Abstract

Today, with the rapid advancement of technology, artificial intelligence has become an indispensable part of ourlives. Artificial intelligence can be described as a method of predicting computer or computer-controlled activities like human or intelligent creatures. Artificial intelligence are frequently used in many application areas such as health, education, security and robotics. One of the important uses of artificial intelligence is traffic signaling systems used for the controlled and safe passage of vehicles. Traffic signaling generally works on fixed time basis at intersections with heavy traffic, regardless of the traffic density. Thus, fixed time traffic signaling systems are not preferred much today. The waiting time in smart-traffic signaling systems depends on the number of vehicles and the transit time of the vehicles. The study, video footage of the vehicles at the Otogar intersection, which is one of the intersections with heavy traffic, was taken from the Directorate of Transport and Traffic Services in Isparta. Image processing and ARIMA deep-learning method were applied on the captured images. With the ARIMA deep-learning method, the number of time-dependent vehicles and the R2 of vehicle transit times were evaluated according to the performance evaluation criteria and accuracy rate of 82% and 89% was obtained.

Keywords

• DETERMINATION OF VEHICLE NUMBER AND VEHICLE TRANSIT TIME FOR A SAMPLE INTERSECTION IN ISPARTA PROVINCE USING ARIMA ARTIFICIAL INTELLIGENCE

ARIMA YAPAY ZEKA YÖNTEMİ KULLANILARAK ISPARTA İLİNDEKİ ÖRNEK BİR KAVŞAK İÇİN ARAÇ SAYISI VE ARAÇ GEÇİŞ SÜRELERİNİN TESPİTİ

Abstract

Günümüzde teknolojinin hızla ilerlemesi ile birlikte yapay zeka hayatımızın vazgeçilmez bir parçası haline gelmiştir. Yapay zeka, bilgisayar ya da bilgisayar ile kontrol edilen faaliyetlerin insan ya da zeki canlılar gibi tahmin edebilme yöntemi olarak tanımlanabilmektedir. Yapay zeka, sağlık, eğitim, güvenlik, robotic gibi birçok uygulama alanında sıklıkla kullanılmaktadır. Yapay zekanın önemli kullanım alanlarından birisi de araçların kontrollü ve güvenli bir biçimde geçişleri için kullanılan trafik sinyalizasyon sistemleridir. Trafik sinyalizasyonu genellikle trafiğin yoğun olduğu kavşaklarda trafiğin yoğunluğuna bakmaksızın sabit süre bazlı çalışmaktadır. Bu nedenle sabit süreli trafik sinyalizasyon sistemleri günümüzde çok tercih edilmemektedir. Akıllı trafik sinyalizasyon sistemlerinde bekleme süresi ise araç sayısı ve araçların geçiş sürelerine bağlıdır. Çalışmada Isparta ilinde bulunan Ulaştırma ve Trafik Hizmetleri Müdürlüğü’nden özellikle trafiğin yoğun olduğu kavşaklardan birisi olan Otogar kavşağındaki araçlara ait video görüntüleri alınmıştır. Alınan görüntüler üzerinde görüntü işleme ve ARIMA derin öğrenme yöntemi uygulanmıştır. ARIMA derin öğrenme yöntemi ile zamana bağlı araç sayısı ve araç geçiş süreleri R2 performans değerlendirme ölçütüne göre değerlendirilerek %82 ve %89 doğruluk oranı elde edilmiştir.

Keywords

• Görüntü işleme
• Derin Öğrenme
• ARIMA

References

1. Amato, G., Carrara, F., Falchi, F., Gennaro, C., Meghini, C., & Vairo, C., 2017. Deep learning for decentralized parking lot occupancy detection. Expert Systems with Applications, 72, 327–334. https://doi.org/10.1016/j.eswa.2016.10.055
2. Albatish, I. M., Abu-Naser, S. S., 2019. Modeling and Controlling Smart Traffic Light System Using a Rule Based System. In 2019 International Conference on Promi-sing Electronic Technologies (ICPET) (pp. 55-60). IEEE.
3. Atalay, A., Tortum, A., Gökdağ, M., 2012. Türkiye'de 1977-2006 Yılları Arasında Meydana Gelen Aylık Trafik Kazalarının Zamansal Analizi. Pamukkale University Journal of Engineering Sciences, 18(3).
4. Aydin, E., & Yüksel, S. E., 2017. Buried target detection with ground penetrating radar using deep learning method. In 2017 25th Signal Processing and Communications Applications Conference (SIU) (pp. 1-4). IEEE.
5. Bahadır, M., & Saraçlı, S., 2010. Isparta’da Arıma Modeline Göre Sentetik İklim Verilerinin Analizi. Nature Sciences, 5(3), 163-177.
6. Barbedo, J. G. A., 2018. Impact of dataset size and variety on the effectiveness of deep learning and transfer learning for plant disease classification. Computers and electronics in agriculture, 153, 46-53.
7. Başkan, Ö., 2004. İzole sinyalize kavşaklardaki ortalama taşıt gecikmelerinin yapay sinir ağları ile modellenmesi (Master's thesis, Pamukkale Üniversitesi Fen Bilimleri Enstitüsü).
8. Çakıcı, Z. 2020. Si̇nyali̇ze kavşaklar i̇çi̇n opti̇mi̇zasyon tabanlı trafi̇k yöneti̇m modeli̇.

9. Çakır, A., Çalış, H., Dandıl, E., 2009. PLC Tabanlı Dinamik Trafik Sinyalizasyon ve Araç Hız Ölçüm Sistemi. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 13(1), 101-107.
10. Calp, M. H., 2019. İşletmeler için personel yemek talep miktarının yapay sinir ağları kullanılarak tahmin edilmesi. Politeknik dergisi, 22(3), 675-686.
11. Doğan, T., Sert, E., Taşkın, D., 2013. Araç Destek Sistemleri Đçin Kuş Bakışı Görüntü Dönüşümü.
12. Doğan, Y., Ataş, M., Özdemir, C., 2014. Izgara Tabanlı Görüntü Dosyalarının Çizilmesi İçin Yeni Bir Yaklaşım.
13. Duru, Ö., 2007. Zaman Serileri Analizinde Arıma Modelleri Ve Bir Uygulama. İstanbul Üniversitesi / Sosyal Bilimler Enstitüsü / Ekonomi Bölümü / Ekonometri Anabilim Dalı / Ekonomi-Maliye Bilim Dalı
14. Erdem, O. A., 2007. Kavşak Trafik Sinyalizasyon Sistemi İçin Bulanik Mantik Tabanligerçek Zamanli Denetleyici Tasarimi ve Uygulamasi. Engineering Sciences, 2(4), 241-255.
15. Frank, A., Al Aamri, Y. S. K., Zayegh, A. 2019. IoT based smart traffic density control using image processing. In 2019 4th MEC International Conference on Big Data and Smart City (ICBDSC) (pp. 1-4). IEEE.
16. Gençosman, B. Ç., 2017. Journal of Current Researches on Engineering, Science and Technology (JoCREST). Science and Technology, 3.
17. Güner, E., 2016. Lazer ışını ile işaretlenen hareketli cisimleri hedefe kitlenerek izleyen sistem (Master's thesis, Başkent Üniversitesi Fen Bilimleri Enstitüsü).
18. İpek, S. U. C. U., Ataman, E., 2020. Dijital Evrenin Yeni Dünyası Olarak Yapay Zeka Ve Her Filmi Üzerine Bir Çalışma. Yeni Medya Elektronik Dergisi, 4(1), 40-52.
19. Javaid, S., Sufian, A., Pervaiz, S., Tanveer, M. 2018. Smart traffic management sys-tem using Internet of Things. In 2018 20th International Conference on Advanced Communication Technology (ICACT) (pp. 393-398). IEEE.].
20. Karaköse, M., Baygın, M., Aydın, İ., Sarımaden, A., Erhan, A., 2016. Endüstriyel Sistemlerde Arkaplan Çıkarımı Tabanlı Hareketli Nesne Tespiti ve Sayılması için Yeni Bir Yaklaşım. Muş Alparslan Üniversitesi Fen Bilimleri Dergisi, 4(2), 373-381.
21. Karasulu, B., 2013. Videolardaki Haraketli Nesnelerin Tespit Ve Takibi İçin Uyarlanabilir Arkaplan Çıkarımı Yaklaşımı Tabanlı Bir Sistem. Uludağ University Journal of The Faculty of Engineering, 18(1), 93-110.
22. Karhan, M., Oktay, M. O., Karhan, Z., Demir, H., 2011. Morfolojik görüntü işleme yöntemleri ile kayısılarda yaprak delen (çil) hastalığı sonucu oluşan lekelerin tespiti. In 6 th International Advanced Technologies Symposium (IATS’11), Elazığ, Türkiye (pp. 172-176).
23. Kaya, U., Yılmaz, A., Dikmen, Y., 2019. Sağlık Alanında Kullanılan Derin Öğrenme Yöntemleri. Avrupa Bilim ve Teknoloji Dergisi, (16), 792-808.
24. Keleş, A., 2018. Derin Öğrenme Ve Sağlık Alanındaki Uygulamaları. Electronic Turkish Studies, 13(21).
25. Keskin, S., 2018. Yalancı (Pseudo) R-Kare Ölçülerine Genel Bakış, Sağlık Bilimlerinde Güncel Akademik Çalışmalar, 11, 3-9.
26. Kös, M., 2015. Kentiçi Ulaşım Problemlerine Alternatif Entegre Bisiklet Ulaşımı Planlaması (Doctoral dissertation, Fen Bilimleri Enstitüsü).
27. Moralı, T., 2011. İMKB 100 endeksinin yapay sinir ağları ve Newton nümerik arama modelleri ile tahmini ve sonuçların karşılaştırılması (Master's thesis).
28. Nasip, Ö. F., & Zengin, K., 2018. Deep Learning Based Bacteria Classification. In 2018 2nd International Symposium on Multidisciplinary Studies and Innovative Technologies (ISMSIT) (pp. 1-5). IEEE.
29. Okumuş, F., Kocamaz, A. F., Özgür, M. E., 2015. Detection and counting of Oncorhynchus Mykiss spermatozoa. In 2015 23nd Signal Processing and Communications Applications Conference (SIU) (pp. 1805-1808). IEEE.
30. Özcan, M. O., Sert, E., Taşkın, D., & Taşkın, C., 2013. OpenCV ile Stereo Görüntülerden Derinlik Kestirimi. AkademikBilişim 2013.
31. Öztürk, N. B., 2006. Akıllı trafik sistemleri, Doctoral dissertation, Yüksek Lisans Tezi, Sakarya Üniversitesi Fen Bilimleri Enstitüsü, Sakarya.
32. Şeker, A., Diri, B., Balık, H. H., 2017. Derin öğrenme yöntemleri ve uygulamaları hakkında bir inceleme. Gazi Mühendislik Bilimleri Dergisi (GMBD), 3(3), 47-64.
33. Şimşir, F., Özkaynak, E., Ekmekçi, D., 2013. Kavşaklarda Trafik Sinyalizasyon Sisteminin Modellemesi ve Benzetimi. Akademik Bilişim.
34. Solak, A. O., 2013. Türkiye'nin toplam petrol talebi ve ulaştırma sektörü petrol talebinin arıma modeli ile tahmin edilmesi. Suleyman Demirel University Journal of Faculty of Economics & Administrative Sciences, 18(3).
35. Sönmez, C., 2005. Sinyalize kavşaklarda trafik akımının modellenmesi. Doctoral dissertation, Fen Bilimleri Enstitüsü.
36. Takma, Ç., Atıl, H., Aksakal, V., 2012. Çoklu doğrusal regresyon ve yapay sinir ağı modellerinin laktasyon süt verimlerine uyum yeteneklerinin karşılaştırılması. Kafkas Üniversitesi, Veterinerlik Fakültesi Dergisi, 18(6), 941-944.
37. Tanyıldızı, E., Okur, S., 2016. Retina Görüntülerindeki Kan Damarlarının Belirlenmesi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 28(2).
38. Tenekeci, M. E., Gümüşçü, A., Aslan, E., 2014. Görüntüden OpenCV ile Duygu Analizi. Akademik Bilişim, 5-7.
39. Topaloğlu, M., 2004. Matematiksel morfoloji ile imge bölütleme (Doctoral dissertation, Karadeniz Teknik Üniversitesi/Fen Bilimleri Enstitüsü).
40. Toraman, Ç., Koşan, A. M. A., 2020.Yurdal, M. O. Tıp Fakültesi Öğrencilerinin Bilişsel Esneklik Düzeyleri, Öğrenme Yaklaşımları ve Kullandıkları Öğrenme Stratejileri. Tıp Eğitimi Dünyası, 19(57), 76-97.
41. Tortum, A., Gözcü, O., Çodur, M. Y. 2014. Türkiye’de Hava Ulaşım Talebinin Arıma Modelleri ile Tahmin Edilmesi. Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 4(2), 39-54.
42. Türkçetin, A. Ö. Ü., Bayrakçı, H. C., Aksoy, B., 2019. Akciğer kanserinin tespit edilmesinde derin öğrenme algoritmalarının kullanılması. Isparta Uygulamalı Bilimler Üniversitesi / Lisansüstü Eğitim Enstitüsü / Mekatronik Mühendisliği Anabilim Dalı.
43. Ucal, M. Ş., 2006. Ekonometrik Model Seçim Kriterleri Üzerine Kısa Bır İnceleme. C.Ü. İktisadi ve İdari Bilimler Dergisi, 7(2), 41-57.
44. Utku, S. B., 2008. Sinyalize kavşaklarda yaya hareketliliğinin ve güvenliğinin irdelenmesi (Doctoral dissertation, DEÜ Fen Bilimleri Enstitüsü).
45. Vergil, H., Özkan, F., 2007. Döviz Kurları Öngörüsünde Parasal Model ve Arima Modelleri: Türkiye Örneği.
46. Wang, Y.M., Li Y., Zheng, J.B., 2010. ”A Camera Calibration Technique Based On OpenCV”, Information Sciences and Interaction Sciences (ICIS), 3rd International Conference, China, 403-406
47. Yavuz, S., Deveci, M., 2012. İstatiksel Normalizasyon Tekniklerinin Yapay Sinir Ağin Performansina Etkisi. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, (40), 167-187.
48. Yiğit, R. N., 2019. Kısa zamanlı trafik tahmini ile devre süresi optimizasyonu ve gecikme analizi. Master's thesis, Pamukkale Üniversitesi Fen Bilimleri Enstitüsü.
49. Yıldız, O., 2019. ‘Melanoma detection from dermoscopy images with deep learning methods: A comprehensive study. Journal of the Faculty of Engineering and Architecture of Gazi University, 34(4), 2241-2260.