A Hybrid Deep Learning Model for Traffic Flow Prediction

Yıl 2024, Cilt: 40 Sayı: 3, 518 - 527, 30.12.2024

Yavuz Canbay , Alper Talha Karadeniz

Öz

Urbanization has led to a rise in traffic issues, which not only result in economic losses but also cause to environmental degradation, posing a threat to the quality of life for city residents. Identifying traffic issues and mitigating traffic congestion proactively is of utmost significance. Traffic flow prediction is analyzing historical and current traffic data to predict future traffic conditions. Precise predictions enable people to make suitable choices regarding travel routes and transportation methods. This reduces the duration of trip and enhances the level of satisfaction with traffic conditions. Traditional traffic prediction methods rely on statistical techniques or simple time series analysis. However, these analyses suffer to capture the complex spatial and temporal dependencies in traffic data. Recent advancements in artificial intelligence have enabled to create complex and data-driven prediction models. This paper introduces a novel hybrid model for predicting traffic flow using deep learning techniques. The performance of the proposed model was evaluated against some baseline algorithms on a real-world dataset. Regression metrics such as Mean Absolute Error (MAE), Mean Square Error (MSE), R-Square (R²), and Root Mean Square Error (RMSE) were employed to compare the performances of the models. In the experiments, it has been seen that the proposed hybrid model outperformed other models, with 5.1834 MAE, 54.4060 MSE, 7.3760 RMSE and 0.9923 R2 values. The results emphasize the potential of deep learning methods in the domain of traffic prediction and offer direction for future investigations

Anahtar Kelimeler

traffic flow, prediction, deep learning

Trafik Akış Tahmini İçin Hibrit Bir Derin Öğrenme Modeli

Öz

Kentleşme, trafik sorunlarının artmasına yol açmış, bu durum yalnızca ekonomik kayıplara yol açmakla kalmayıp aynı zamanda çevresel bozulmaya da neden olarak kent sakinlerinin yaşam kalitesini tehdit etmektedir. Trafik sorunlarını tespit etmek ve trafik sıkışıklığını proaktif olarak azaltmak son derece önemlidir. Trafik akışı tahmini, gelecekteki trafik koşullarını tahmin etmek için geçmiş ve güncel trafik verilerini analiz ediyor. Kesin tahminler, insanların seyahat rotaları ve ulaşım yöntemleri konusunda uygun seçimler yapmasına olanak sağlar. Bu, yolculuk süresini azaltır ve trafik koşullarından memnuniyet düzeyini artırır. Geleneksel trafik tahmin yöntemleri istatistiksel tekniklere veya basit zaman serisi analizine dayanır. Ancak bu analizler, trafik verilerindeki karmaşık mekansal ve zamansal bağımlılıkları yakalama konusunda sıkıntı yaşamaktadır. Yapay zekadaki son gelişmeler, karmaşık ve veriye dayalı tahmin modellerinin oluşturulmasına olanak sağlamıştır. Bu makalede, derin öğrenme tekniklerini kullanarak trafik akışını tahmin etmek için yeni bir hibrit model önerilmektedir. Önerilen modelin performansı, gerçek dünya veri kümesindeki bazı temel algoritmalara göre değerlendirilmiş ve modellerin performanslarını karşılaştırmak için Ortalama Mutlak Hata (MAE), Ortalama Kare Hata (MSE), R-Kare (R²) ve Ortalama Karekök Hata (RMSE) gibi regresyon metrikleri kullanılmıştır. Yapılan deneylerde önerilen hibrit modelin 5,1834 MAE, 54,4060 MSE, 7,3760 RMSE ve 0,9923 R2 değerleriyle diğer modellerden daha iyi performans gösterdiği görülmüştür. Sonuçlar, trafik tahmini alanında derin öğrenme yöntemlerinin potansiyelini vurgulamakta ve gelecekteki araştırmalar için yol gösterici olduğunu göstermektedir.

Anahtar Kelimeler

trafik akışı, tahmin, derin öğrenme

Kaynakça

• [1] Kiper M., Dünyada ve Türkiye’de Üniversite-Sanayi İşbirliği ve Bu Kapsamda Üniversite-Sanayi Ortak Araştırma Merkezleri Programı (ÜSAMP), Türkiye Teknoloji Geliştirme Vakfı Yayını, Ankara, 2010.
• [2]Alkibay S., Orhaner E., Korkmaz S. Sertoğlu A.E., Üniversite sanayi işbirliği çerçevesinde teknokentler, yönetimsel sorunları ve çözüm önerileri, Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 26 (2), 65-90, 2012.
• [3] Kaygın E., Güven B., Girişimcilik: Temel Kavramlar, Girişimcilik Türleri, Girişimcilikte Güncel Konular, Siyahinci Akademi, İstanbul, 2015.
• [4] Wicaksono A., Ririh K.R., Understanding technological knowledge spillover in a science technology park ecosystem: An ethnographic study. Asian Journal of Technology Innovation, 30 (3), 559-580, 2021.
• [5] Erenler Y., Teknopark alanlarının fiziki planlama ilkelerinin irdelenmesi üzerine bir araştırma, Yüksek Lisans Tezi, Selçuk Üniversitesi, Fen Bilimleri Enstitüsü,Konya, 2007.
• [6] Eren M., Türkiye’nin teknolojik gelişmesinde teknokentler ve Ar-Ge desteği, Yüksek Lisans Tezi, Marmara Üniversitesi, Sosyal Bilimler Enstitüsü, İstanbul, 2011.
• [7] Nosonov A., Letkina N., Technoparks as centers of regional economic development, International Journal of Innovative Technology and Exploring Engineering, 8 (12), 4213-4218, 2019.
• [8] Cansız M., 2023'e Doğru Türkiye Teknoparkları, Kalkınma Bakanlığı Yayınları, Ankara, 2017.
• [9] T.C. Sanayi ve Teknoloji Bakanlığı, İstatistiki veriler. https://www.sanayi.gov.tr/istatistikler/istatistiki- bilgiler/mi0203011501. Yayın tarihi Temmuz 7, 2023. Erişim tarihi Nisan 10, 2023.
• [10] Baykul, H. (2015). Türkiye'deki Teknoloji Geliştirme Bölgeleri yönetici şirketlerinin etkinlik analizi (Doktora tezi). Süleyman Demirel Üniversitesi, Sosyal Bilimler Enstitüsü, İktisat Anabilim Dalı.
• [11] Demirel, O. (2015). TR42 Doğu Marmara Bölgesi teknokentlerinde bilişim işletmelerinin inovasyon süreç performansı (Yüksek lisans tezi). Düzce Üniversitesi, Sosyal Bilimler Enstitüsü, İşletme Anabilim Dalı.
• [12] Çakır, F. (2015). Borsa İstanbul’da kote olan teknoloji/bilişim şirketlerinin etkinlik analizi: Bulanık Veri Zarflama Analizi (BVZA) uygulaması (Yüksek lisans tezi). Karadeniz Teknik Üniversitesi, Sosyal Bilimler Enstitüsü, İşletme Anabilim Dalı, İşletme Bilim Dalı.
• [13] Karagöz, Ö. (2020). Türkiye'deki üniversitelerin etkinlik ölçümü ve performanslarının karşılaştırılması: Panel veri analizi (Doktora tezi). Dokuz Eylül Üniversitesi, Sosyal Bilimler Enstitüsü, Ekonometri Anabilim Dalı, Ekonometri Bilim Dalı.
• [14] Güzel, T., & Ünlü, H. (2024). Türkiye’deki Teknoloji Geliştirme Bölgelerinin Etkinliğinin İki Aşamalı Veri Zarflama Analizi ile Değerlendirilmesi. Politeknik Dergisi1-1. https://doi.org/10.2339/politeknik.1375638
• [15] Önal, M. (2023). TR42 Doğu Marmara Teknoloji Geliştirme Bölgesi performans analizi: CRITIC tabanlı WASPAS ve SAW uygulaması (Yüksek lisans tezi). Bolu Abant İzzet Baysal Üniversitesi, Lisansüstü Eğitim Enstitüsü, İşletme Anabilim Dalı, İşletme Bilim Dalı.
• [16] Batmantaş, H. (2024). Teknoparkların bölgesel kalkınma üzerindeki etkisinde kuruluş yeri ve yapısının düzenleyici rolü ile yenilik ve verimliliğin aracı rolü Bandırma Onyedi Eylül Üniversitesi / Sosyal Bilimler Enstitüsü / İşletme Ana Bilim Dalı / İşletme Bilim Dalı
• [17] Akal Yılmaz, D. (2022). Teknoloji geliştirme bölgeleri yönetici şirketlerinin işbirliği alternatiflerinin araştırılması: Bir karar verme modeli olarak bulanık AHP uygulaması (Yüksek lisans tezi). Ankara Yıldırım Beyazıt Üniversitesi, Sosyal Bilimler Enstitüsü, İşletme Yönetimi Bilim Dalı.
• [18] Çiftçi, F. (2017). Teknoloji transfer ofislerinin (TTO) performanslarının ölçülmesi: Türkiye örneği (Yüksek lisans tezi). Orta Doğu Teknik Üniversitesi, Sosyal Bilimler Enstitüsü, Bilim ve Teknoloji Politikası Çalışmaları Anabilim Dalı.
• [19] Bigliardi, B., Dormio, A. I., Nosella, A., & Petroni, G. (2006). "Assessing Science Parks’ Performance: A Assessing science parks' performances: directions from selected Italian case studies." Technovation, 26(4), 489-504.
• [20] Fukugava, N. (2006). "Science Parks in Japan and Their Value-Added Contributions to New Technology-Based Firms." International Journal of Industrial Organization, 24(2), 381-400.
• [21] Evaluation of national science park systems: a theoretical framework and its application to the Italian and Spanish systems A Albahari, G Catalano, P Landoni - Technology Analysis & Strategic Management, 2013
• [22] Sohn, S. Y., & Kim, Y. G. (2012). "Decision Tree Based Technology Credit Scoring for Start-Up Firms." Expert Systems with Applications, 39(7), 5992-5997.
• [23] Yu, A., Shi, Y., You, J., & Zhu, J. (2021). Innovation performance evaluation for high-tech companies using a dynamic network data envelopment analysis approach. European Journal of Operational Research, 292(1), 199- 212. https://doi.org/10.1016/j.ejor.2020.10.011
• [24] Cardoso da Silva, D. J., de Oliveira Gibbon, A. R., Teixeira, C. S., Piqué Huerta, J. M., Pereira da Veiga, C., & Flores, L. F. (2023). Defining indicators for performance evaluation in science and technology parks. IEEE Engineering Management Review, 51(3), 77-85.
• [25] Kharabsheh, R. (2012). Critical success factors of technology parks in Australia. International Journal of Economics and Finance, 4(7), 57-65. https://doi.org/10.5539/ijef.v4n7p57
• [26] Ng W.K.B., Appel-Meulenbroek R., Cloodt M., Arentze T., Perceptual measures of scienceparks: Tenant firms’ associations between science park attributes and benefits, Technological Forecasting and Social Change, 163, 120408, 2021.
• [27] Guadix J., Carillo-Castrillo J., Onieva L., Navascues J., Success variables in science and technology parks, Journal of Business Research, 69, 4870-4875, 2016.
• [28]https://www.oecd-ilibrary.org/docserver/9789264043466 en.pdf?expires=1719491758&id=id&accname=oid025921&checksum=A0F6FF8AABF9C7C2BCD02C45C99BEA7 B
• [29] Samira El Gibari & Trinidad Gómez & Francisco Ruiz, 2019. "Building composite indicators using multicriteria methods: a review," Journal of Business Economics, Springer, vol. 89(1), pages 1-24, February.
• [30] Wang, T.C., & Lee, H.D. (2009). Developing a fuzzy TOPSIS approach based on subjective weights and objective weights. Expert Systems with Applications, 36(5), 8980-8985.
• [31] Zavadskas, E. K., & Turskis, Z. (2010). "A new additive ratio assessment (ARAS) method in multicriteria decision-making". Technological and Economic Development of Economy
• [32] Hwang, C. L., & Yoon, K. (1981). "Multiple Attribute Decision Making: Methods and Applications". Springer.
• [33] Wu, W.W., & Lee, Y.T. (2007). Developing global managers' competencies using the fuzzy DEMATEL method. Expert Systems with Applications, 32(2), 499-507
• [34] Deng, H., Yeh, C. H., & Willis, R. J. (2000). "Inter-company comparison using modified TOPSIS with objective weights". Computers & Operations Research.
• [35] Wang, T.C., & Lee, H.D. (2009). Developing a fuzzy TOPSIS approach based on subjective weights and objective weights. Expert Systems with Applications, 36(5), 8980-8985.
• [36] Saaty, T.L. (2008). Decision making with the analytic hierarchy process. International Journal of Services Sciences, 1(1), 83-98.
• [37] Liberatore, M.J. & Nydick, R.L. (2008). The analytic hierarchy process in medical and health care decision making: A literature review. European Journal of Operational Research, 189(1), 194-207.
• [38] Yaralıoğlu, K, Performans Değerlendirmede Analitik Hiyerarşi Proses, DEÜ İktisadi ve İdari Bilimler Fakültesi Dergisi, Cilt 16, Sayı 1, 2001.
• [39] Aydın, Ö, Akçalı, E, Öznehir S, Ankara için optimal hastane yeri seçiminin analitik hiyerarşi süreci ile modellenmesi, Süleyman Demirel Üniversitesi İ.İ.B.F Dergisi C.14, s.2 s.69-86, 2009.
• [40] Zhu, J. & Fan, W. (2011). A methodology for evaluating enterprise mashup platforms based on DEMATEL and ANP. Expert Systems with Applications, 38(1), 1117-1126.
• [41] Wang, T.C. & Elhag, T.M.S. (2006). A fuzzy TOPSIS based approach for strategic alliance partner selection in the airline industry. Expert Systems with Applications, 30(4), 726-733.
• [42] W. H. Tsai, W. C. Chou and C. W. Lai, “An Effective Evaluation Model and Improvement Analysis for National Park Websites: A Case Study of Taiwan,” Tourism Management, Vol. 31, No. 6, 2010, pp. 936–952 doi:10.1016/j.tourman.2010.01.016
• [43] Yang, Z., Liu, P., Xu, X., & Xu, C. (2016). Multiobjective evaluation of midblock crosswalks on urban streets based on TOPSIS and entropy methods. Transportation Research Record: Journal of the Transportation Research Board, (2588), 1-8.
• [44] Holm, S., & Björk, J. (2003). A simple sequentially rejective multiple test procedure. Scandinavian Journal of Statistics, 6(2), 65-70.
• [45] Gibbons, J. D., & Chakraborti, S. (2011). Nonparametric Statistical Inference. CRC Press.