Research Article
BibTex RIS Cite

Akıllı Durak Sistemindeki Araç Seyahat Sürelerinin Birleşik Yapay Sinir Ağları Kullanarak Tahmini

Year 2020, , 72 - 79, 01.04.2020
https://doi.org/10.31590/ejosat.araconf10

Abstract

Toplu taşımacılık özellikle nüfus yoğunluğunun fazla olduğu şehirlerde günlük yaşamda yoğun bir şekilde kullanılmaktadır. Toplu taşıma araçlarını kullanan birçok insan duraklarda beklemelerinden dolayı zaman kaybı yaşamaktadırlar. Bu nedenle toplu taşıma araçlarının duraklara geliş süresinin doğru şekilde hesaplanması veya tahmin edilmesi ve yolculara bildirilmesi önem arz etmektedir. Gerçek zamanlı trafik koşullarının ve trafik olaylarının karmaşıklığı ve çeşitliliği nedeniyle otobüslerin, duraklara geliş zamanlarını doğru bir şekilde tahmin etmek zor bir problemdir. Literatürde otobüs varış sürelerinin tahmin edilmesi için çeşitli teknikler ve parametreler kullanılmıştır. Bu çalışmada, toplu taşıma araçlarının duraklara varış zamanını doğru bir şekilde tahmin edebilmek için birleşik yapay sinir ağları (YSA) algoritması tabanlı bir sistem önerilmiştir. Birleşik YSA modeli birden fazla yapay sinir ağı modelinin çıktılarının ortaklaşa değerlendirilmesi ile YSA modellerinin performansını arttırabilmekte ve dolayısı ile daha doğru sonuçlar verebilmektedir. Bu nedenle birleşik YSA modelleri çeşitli uygulamalarda kullanılmaktadır. Önerilen birleşik YSA algoritması gerçek veriler üzerinde çalıştırılmıştır. Çalışmada Kayseri Büyükşehir Belediyesi akıllı otobüs durak verileri ve 800 adet farklı otobüs hattının GPS verisi kullanılmıştır. Önerilen sistemde akıllı duraklarda bulunan kare kodlar (QR) okutularak veya paylaşılan yolcu GPS (Küresel Konumlama Sistemi) verisini kullanılarak seçilen duraktan hangi otobüsün ne zaman geçeceği birleşik YSA modeli ile tahmin edilebilmekte ve yolculara bildirilmektedir. Çalışmada kullanılan YSA algoritmasının sonuçları lineer regresyon yöntemi sonuçları ile karşılaştırılmıştır. Deneysel sonuçlar önerilen birleşik YSA yaklaşımının lineer regresyon yaklaşımına göre daha doğru sonuçlar verdiğini göstermiştir. Çalışmada ayrıca geliştirilen birleşik YSA modelini kullanan mobil ve web uygulaması geliştirilmiştir. Geliştirilen uygulama ile yolcular akıllı duraklardaki kare kodları kullanarak sisteme bağlanmakta ve tahmini otobüs geliş sürelerini takip edebilmektedirler.

References

  • Amita, J., Jain, S. S., & Garg, P. K. (2016). Prediction of bus travel time using ANN: a case study in Delhi. Transportation Research Procedia, 17, 263-272.
  • Dadaser-Celik, F., & Cengiz, E., (2013). A neural network model for simulation of water levels at the Sultan Marshes wetland in Turkey. WETLANDS ECOLOGY AND MANAGEMENT , vol.21, 297-306.
  • Dietterich, T. G. (2000, June). Ensemble methods in machine learning. In International workshop on multiple classifier systems (pp. 1-15). Springer, Berlin, Heidelberg.
  • Gökrem, L., & Bozuklu, M. (2016). Nesnelerin interneti: Yapılan çalışmalar ve ülkemizdeki mevcut durum. Gaziosmanpaşa Bilimsel Araştırma Dergisi, (13), 47-68.
  • Gurmu, Z. K., & Fan, W. D. (2014). Artificial neural network travel time prediction model for buses using only GPS data. Journal of Public Transportation, 17(2), 3.
  • Jeong, R., & Rilett, R. (2004, October). Bus arrival time prediction using artificial neural network model. In Proceedings. The 7th International IEEE Conference on Intelligent Transportation Systems (IEEE Cat. No. 04TH8749) (pp. 988-993).
  • Jiang, R., Qu, M., & Chung, E. (2014). Traffic incident clearance time and arrival time prediction based on hazard models. Mathematical Problems in Engineering, 2014. Kayseri Büyükşehir Belediyesi. (2020, March 10). Retrieved from https://www.kayseri.bel.tr.
  • Kee, C. Y., Wong, L. P., Khader, A. T., & Hassan, F. H. (2017, September). Multi-label classification of estimated time of arrival with ensemble neural networks in bus transportation network. In 2017 2nd IEEE International Conference on Intelligent Transportation Engineering (ICITE) (pp. 150-154).
  • Kesikoglu, M. H. , ATASEVER, Ü. H. , Dadaser-Celik, F., & ÖZKAN, C., (2019). Performance of ANN, SVM and MLH techniques for land use/cover change detection at Sultan Marshes wetland, Turkey. WATER SCIENCE AND TECHNOLOGY , vol.80, 466-477.
  • Li, F., Yu, Y., Lin, H., & Min, W. (2011, July). Public bus arrival time prediction based on traffic information management system. In Proceedings of 2011 IEEE International Conference on Service Operations, Logistics and Informatics (pp. 336-341).
  • Liu, J., & Xiao, G. (2019, May). Efficient Bus Arrival Time Prediction Based on Spark Streaming Platform. In 2019 IEEE 23rd International Conference on Computer Supported Cooperative Work in Design (CSCWD) (pp. 416-421).
  • Pan, J., Dai, X., Xu, X., & Li, Y. (2012, October). A self-learning algorithm for predicting bus arrival time based on historical data model. In 2012 IEEE 2nd International Conference on Cloud Computing and Intelligence Systems (Vol. 3, pp. 1112-1116).
  • Prasad, K. S. N., & Ramakrishna, S. (2014). An efficient traffic forecasting system based on spatial data and decision trees. Int. Arab J. Inf. Technol., 11(2), 186-194.
  • Tufan, H. (2014). Akıllı Ulaşım Sistemleri Uygulamaları ve Türkiye için bir AUS Mimarisi Önerisi. Ulaştırma ve Haberleşme Uzmanlığı Tezi, TC Ulaştırma Denizcilik ve Haberleşme Bakanlığı.
  • Yaghini, M., Khoshraftar, M. M., & Seyedabadi, M. (2013). Railway passenger train delay prediction via neural network model. Journal of advanced transportation, 47(3), 355-368.
  • Yu, H., Xiao, R., Du, Y., & He, Z. (2013, December). A bus-arrival time prediction model based on historical traffic patterns. In 2013 International Conference on Computer Sciences and Applications (pp. 345-349).

Prediction of Vehicle Arrival Times in the Smart Bus Stop System Using Ensemble Artificial Neural Networks

Year 2020, , 72 - 79, 01.04.2020
https://doi.org/10.31590/ejosat.araconf10

Abstract

Public transportation is used extensively in daily life, especially in cities where the population density is high. Many people who use public transportation experience time loss due to waiting at the stops. For this reason, it is important to accurately calculate or estimate the arrival time of public transport to the stops and inform the passengers. Due to the complexity and diversity of real-time traffic conditions and traffic events, it is a difficult problem to accurately predict the arrival times of buses to the stops. Various techniques and parameters have been used in the literature to estimate bus arrival times. In this study, a system based on ensemble artificial neural networks (ANN) algorithm has been proposed in order to accurately predict the arrival time of public transport to the stops. The ensemble ANN model can increase the performance of ANN models and thus provide more accurate results by jointly evaluating the outputs of more than one neural network model. Therefore, ensemble ANN models are used in various applications. The proposed ensemble ANN algorithm was run on real data. In this study, Kayseri Metropolitan Municipality smart bus stop data and GPS data of 800 different bus lines were used. The proposed system predicts the arrival time of the public transportation vehicle when the QR codes of smart bus stops and or the shared GPS (Global Positioning System) of passengers were used. The experimental results show that the proposed ensemble ANN approach gives more accurate results than the LR approach. In the study, a mobile and web application using the combined ANN model was developed. With the developed application, passengers can connect to the system using square codes in smart stops and follow the estimated bus arrival times.

References

  • Amita, J., Jain, S. S., & Garg, P. K. (2016). Prediction of bus travel time using ANN: a case study in Delhi. Transportation Research Procedia, 17, 263-272.
  • Dadaser-Celik, F., & Cengiz, E., (2013). A neural network model for simulation of water levels at the Sultan Marshes wetland in Turkey. WETLANDS ECOLOGY AND MANAGEMENT , vol.21, 297-306.
  • Dietterich, T. G. (2000, June). Ensemble methods in machine learning. In International workshop on multiple classifier systems (pp. 1-15). Springer, Berlin, Heidelberg.
  • Gökrem, L., & Bozuklu, M. (2016). Nesnelerin interneti: Yapılan çalışmalar ve ülkemizdeki mevcut durum. Gaziosmanpaşa Bilimsel Araştırma Dergisi, (13), 47-68.
  • Gurmu, Z. K., & Fan, W. D. (2014). Artificial neural network travel time prediction model for buses using only GPS data. Journal of Public Transportation, 17(2), 3.
  • Jeong, R., & Rilett, R. (2004, October). Bus arrival time prediction using artificial neural network model. In Proceedings. The 7th International IEEE Conference on Intelligent Transportation Systems (IEEE Cat. No. 04TH8749) (pp. 988-993).
  • Jiang, R., Qu, M., & Chung, E. (2014). Traffic incident clearance time and arrival time prediction based on hazard models. Mathematical Problems in Engineering, 2014. Kayseri Büyükşehir Belediyesi. (2020, March 10). Retrieved from https://www.kayseri.bel.tr.
  • Kee, C. Y., Wong, L. P., Khader, A. T., & Hassan, F. H. (2017, September). Multi-label classification of estimated time of arrival with ensemble neural networks in bus transportation network. In 2017 2nd IEEE International Conference on Intelligent Transportation Engineering (ICITE) (pp. 150-154).
  • Kesikoglu, M. H. , ATASEVER, Ü. H. , Dadaser-Celik, F., & ÖZKAN, C., (2019). Performance of ANN, SVM and MLH techniques for land use/cover change detection at Sultan Marshes wetland, Turkey. WATER SCIENCE AND TECHNOLOGY , vol.80, 466-477.
  • Li, F., Yu, Y., Lin, H., & Min, W. (2011, July). Public bus arrival time prediction based on traffic information management system. In Proceedings of 2011 IEEE International Conference on Service Operations, Logistics and Informatics (pp. 336-341).
  • Liu, J., & Xiao, G. (2019, May). Efficient Bus Arrival Time Prediction Based on Spark Streaming Platform. In 2019 IEEE 23rd International Conference on Computer Supported Cooperative Work in Design (CSCWD) (pp. 416-421).
  • Pan, J., Dai, X., Xu, X., & Li, Y. (2012, October). A self-learning algorithm for predicting bus arrival time based on historical data model. In 2012 IEEE 2nd International Conference on Cloud Computing and Intelligence Systems (Vol. 3, pp. 1112-1116).
  • Prasad, K. S. N., & Ramakrishna, S. (2014). An efficient traffic forecasting system based on spatial data and decision trees. Int. Arab J. Inf. Technol., 11(2), 186-194.
  • Tufan, H. (2014). Akıllı Ulaşım Sistemleri Uygulamaları ve Türkiye için bir AUS Mimarisi Önerisi. Ulaştırma ve Haberleşme Uzmanlığı Tezi, TC Ulaştırma Denizcilik ve Haberleşme Bakanlığı.
  • Yaghini, M., Khoshraftar, M. M., & Seyedabadi, M. (2013). Railway passenger train delay prediction via neural network model. Journal of advanced transportation, 47(3), 355-368.
  • Yu, H., Xiao, R., Du, Y., & He, Z. (2013, December). A bus-arrival time prediction model based on historical traffic patterns. In 2013 International Conference on Computer Sciences and Applications (pp. 345-349).
There are 16 citations in total.

Details

Primary Language Turkish
Subjects Engineering
Journal Section Articles
Authors

Murat Taşyürek This is me 0000-0001-5623-8577

Mete Çelik 0000-0002-1488-1502

Publication Date April 1, 2020
Published in Issue Year 2020

Cite

APA Taşyürek, M., & Çelik, M. (2020). Akıllı Durak Sistemindeki Araç Seyahat Sürelerinin Birleşik Yapay Sinir Ağları Kullanarak Tahmini. Avrupa Bilim Ve Teknoloji Dergisi72-79. https://doi.org/10.31590/ejosat.araconf10