CENTRALITY ANALYSIS OF MALATYA CITY TRANSPORT NETWORK INTERSECTION POINTS WITH SIGNALIZATION DATA

Year 2021, Volume: 6 Issue: 3, 122 - 132, 01.12.2021

Furkan Öztemiz

https://doi.org/10.53070/bbd.930166

Cited By: 1

Abstract

The success of the transportation infrastructure in the cities is directly proportional to the location and quality of the intersections, which are the intersections of the roads. In this study, a centrality analysis has been carried out in order to determine the efficiency and importance of the intersection points according to the current signalization plans, taking into account the number of vehicles passing through the roads connected to the intersection points per unit time. The data used consists of signaling and vehicle counting data of 40 intersections belonging to the city of Malatya and 158 roads feeding these intersections. The data used belongs to the year 2019. In the signalization system, the average number of vehicles entered into the intersections during 1 green second was calculated. The data of the city were transformed into a graph structure in accordance with the transportation network. Eigenvector centrality and pagerank centrality algorithms have been applied on this weighted graph. The importance of the intersection points and the load cases have been determined separately for both algorithms. The results obtained with the determination of the load status and importance of the intersection points will be an important decision support system in processes such as changes in signalization plans, distribution of loads at intersection points and reduction of vehicle density on busy roads. The study was done in R programming language.

Keywords

SIGNALIZATION, Eigenvector Centrality, Pagerank Centrality, Graph

SİNYALİZASYON VERİLERİ İLE MALATYA KENTİ ULAŞIM AĞI KAVŞAK NOKTALARININ MERKEZLİLİK ANALİZİ

Abstract

Kentlerdeki ulaşım alt yapısının başarısı, yolların kesişim noktaları olan kavşak noktalarının konumu ve kalitesi ile doğru orantılıdır. Bu çalışmada birim zamanda kavşak noktalarına bağlı yollardan geçen araç sayıları dikkate alınarak, kavşak noktalarının mevcut sinyalizasyon planlarına göre verimliliği ve öneminin belirlenmesi için merkezlilik analizi yapılmıştır. Kullanılan veri Malatya kentine ait 40 kavşak ve bu kavşakları besleyen 158 yola ait sinyalizasyon ve araç sayım verilerinden oluşmaktadır. Kullanılan veri 2019 senesine aittir. Sinyalizasyon sisteminde 1 yeşil saniyesi süresince kavşaklara ortalama kaç araç girdiği hesaplanmıştır. Kente ait veriler ulaşım ağına uygun olarak graf yapısına dönüştürüldü. Bu ağırlıklandırılmış graf üzerinde eigenvector centrality ile pagerank centrality algoritmaları uygulanmıştır. Kavşak noktalarının önemi ve yük durumları her iki algoritma için ayrı ayrı tespit edilmiştir. Kavşak noktalarının yük durumu ve öneminin tespiti ile ortaya çıkan sonuçlar sinyalizasyon planlarında değişiklikler, kavşak noktalarındaki yüklerin dağıtılması ve yoğun yollara ait araç yoğunluklarının azaltılması gibi süreçlerde önemli bir karar destek sistemi olacaktır. Çalışma R programlama dilinde yapılmıştır.

Keywords

Sinyalizasyon, Çizge, Özvektör Merkezlilik, Sayfa Değeri Merkezlilik

References

• Alçelik N. (2010) KENT İÇİ SİNYALİZE VE DÖNEL KAVŞAKLARIN KAPASİTE AÇISINDAN KARŞILAŞTIRILMASI ÜMRANİYE İLÇESİNİN ÖRNEĞİNİN İNCELENMESİ. Bahçeşehir Üniversitesi, Yüksek Lisans Tezi, İSTANBUL
• Agryzkov T., Tortosa L., Vicent J. F. (2016) New highlights and a new centrality measure based on the Adapted PageRank Algorithm for urban networks. Applied Mathematics and Computation, Volume 291, Pages 14-29
• Bonacich P. (2007). Some unique properties of eigenvector centrality. Elsevier, Social Networks Cilt, 29. Sayı, 4. October, s. 555-564
• Cheung K.F, Bell M.G.H, Pan JJ, Perera S (2020). An eigenvector centrality analysis of world container shipping network connectivity. Transpotation Research Part E, Volume 140, 101991
• Darbaş H, Karcı A (2020). Graf Benzerliği İle Metin Kıyaslama, Anatolian Journal of Computer Sciences, 5-2 pp:114-125
• HARK C, UÇKAN T, SEYYARER E. and KARCI A. (2018) Graph-Based Suggestion For Text Summarization. International Conference on Artificial Intelligence and Data Processing (IDAP), pp. 1-6
• İnce K. ve Karcı A. (2019) Akademik işbirliklerinin yeni bir çizge olarak modellenmesi ve istatistiki analizi, Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, Cilt 34 Sayı 1, Ankara Turkey
• Lohmann G, Margulies DS, Horstmann A, Pleger B, Lepsien J, et al. (2010) Eigenvector Centrality Mapping for Analyzing Connectivity Patterns in fMRI Data of the Human Brain. PLOS ONE 5(4): e10232
• Maharani W, Gozali A.A. (2014) Degree centrality and eigenvector centrality in twitter. 8th International Conference on Telecommunication Systems Services and Applications (TSSA), pp. 1-5
• Mededovic E., Douros V. G. and Mähönen P. (2019) Node Centrality Metrics for Hotspots Analysis in Telecom Big Data. IEEE INFOCOM 2019 - IEEE Conference on Computer Communications Workshops (INFOCOM WKSHPS), pp. 417-422
• Needham M., Hodler A.E.(2020) Graph Algorithms Pratical Examples in Apache Spark and Neo4j. Third Edition, O’REILLY
• Öztemiz F. ve Karcı A.(2020) AKADEMİK YAZARLARIN YAYINLARI ARASINDAKİ İLİŞKİNİN SOSYAL AĞ BENZERLİK YÖNTEMLERİ İLE TESPİT EDİLMESİ. Uludağ University Journal of The Faculty of Engineering, c. 25, sayı. 1, ss. 591-608
• Pagerank Algorithm (2021) https://neo4j.com/docs/graph-algorithms/current/algorithms/page-rank/. Accessed 29 April 2021
• Yan E., Ding Y.(2011) Discovering author impact: A PageRank perspective. Information Processing & Management, Volume 47, Issue 1, Pages 125-134
• Zhao S, Zhao P, Cui Y (2017). A network centrality measure framework for analyzing urban traffic flow: A case study of Wuhan, China. Physica A: Statistical Mechanics and its Applications, Volume 478, pp:143-157