Development of Delay Models with a Deep Learning Approach For Adaptive Signalized Intersections

Year 2021, Volume: 13 Issue: 2, 390 - 405, 18.06.2021

Berk Bayrakdar Erdem Doğan

https://doi.org/10.29137/umagd.843300

Cited By: 1

Abstract

Signalized intersection management systems have become more efficient with the help of developments in communication and detector systems. Especially, Adaptive Signal Management Systems (ASMS) is planned intersections to adapt to variable traffic parameters. However, previous approaches developed to measure the efficiency of signalized intersections are not compatible with the continuous change of control parameters such as cycle length and phase plans. In this study, a delay estimation model (DÖM) has been developed for intersections managed with ASMS using the deep learning approach. The efficiency of the DÖM has been analyzed by comparing the performances with artificial neural network (ANN) models and analytical models. In addition, DÖM and ANN models were trained with different input variables and their performances were investigated. The data used for modeling were collected from the intersection managed by ASMS in Kırıkkale province by making observations. These observations were made according to vehicle types and delay observations of 6331 vehicles in a total of 487 cycles were made. Analysis results showed that the DÖM model predicts the actual delays with error percentages approximately 2 times lower than the ANN model, and approximately 5 times lower than the analytical models. This study revealed that DÖM is an effective performance measurement model for signalized intersections operating with variable timing.

Keywords

Delay, HCM, Australia, ANN, Deep Learning

Adaptif Sinyalize Kavşaklar İçin Derin Öğrenme Yaklaşımı ile Gecikme Modelleri Geliştirilmesi

Abstract

Sinyalize kavşak yönetim sistemleri, haberleşme ve detektör sistemlerindeki gelişmeler sayesinde daha verimli hale gelmiştir. Özellikle Adaptif Sinyal Yönetim Sistemleri (ASYS), kavşakları değişken trafik parametrelerine uyum sağlayacak biçimde planlanmaktadır. Fakat, sinyalize kavşakların etkinliğinin ölçülmesi için geliştirilen geçmiş yaklaşımlar, devre süresi, faz düzeni gibi, denetim parametrelerinin sürekli değişimine uyumlu değildir. Bu çalışmada, derin öğrenme yaklaşımı kullanılarak ASYS ile yönetilen kavşaklar için bir gecikme tahmin modeli (DÖM) geliştirilmiştir. Performanslar yapay sinir ağı (YSA) modelleri ve analitik modellerle karşılaştırılarak DÖM'ün verimliliği analiz edilmiştir. Ayrıca, DÖM ve YSA modelleri, farklı girdi değişkenleri ile eğitilerek performansları araştırılmıştır. Modellemeler için kullanılan veriler Kırıkkale ili sınırları içindeki ASYS' leyle yönetilen kavşaktan, gözlemler yapılarak toplandı. Bu gözlemler araç türlerine göre yapılmış ve toplam 487 adet devrede 6331 adet taşıtın gecikme gözlemi gerçekleştirilmiştir. Analiz sonuçları, DÖM modelinin, gerçek değerleri YSA modelinden yaklaşık 2 kat, analitik modellerden yaklaşık 5 kat daha düşük hata yüzdeleri ile tahmin ettiğini göstermiştir. Bu çalışma, derin öğrenme yaklaşımının, değişken zamanlama ile çalışan sinyalize kavşaklar için etkin bir performans ölçüm modeli olduğunu ortaya koymuştur.

Keywords

Gecikme, HCM, Avustralya, Yapay Sinir Ağları, Derin Öğrenme

References

• Akbaş, A., Kent İçi Ulaşımında Ana Arterlerdeki Ulaşım Performansının Simülasyon Tabanlı Olarak Değerlendirilmesi. http://www.imo.org.tr/resimler/ekutuphane/pdf/12065.pdf (Erişim tarihi:31.10.2020)
• Akbaş, E. (2018). Derin Yapay Sinir Ağları ve Derin Öğrenme’ye Kısa Bir Giriş. Bilgisayar Mühendisleri Odası Semineri, Ankara.
• Akgüngör, A.P. (2004). Sinyalize Kavşaklarda Gecikme Tahmininin Matematiksel Modellenmesi: Farklı Çözümleme Süreleri için Zamana Bağlı Yeni Bir Gecikme Modeli. Teknoloji, Cilt 7, (2004), Sayı 3, s.369-379.
• Andronov, R., Leverents, E. (2018). Calculation of Vehicle Delay at Signal Controlled Intersections with Adaptive Traffic Control Algorithm. MATEC Web of Conferences 143, 04008 (2018), https://doi.org/10.1051/matecconf/201814304008.
• Anguita, D., Ghelardoni, L., Ghio, Allesandro, Oneto, L., Ridella, S. (2012). The ‘K’ in K-fold Cross Validation. ESANN 2012 proceedings, European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning. Bruges, Belgium. i6doc.com publ., ISBN 978-2-87419-049-0. Available from http://www.i6doc.com/en/livre/?GCOI=28001100967420.2012.
• Arı, A., Berberler, M.E. (2017). Yapay Sinir Ağları ile Tahmin ve Sınıflandırma Problemlerinin Çözümü için Arayüz Tasarımı. Acta Infologica – 2017 – 1 (2), Istanbul University Press, Aralık 2017, İstanbul, ISSN: 2602-3563.
• Atalay, A. (2004). Sinyalize Kavşaklardaki Gecikme Tahmininde Yapay Zeka Yöntemi İle Farklı Yöntemlerin Karşılaştırılması. Yüksek Lisans Tezi. Atatürk Üniversitesi, Erzurum.
• Bağdatlı, M.,E.,C. (2020). Vehicle Delay Modeling at Signalized Intersections with Gene-Expression Programming. Journal of Transportation Engineering, Part A: Systems, 2020, 146 (9): 04020107.
• Başkan, Ö. (2004). İzole Sinyalize Kavşaklardaki Ortalama Taşıt Gecikmelerinin Yapay Sinir Ağları ile Modellenmesi. Yüksek Lisans Tezi. Pamukkale Üniversitesi, Denizli.
• Bloomberg, L., Dale, J. (2000). A Comparison of the VISSIM and CORSIM Traffic Simulation Models, Institute of Transportation Engineers Annual Meeting.
• Çarkacı, N. (2018). Derin öğrenme uygulamalarında en sık kullanılan hiper parameteler. https://medium.com/deep-learning-turkiye/derin-ogrenme-uygulamalarinda-en-sik-kullanilanhiper-parametreler-ece8e9125c4. (Erişim tarihi: 31.10.2020)
• Çavuşlu, M.A., Becerikli, Y., Karakuzu, C. (2012). Levenberg-Marquardt Algoritması ile YSA Eğitiminin Donanımsal Gerçeklenmesi. Dergi Park, Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, Archive, Volume 5, Issue 1.
• Ding, Z. (2007). A Static Traffic Assignment Model Combined with an Artificial Neural Network Delay Model. Ph.D. thesis. Florida International University, Miami, Florida.
• Doğan, E., Akgüngör, A.P., Arslan, T. (2016). Estimation of Delay and Vehicle Stops at Signalized Intersections Using Artificial Neural Network. Engineering Review, Vol. 36, Issue 2, 157-165.
• Doğan, F., Türkoğlu, İ. (2018). Derin Öğrenme Modelleri ve Uygulama Alanlarına İlişkin Bir Derleme. DÜMF Mühendislik Dergisi 10:2 (2019): 409-445.
• Esen, M.F., Timor, M. (2019). Çok Değişkenli Aykırı Değer Tespiti için Klasik ve Dayanıklı Mahalanobis Uzaklık Ölçütleri: Finansal Veri ile Bir Uygulama. Uluslararası İktisadi ve İdari İncelemeler Dergisi UİİİD-IJEAS, 2019 (25):267-282 ISSN 1307-9832.
• Garshasebi, B. (2018). Machine Learning Based Vehicle Delay Prediction at Signalized Intersections. M.Sc. thesis. University of Illinois at Urbana-Champaign, Urbana, Illinois.
• Hasiloğlu, A.S., Gökdağ, M., Karslı, N. (2014). Comparison an artificial intelligence-based model and other models signalized intersection delay estimates. International Journal of Engineering and Innovative Technology (IJEIT) Volume 4, Issue 3.
• https://www.aimsun.com/aimsun-next/ (Erişim tarihi:31.10.2020)
• https://machinelearningmastery.com/what-is-deep-learning/, Slide by Andrew Ng, (Erişim tarihi:31.10.2020)
• https://www.mathworks.com/help/deeplearning/ref/trainingoptions.html (Erişim tarihi:31.10.2020)
• Kim, P. (2017). MatLab Deep Learning with Machine Learning, Neural Networks and Artificial Intelligence. Apress, Seoul, Korea.
• Korkmaz, E. (2016). Yapay Zeka Teknikleri Kullanılarak Sinyalize Kavşaklarda Gecikme Modelleri. Yüksek Lisans Tezi. Kırıkkale Üniversitesi, Kırıkkale.
• Masouleh, A.S. (2017). Adaptive Traffic Signal Optimization Using Bluetooth Data. Ph.D. thesis. University of Waterloo, Ontario, Canada.
• Murat, Y.Ş. (2006). Sinyalize Kavşaklardaki Taşıt Gecikmelerinin Bulanık Mantık ile Modellenmesi. İMO Teknik Dergi, 2006 3903 -3916, Yazı 258.
• Murat, Y.Ş. (2006). Comparison of Fuzzy Logic and Artificial Neural Networks Approaches in Vehicle Delay Modeling. Transportation Research Part C 14 (2006) 316–334.
• Mutlu, E., Yavuz, M.E. (2008). Bulanık Mantık ve Yapay Sinir Ağı ile Sinyalize Kavşaklardaki Taşıt Gecikmelerinin Modellenmesi. Electronic Letters on Science & Engineering, vol. 4(2), pg. 11-18. www.e-lse.org
• Ocakdan, S. (2010). Arterlerin Yeniden Yapılandırılmasında Simülasyon Tekniği ile Karar Verme ve Bir Kavşak Uygulaması. Yüksek Lisans Tezi. İstanbul Teknik Üniversitesi, İstanbul.
• Özdağ, M.E. (2019). Derin Öğrenme Teknikleri Kullanılarak Anayol Trafik Analizi. Yüksek Lisans Tezi. Karabük Üniversitesi, Karabük.
• Öztemel, E. (2006).Yapay Sinir Ağları. Papatya Yayıncılık, İstanbul.
• Preethi, P., Aby, V., Ashalatha, R. (2016). Modelling Delay at Signalized Intersections Under Heterogeneous Traffic Conditions. Transportation Research Procedia 17 ( 2016 ) 529 – 538.
• Qiao, F., Yı, P., Yang, H., Devarokonda, S. (2002). Fuzzy Logic Based Intersection Delay Estimation. Pergamon Mathematical and Computer Modelling 36 (2002) 1425-1434, www.elsevier.com/locate/mcm.
• Roess, P.R., Prassas, S.E., McShane, R.W. (2011). Traffic Engineering, Fourth Edition, Pearson Higher Education Inc, USA.
• Siregar, S.P., Wanto, A. (2017). Analysis Accuracy of Artificial Neural Network Using Backpropagation Algorithm In Predicting Process (Forecasting). International Journal Of Information System & Technology Vol. 1, No. 1, (2017), pp. 34-42.
• Şeker, A., Diri, B., Balık, H.H. (2017). Derin Öğrenme Yöntemleri ve Uygulamaları Hakkında Bir İnceleme. Gazi Mühendislik Bilimleri Dergisi 2017, 3(3): 47-64, Gazi Akademi Yayıncılık, Ankara.
• Tektaş, M., Akbaş, A., Topuz, V. (2002). Yapay Zeka Tekniklerinin Trafik Kontrolünde Kullanılması Üzerine Bir İnceleme. Uluslararası Trafik ve Yol Güvenliği Kongresi ve Fuarı, Ankara. http://kadirgurbetci.com.tr/yonetim/dosya/0444e4fab9hnk.pdf (Erişim tarihi:31.10.2020)
• Transportation Research Board (2000). National Research Council, Highway Capacity Manual, Transportation Research Board Publications,Washington DC.
• Webster, F. (1958). Traffic Signal Settings. HMSO, London.
• Yiğit, R.N. (2019). Kısa Zamanlı Trafik Tahmini ile Devre Süresi Optimizasyonu ve Gecikme Analizi. Yüksek Lisans Tezi. Pamukkale Üniversitesi, Denizli.