Topluluk Tespiti Yöntemi ile Ulaşım Ağında Verimli Yeşil Dalga Koridorlarının Belirlenmesi

Year 2024, , 35 - 45, 29.02.2024

Furkan Öztemiz , Ali Karci

https://doi.org/10.2339/politeknik.1074962

Abstract

Sinyalizasyon sistemleri kent içi ulaşım ağlarının yönetilmesinde önemli bir rol oynamaktadır. Sinyalizasyon sistemlerinin optimize edilmesi ulaşım ağlarındaki trafik yoğunluklarını önemli derece azaltmaktadır. Sinyalizasyon sisteminin verimliliğini artırmak için uygulanan popüler yöntemlerden birisi sinyalizasyon sistemlerinin koordineli olarak çalışması anlamına gelen yeşil dalga uygulamasıdır. Yeşil dalga sistemi taşıtların ard arda kırmızı ışığa yakalanmalarını engelleyerek ulaşım süresini, yollardaki bekleme süresini ve araçların karbon salınımını azaltmaktadır. Bu noktada ortaya çıkacak olan problem ise yeşil dalga sisteminin hangi kavşak noktaları üzerinde uygulanacağıdır. Bu çalışmada Malatya kentine ait araç sayım ve sinyalizasyon verileri kullanılmış ve ulaşım ağı verileri ağırlıklı çizgeye dönüştürülmüştür. Ulaşım ağına walktrap topluluk tespiti algoritması uygulanarak kavşak noktaları, üzerindeki araç geçiş benzerliklerine göre gruplandırılmıştır. Belirlenen 2 farklı grup içerisindeki kavşak noktaları için yeşil dalga sistemine geçirilerek fiziki olarak sahada uygulanmıştır. Elde edilen sonuçlar yeşil dalga uygulanan bölgelerde birim zamanda geçen araç sayısında önemli artışlar olduğu göstermektedir. Bu durum kırmızı ışıkta bekleyen taşıt sayısındaki azalma ve duran araçların atmosfere yaydıkları karbon salınımında önemli azalmalar meydana getirmiştir.  

Keywords

Yeşil dalga, Topluluk Tespiti Algoritmaları, Walktrap Algoritması, Sinyalizasyon sistemleri, Ulaşım Ağı

Thanks

Bu çalışmanın gerçekleştirilmesinde sinyalizasyon ve araç sayım verileri ile katkı sağlayan Malatya Büyükşehir Belediyesi Ulaşım Hizmetleri Dairesi Başkanlığına teşekkür ederiz.

Determination of Efficient Green Wave Corridors in The Transportation Network with The Community Detection Method

Abstract

Signaling systems play an important role in managing urban transport networks. Optimizing signaling systems significantly reduces traffic density in transport networks. One of the popular methods applied to increase the efficiency of the signaling system is the green wave application, which means the coordinated operation of the signaling systems. The green wave system prevents vehicles from being repeatedly caught in red light, reducing travel time, waiting time on the roads and carbon emissions of vehicles. The problem that will arise at this point is on which intersection points the green wave system will be applied. In this study, vehicle counting and signaling data of the city of Malatya were used and the transportation network data was converted into a weighted graph. By applying the walktrap community detection algorithm to the transportation network, the intersection points are grouped according to the vehicle transition similarities on them. It was applied to the green wave system physically for the intersection points in 2 different groups determined. The results show that there are significant increases in the number of vehicles passing per unit time in the regions where green waves are applied. This situation has resulted in a decrease in the number of vehicles waiting at red lights and significant reductions in carbon emissions from stationary vehicles into the atmosphere.

Keywords

Green Wave, Community Detection Algorithms, Walktrap Algorithms, Signaling Systems, Transportation Network

References

• [1] Çakıcı, Z. & Murat, Y. S. “Sinyalize Dönel Kavşaklarda Diferansiyel Gelişim Algoritması ile Sinyal Süre Optimizasyonu”, El-Cezeri, 8 (2): 635-651, (2021).
• [2] Şengül, R. & Yüksel Altıntaş, H., “Akıllı Kentin Bir Bileşeni Olarak Akıllı Ulaşım Uygulamalarının İncelenmesi: Kocaeli Büyükşehir Belediyesi Örneği”, Uluslararası Kültürel ve Sosyal Araştırmalar Dergisi (UKSAD), 6 (2): 487-502, (2020).
• [3] Bloder, E.; Jäger, G., “Is the Green Wave Really Green? The Risks of Rebound Effects When Implementing “Green” Policies”, Sustainability, 13, 5411, (2021).
• [4] Pamuk, N. “Trafik Sinyalizasyon Sisteminde Akıllı Kavşak Kontrolü”, Avrupa Bilim ve Teknoloji Dergisi, (28), 312-319, (2021).
• [5] Ö. Kart, O. Ç. Genç ve F. Basciftci, "Speed Compatible Green Wave Corridor with The Internet of Things", Avrupa Bilim ve Teknoloji Dergisi,28,411-416, Kas. (2021).
• [6] Ye Hong & Yao Yao, “Hierarchical community detection and functional area identification with OSM roads and complex graph theory”, International Journal of Geographical Information Science, 33(8):1569-1587, (2019).
• [7] Kiers, Martijn & Visser, Chris. “The effect of a green wave on traffic emissions.”, 10. Internationale Energiewirtschaftstagung an der TU Wien IEWT, (2017).
• [8] Sebastian Wandelt, Xing Shi, Xiaoqian Sun, “Estimation and improvement of transportation network robustness by exploiting communities”, Reliability Engineering & System Safety, 206,107307, (2021).
• [9] Chen, Cheng & Ai, Yunfeng & Zhu, Fenghua. “Network zoning based on community detection for urban traffic control.”, IEEE Conference on Intelligent Transportation Systems, Proceedings, ITSC. 1894-1899, (2012).
• [10] L. Chen and C. Chang, "Cooperative Traffic Control With Green Wave Coordination for Multiple Intersections Based on the Internet of Vehicles," IEEE Transactions on Systems, Man, and Cybernetics: Systems, 47(7):1321-1335, July (2017).
• [11] Niu, Dening & Sun, Jian. “Eco-Driving Versus Green Wave Speed Guidance for Signalized Highway Traffic: A Multi-Vehicle Driving Simulator Study”, Procedia - Social and Behavioral Sciences, 96, 1079-1090. (2013).
• [12] Wu, Xiaoping & Deng, Shuai & Du, Xiaohong & Ma, Jing. “Green-Wave Traffic Theory Optimization and Analysis”, World Journal of Engineering and Technology, 02, 14-19, (2014).
• [13] L. Huang, Y. Yang, H. Gao, X. Zhao and Z. Du, "Comparing Community Detection Algorithms in Transport Networks via Points of Interest," in IEEE Access, 6,29729-29738, (2018).
• [14] Cao C., Cui F., Guo G.,”Two-direction Wave Control Signal Based on Particle Swarm Optimization”, Applied Mechanic and Materials, 26-28, 507-5011, (2010).
• [15] Uçkan, T. , Hark, C. & Karci, A. “SSC: Clustering Of Turkish Texts By Spectral Graph Partitioning” . Politeknik Dergisi, 24 (4): 1433-1444 , (2021).
• [16] Bilgin, T. & Oğuz, M. “A New Approach to Minimize Memory Requirements of Frequent Subgraph Mining Algorithms” . Politeknik Dergisi, 24 (1):237-246, (2021).
• [17] Özinal, Y. & Uz, V., “Dönel Kavşak Geometrik Elemanlarının Kavşak Güvenliği Üzerine Etkisinin Literatür Işığında Değerlendirilmesi”, Politeknik Dergisi, 24 (1):283-297, (2021).
• [18] Öztemiz, F. & Karci, A., “Malatya İli ulaşım ağı kavşak noktalarının merkezlilik analizi”, Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 37 (1):511-528, (2021).
• [19] Öztemiz, F. & Karci, A., “Bağlı Graflarda Etkili Düğümlerin Belirlenmesinde Yeni Bir Yaklaşım”, Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, 24 (70):143-155, (2022).
• [20] Harenberg, S., Bello, G., Gjeltema, L., Ranshous, S., Harlalka, J., Seay, R., Padmanabhan, K. and Samatova, N., “Community detection in large-scale networks: a survey and empirical evaluation”. WIREs Comput Stat, 6: 426-439, (2014).
• [21] Fortunato S., “Community detection in graphs”, Physics Reports, 486(3-5):75-174, (2010).
• [22] Natalie R. Smith, Paul N. Zivich, Leah M. Frerichs, James Moody, Allison E. Aiello, “A Guide for Choosing Community Detection Algorithms in Social Network Studies: The Question Alignment Approach”, American Journal of Preventive Medicine, 59(4): 597-605, (2020).
• [23] CommunityDetection, https://towardsdatascience.com/community-detection-algorithms-9bd8951e7dae, Erişim Tarihi: 16.02.2022.
• [24] Gates Kathleen M., Henry Teague, Steinley Doug, Fair Damien A., "A Monte Carlo Evaluation of Weighted Community Detection Algorithms", JOURNAL=Frontiers in Neuroinformatics, 10, (2016).
• [25] Hoffman M, Steinley D, Gates KM, Prinstein MJ, Brusco MJ. “Detecting Clusters/Communities in Social Networks”, Multivariate Behav Res., 53 (1) : 57-73 (2018).