 181 (2020), 107530, 2020.
4. Lingani G. M., Rawat D. B., Garuba M., Smart traffic management system using deep learning for smart city applications, 2019 IEEE 9th Annual Computing and Communication Workshop and Conference CCWC 2019, Las Vegas-USA, 101–106, 7-9 Ocak, 2019.
5. Lanke N., Koul S., Smart Traffic Management System, Int. J. Comput. Appl., 75 (7), 19–22, 2013.
6. Dimitrakopoulos G., Demestichas P., Intelligent Transportation Systems, IEEE Veh. Technol. Mag., 5 (1), 77–84, 2010.
7. Mahdavinejad M. S., Rezvan M., Barekatain M., Adibi P., Barnaghi P., Sheth A. P., Machine learning for internet of things data analysis: a survey, Digital Communications and Networks, 4 (3), 161–175, 2018.
8. Rao K. V. K. Fundamental parameters of traffic flow. https://web.archive.org/web/20210406205237/https://n ptel.ac.in/content/storage2/courses/105101087/downlo ads/Lec-30.pdf. Erişim tarihi Nisan 6, 2020.
9. El Sherief M. M., Ramadan I. M. I., Ibrahim A. M., Development of traffic stream characteristics models for intercity roads in Egypt, Alexandria Eng. J., 55 (3), 2765–2770, 2016.
10. Kovačić K., Ivanjko E., Jelušić N., Measurement of Road Traffic Parameters based on Multi-Vehicle Tracking, arXiv, arXiv:1510.04860 (2015), 3–8, 2015
11. Barros J., Araujo M., Rossetti R. J. F., Short-term realtime traffic prediction methods: A survey, 2015 International Conference on Models and Technologies for Intelligent Transportation Systems (MT-ITS), Budapeste-Macaristan, 132–139, 3-5 Haziran, 2015.
12. Akin M., Sagiroglu S., Büyük Veri Perspektifinden Trafik Tahmini Traffic Prediction Based on Big Data Perspective, 2019 1st International Informatics and Software Engineering Conference (UBMYK), AnkaraTurkiye, 1-6, 6-7, Kasım, 2019.
13. George S., Santra A. K., Traffic Prediction Using Multifaceted Techniques: A Survey, Wirel. Pers. Commun., 115 (2), 1047–1106, 2020.
14. Silgu M. A., Çelikoğlu H. B., K-Means Clustering Method to Classify Freeway Traffic Flow Patterns, Pamukkale Univ. J. Eng. Sci., 20 (6), 232–239, 2014.
15. Do L. N. N., Vu H. L., Vo B. Q., Liu Z., Phung D., An effective spatial-temporal attention based neural network for traffic flow prediction, Transp. Res. Part C Emerg. Technol., 108, 12-28, 2019.
16. Li Z., Filev D. P., Kolmanovsky I., Atkins E., Lu J., A New Clustering Algorithm for Processing GPS-Based Road Anomaly Reports With a Mahalanobis Distance, IEEE Trans. Intell. Transp. Syst., 18 (7), 1980–1988, 2017.
17. Diker A. C., Nasibov E., Estimation of traffic congestion level via FN-DBSCAN algorithm by using GPS data, 2012 IV International Conference "Problems of Cybernetics and Informatics" (PCI), Bakü-Azerbaycan, 1-4, 12-14 Eylül, 2012.
18. Cui Z., Ke R., Pu Z., Ma X., Wang Y., Learning traffic as a graph: A gated graph wavelet recurrent neural network for network-scale traffic prediction, Transp. Res. Part C Emerg. Technol., 115, 102620, 2020.
19. Akin M., Sagiroglu S., Degirmenci A., Traffic Flow Forecasting Model with Density Based Clustering Algorithm, 2019 1st International Informatics and Software Engineering Conference (UBMYK), AnkaraTurkiye, 1-5, 6-7, Kasım, 2019.
20. Vlahogianni E. I., Karlaftis M. G., Golias J. C., Shortterm traffic forecasting: Where we are and where we’re going, Transp. Res. Part C Emerg. Technol., 43, 3–19, 2014.
21. Seo T., Bayen A. M., Kusakabe T., Asakura Y., Traffic state estimation on highway: A comprehensive survey, Annu. Rev. Control, 43, 128–151, 2017.
22. Lana I., Del Ser J., Velez M., Vlahogianni E. I., Road Traffic Forecasting: Recent Advances and New Challenges, IEEE Intell. Transp. Syst. Mag., 10 (2), 93– 109, 2018.
23. Jiang B., Fei Y., Vehicle Speed Prediction by TwoLevel Data Driven Models in Vehicular Networks, IEEE Trans. Intell. Transp. Syst., 18 (7), 1793–1801, 2017.
24. Hou Y., Chen J., Wen S., The effect of the dataset on evaluating urban traffic prediction, Alexandria Eng. J., 60(1), 597-613, 2020.
25. Asif M. T. et al., Spatiotemporal patterns in large-scale traffic speed prediction, IEEE Trans. Intell. Transp. Syst., 15 (2), 794–804, 2014.
26. Jeon S., Hong B., Monte Carlo simulation-based traffic speed forecasting using historical big data, Futur. Gener. Comput. Syst., 65, 182–195, 2016.
27. Ma X., Tao Z., Wang Y., Yu H., Wang Y., Long shortterm memory neural network for traffic speed prediction using remote microwave sensor data, Transp. Res. Part C Emerg. Technol., 54, 187–197, 2015.
28. Cheng Z., Chow M.-Y., Jung D., Jeon J., A big data based deep learning approach for vehicle speed prediction, 2017 IEEE 26th International Symposium on Industrial Electronics (ISIE), Edinburgh-UK, 389–394, Haziran 19-21, 2017.
29. Niu K., Zhang H., Zhou T., Cheng C., Wang C., A Novel Spatio-Temporal Model for City-Scale Traffic Speed Prediction, IEEE Access, 7, 30050–30057, 2019.
30. Zhao J. et al., Truck Traffic Speed Prediction Under Non-Recurrent Congestion: Based on Optimized Deep Learning Algorithms and GPS Data, IEEE Access, 7, 9116–9127, 2019.
31. Da Silva T. L. C et al., Efficient and distributed DBScan algorithm using mapreduce to detect density areas on traffic data, ICEIS 2014 - Proc. 16th Int. Conf. Enterp. Inf. Syst., 1, 52–59, 2014.
32. Ankerst M., Breunig M. M., Kriegel H., Sander J., OPTICS : Ordering Points To Identify the Clustering Structure, ACM SIGMOD Int. Conf. Manag. data, Philadelphia-USA, 49–60, Mayıs 31-Haziran 3, 1999.
33. Martin Ester X. X., Kriegel H., Sander J., A densitybased algorithm for discovering clusters a density-based algorithm for discovering clusters in large spatial databases with noise, KDD-96 Proceedings, PortlandUSA, 226–231, Ağustos 2-4,1996.
34. Cui Z., Ke R., Pu Z., Wang Y., Deep Bidirectional and Unidirectional LSTM Recurrent Neural Network for Network-wide Traffic Speed Prediction, arXiv, 2018.
35. Wang Y., Zhang D., Liu Y., Dai B., Lee L. H., Enhancing transportation systems via deep learning: A survey, Transp. Res. Part C Emerg. Technol., 99, 144– 163, 2019.
36. Işık G., Artuner H., Turkish dialect recognition in terms of prosodic by long short-term memory neural networks, Journal of the Faculty of Engineering and Architecture of Gazi University, 35 ( 1), 213–224, 2020.
37. Fusco G., Colombaroni C., N. Isaenko, Short-term speed predictions exploiting big data on large urban road networks, Transp. Res. Part C Emerg. Technol., 73, 183–201, 2016.
38. Winarno E., Hadikurniawati W., Rosso R. N., Location based service for presence system using haversine method, 2017 International Conference on Innovative and Creative Information Technology (ICITech), Salatiga-Indonesia, 1–4, Kasım 2-4, 2017.
39. Chopde N. Nichat M., Landmark Based Shortest Path Detection by Using A* and Haversine Formula, Int. J. Innov. Res. Comput. Commun. Eng., 1 (2), 298–302, 2013.
40. Sondhi P., Feature construction methods: a survey, Sifaka. Cs. Uiuc. Edu, 69, 70–71, 2010.

APA	Akın M, SAGIROGLU S (2022). Yoğunluk tabanlı kümeleme yöntemiyle karakteristiği oluşturulan yollar için RNN yöntemi ile kısa zamanlı trafik hız tahmini. , 581 - 594. 10.17341/gazimmfd.921035
Chicago	Akın Murat,SAGIROGLU SEREF Yoğunluk tabanlı kümeleme yöntemiyle karakteristiği oluşturulan yollar için RNN yöntemi ile kısa zamanlı trafik hız tahmini. (2022): 581 - 594. 10.17341/gazimmfd.921035
MLA	Akın Murat,SAGIROGLU SEREF Yoğunluk tabanlı kümeleme yöntemiyle karakteristiği oluşturulan yollar için RNN yöntemi ile kısa zamanlı trafik hız tahmini. , 2022, ss.581 - 594. 10.17341/gazimmfd.921035
AMA	Akın M,SAGIROGLU S Yoğunluk tabanlı kümeleme yöntemiyle karakteristiği oluşturulan yollar için RNN yöntemi ile kısa zamanlı trafik hız tahmini. . 2022; 581 - 594. 10.17341/gazimmfd.921035
Vancouver	Akın M,SAGIROGLU S Yoğunluk tabanlı kümeleme yöntemiyle karakteristiği oluşturulan yollar için RNN yöntemi ile kısa zamanlı trafik hız tahmini. . 2022; 581 - 594. 10.17341/gazimmfd.921035
IEEE	Akın M,SAGIROGLU S "Yoğunluk tabanlı kümeleme yöntemiyle karakteristiği oluşturulan yollar için RNN yöntemi ile kısa zamanlı trafik hız tahmini." , ss.581 - 594, 2022. 10.17341/gazimmfd.921035
ISNAD	Akın, Murat - SAGIROGLU, SEREF. "Yoğunluk tabanlı kümeleme yöntemiyle karakteristiği oluşturulan yollar için RNN yöntemi ile kısa zamanlı trafik hız tahmini". (2022), 581-594. https://doi.org/10.17341/gazimmfd.921035

APA	Akın M, SAGIROGLU S (2022). Yoğunluk tabanlı kümeleme yöntemiyle karakteristiği oluşturulan yollar için RNN yöntemi ile kısa zamanlı trafik hız tahmini. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 37(2), 581 - 594. 10.17341/gazimmfd.921035
Chicago	Akın Murat,SAGIROGLU SEREF Yoğunluk tabanlı kümeleme yöntemiyle karakteristiği oluşturulan yollar için RNN yöntemi ile kısa zamanlı trafik hız tahmini. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 37, no.2 (2022): 581 - 594. 10.17341/gazimmfd.921035
MLA	Akın Murat,SAGIROGLU SEREF Yoğunluk tabanlı kümeleme yöntemiyle karakteristiği oluşturulan yollar için RNN yöntemi ile kısa zamanlı trafik hız tahmini. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, vol.37, no.2, 2022, ss.581 - 594. 10.17341/gazimmfd.921035
AMA	Akın M,SAGIROGLU S Yoğunluk tabanlı kümeleme yöntemiyle karakteristiği oluşturulan yollar için RNN yöntemi ile kısa zamanlı trafik hız tahmini. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi. 2022; 37(2): 581 - 594. 10.17341/gazimmfd.921035
Vancouver	Akın M,SAGIROGLU S Yoğunluk tabanlı kümeleme yöntemiyle karakteristiği oluşturulan yollar için RNN yöntemi ile kısa zamanlı trafik hız tahmini. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi. 2022; 37(2): 581 - 594. 10.17341/gazimmfd.921035
IEEE	Akın M,SAGIROGLU S "Yoğunluk tabanlı kümeleme yöntemiyle karakteristiği oluşturulan yollar için RNN yöntemi ile kısa zamanlı trafik hız tahmini." Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 37, ss.581 - 594, 2022. 10.17341/gazimmfd.921035
ISNAD	Akın, Murat - SAGIROGLU, SEREF. "Yoğunluk tabanlı kümeleme yöntemiyle karakteristiği oluşturulan yollar için RNN yöntemi ile kısa zamanlı trafik hız tahmini". Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 37/2 (2022), 581-594. https://doi.org/10.17341/gazimmfd.921035