Trafik Ağlarında Anomali Tespiti

Özlem Örnek; Seval Vatan; Serpil Sarıoğlu; Ahmet Yazıcı

doi:10.31796/ogummf.440285

TR EN

Trafik Ağlarında Anomali Tespiti

Öz

Trafik ağlarının gittikçe büyümesiyle beraber izlenmesi ve kontrolünün sağlanması da zorlaşmıştır. Bu izlemenin sağlanmasında da anomali tespiti çok önemli bir yere sahiptir. Trafik ağlarında anomali tespiti yaklaşımları ile olaylar erkenden tespit edilerek hızlı müdahale imkanı sağlanır. Bu ise zaman ve maliyet tasarrufu sağlar. Literatürde farklı alanlardaki problemler için anomali tespitinde sınıflandırma, kümeleme, istatistiksel vb. yaklaşımlar bulunmaktadır. Bu alanda destek vektör makineleri, bayes ağları, bulanık mantık, genetik algoritmalar vb. birçok yöntem anomali tespiti için kullanılmaktadır. Bu çalışmada karar ağacı algoritması ile trafik ağlarında anomali tespiti için bir yöntem önerilmiştir. Önerilen yöntem Britanya Kolumbiyası’na ait trafik veri seti kullanılarak test edilmiştir. Yapılan testlerde trafik ağındaki bazı anormal olayların önerilen yöntem ile tespit edilebileceği görülmüştür.

Anahtar Kelimeler

Anomali tespiti,karar ağaçları,sınıflandırma algoritmaları,trafik ağları

Kaynakça

Lazarevic, A., Banerjee, A., Chandola, V., Kumar, V., & Srivastava, J. (2008, September). Data mining for anomaly detection. In Tutorial at the European Conference on Principles and Practice of Knowledge Discovery in Databases.
Chandola, V., Banerjee, A., & Kumar, V. (2007). Anomaly detection: A survey. ACM computing surveys (CSUR), 41(3), 15.
British Columbia Ministry of Transportation and Infrastructure-Business Management Services. Historical DriveBC Events. https://catalogue.data.gov.bc.ca/dataset/historical-drivebc-events . Erişim Tarihi: Temmuz 2018.
Chen, S., & Wang, W. (2009). Decision tree learning for freeway automatic incident detection. Expert Systems with Applications, 36(2), 4101-4105.
Payne, H. J., & Tignor, S. C. (1978). Freeway incident-detection algorithms based on decision trees with states. Transportation Research Record, (682).
Lu, J., Liu, Q., Yuan, L., & Chen, S. (2014). Grafted Decision Tree for Freeway Incident Detection. In CICTP 2014: Safe, Smart, and Sustainable Multimodal Transportation Systems (pp. 467-477).
Jiang, G., Niu, S., Li, Q., Chang, A., & Jiang, H. (2010, March). Automated incident detection algorithms for urban expressway. In Advanced Computer Control (ICACC), 2010 2nd International Conference on (Vol. 3, pp. 70-74). IEEE.
Patel, N., & Upadhyay, S. (2012). Study of various decision tree pruning methods with their empirical comparison in WEKA. International journal of computer applications, 60(12).
Quinlan, J. R. (2014). C4. 5: programs for machine learning. Elsevier.
Lior, R. (2014). Data mining with decision trees: theory and applications (Vol. 81). World scientific.

Brijain, M., Patel, R., Kushik, M., & Rana, K. (2014). A survey on decision tree algorithm for classification.
Grąbczewski, K. (2014). Meta-learning in decision tree induction(Vol. 1). Springer International Publishing.
Sewaiwar, P., & Verma, K. K. (2015). Comparative study of various decision tree classification algorithm using WEKA. International Journal of Emerging Research in Management &Technology, 4, 2278-9359.
Drazin, S., & Montag, M. (2012). Decision tree analysis using weka. Machine Learning-Project II, University of Miami, 1-3.
Kaur, G., & Chhabra, A. (2014). Improved J48 classification algorithm for the prediction of diabetes. International Journal of Computer Applications, 98(22).
La-inchua, J., Chivapreecha, S., & Thajchayapong, S. (2013, May). A new system for traffic incident detection using fuzzy logic and majority voting. In Electrical Engineering/Electronics, Computer, Telecommunications and Information Technology (ECTI-CON), 2013 10th International Conference on (pp. 1-5). IEEE.
Liu, Q., Lu, J., Chen, S., & Zhao, K. (2014). Multiple Naïve bayes classifiers ensemble for traffic incident detection. Mathematical Problems in Engineering, 2014.
Chen, L., Cao, Y., & Ji, R. (2010, August). Automatic incident detection algorithm based on support vector machine. In Natural Computation (ICNC), 2010 Sixth International Conference on(Vol. 2, pp. 864-866). IEEE.
Raiyn, J., & Toledo, T. (2014). Real-time road traffic anomaly detection. Journal of Transportation Technologies, 4(03), 256.
Kinoshita, A., Takasu, A., & Adachi, J. (2014, October). Real-time traffic incident detection using probe-car data on the Tokyo Metropolitan Expressway. In Big Data (Big Data), 2014 IEEE International Conference on (pp. 43-45). IEEE.
Barria, J. A., & Thajchayapong, S. (2011). Detection and classification of traffic anomalies using microscopic traffic variables. IEEE Transactions on Intelligent Transportation Systems, 12(3), 695-704.
Hodge, V., & Austin, J. (2004). A survey of outlier detection methodologies. Artificial intelligence review, 22(2), 85-126.
Alpaydin, E. (2009). Introduction to machine learning. MIT press.
Witten, I. H., & Frank, E. (1999). Data mining: Practical machine learning tools and techniques with java implementations. San Francisco: Morgan Kaufmann Publishers. pp. 89–97, 125–127, 159–161.
Friedman J., Kohavi R., and Yun Y., (1996, August). Lazy decision trees, In Proceedings of the Thirteenth National Conference on Artificial Intelligence, pp. 717–724. Cambridge, MA: AAAI Press/MIT Press.

Ayrıntılar

Birincil Dil

Türkçe

Konular

Bilgisayar Yazılımı

Bölüm

Araştırma Makalesi

Yazarlar

Özlem Örnek ^*
0000-0002-8775-8695
Türkiye

Seval Vatan Bu kişi benim
0000-0002-1015-7445
Türkiye

Serpil Sarıoğlu Bu kişi benim
0000-0003-0702-1704
Türkiye

Ahmet Yazıcı
0000-0001-5589-2032
Türkiye

Yayımlanma Tarihi

30 Eylül 2018

Gönderilme Tarihi

3 Temmuz 2018

Kabul Tarihi

5 Kasım 2018

Yayımlandığı Sayı

Yıl 1970 Cilt: 26 Sayı: 3

DOI

https://doi.org/10.31796/ogummf.440285

IZ

https://izlik.org/JA46DN53TN

APA

Örnek, Ö., Vatan, S., Sarıoğlu, S., & Yazıcı, A. (2018). Trafik Ağlarında Anomali Tespiti. Eskişehir Osmangazi Üniversitesi Mühendislik ve Mimarlık Fakültesi Dergisi, 26(3), 132-138. https://doi.org/10.31796/ogummf.440285

AMA

1.Örnek Ö, Vatan S, Sarıoğlu S, Yazıcı A. Trafik Ağlarında Anomali Tespiti. ESOGÜ Müh Mim Fak Derg. 2018;26(3):132-138. doi:10.31796/ogummf.440285

Chicago

Örnek, Özlem, Seval Vatan, Serpil Sarıoğlu, ve Ahmet Yazıcı. 2018. “Trafik Ağlarında Anomali Tespiti”. Eskişehir Osmangazi Üniversitesi Mühendislik ve Mimarlık Fakültesi Dergisi 26 (3): 132-38. https://doi.org/10.31796/ogummf.440285.

EndNote

Örnek Ö, Vatan S, Sarıoğlu S, Yazıcı A (01 Eylül 2018) Trafik Ağlarında Anomali Tespiti. Eskişehir Osmangazi Üniversitesi Mühendislik ve Mimarlık Fakültesi Dergisi 26 3 132–138.

IEEE

[1]Ö. Örnek, S. Vatan, S. Sarıoğlu, ve A. Yazıcı, “Trafik Ağlarında Anomali Tespiti”, ESOGÜ Müh Mim Fak Derg, c. 26, sy 3, ss. 132–138, Eyl. 2018, doi: 10.31796/ogummf.440285.

ISNAD

Örnek, Özlem - Vatan, Seval - Sarıoğlu, Serpil - Yazıcı, Ahmet. “Trafik Ağlarında Anomali Tespiti”. Eskişehir Osmangazi Üniversitesi Mühendislik ve Mimarlık Fakültesi Dergisi 26/3 (01 Eylül 2018): 132-138. https://doi.org/10.31796/ogummf.440285.

JAMA

1.Örnek Ö, Vatan S, Sarıoğlu S, Yazıcı A. Trafik Ağlarında Anomali Tespiti. ESOGÜ Müh Mim Fak Derg. 2018;26:132–138.

MLA

Örnek, Özlem, vd. “Trafik Ağlarında Anomali Tespiti”. Eskişehir Osmangazi Üniversitesi Mühendislik ve Mimarlık Fakültesi Dergisi, c. 26, sy 3, Eylül 2018, ss. 132-8, doi:10.31796/ogummf.440285.

Vancouver

1.Özlem Örnek, Seval Vatan, Serpil Sarıoğlu, Ahmet Yazıcı. Trafik Ağlarında Anomali Tespiti. ESOGÜ Müh Mim Fak Derg. 01 Eylül 2018;26(3):132-8. doi:10.31796/ogummf.440285

Trafik Ağlarında Anomali Tespiti

Trafik Ağlarında Anomali Tespiti

Öz

Anahtar Kelimeler

Anomaly Detection in Traffic Networks

Abstract

Keywords

Kaynakça

Ayrıntılar

Birincil Dil

Konular

Bölüm

Yazarlar

Yayımlanma Tarihi

Gönderilme Tarihi

Kabul Tarihi

Yayımlandığı Sayı

DOI

IZ

Kaynak Göster

Cited By

AKILLI FABRİKALARDAKİ OTONOM TAŞIYICILAR İÇİN BULANIK MANTIK TABANLI ANOMALİ TESPİTİ

Nesnelerin interneti ortamlarında derin öğrenme ve makine öğrenmesi tabanlı anomali tespiti

On Anomaly Detection for Autonomous Transfer Vehicles in Smart Factories