Araştırma Makalesi
BibTex RIS Kaynak Göster

D-200 Karayolu için Dönemsel ARIMA Yöntemi ile Kısa Dönemli Trafik Akım Tahmin Modellerinin Geliştirilmesi

Yıl 2018, , 390 - 400, 01.04.2018
https://doi.org/10.16984/saufenbilder.308997

Öz

 Günümüzde trafik kontrol
sistemlerinin verimli çalışabilmesi için kısa dönemli trafiğin tahmin edilmesi
gerekli olmaktadır. Bu çalışmada, Kırıkkale İl sınırlarındaki (D-200, E88) karayoluna
   ait kısa
dönemli trafik tahmin modellerinin geliştirilmesi için dönemsel otoregresif
bileşik hareketli ortalama (SARIMA) tekniği kullanılmıştır.. Modellemede
kullanılan veri seti, yolun 29+100 km’ sinde belirlenen kesiminde, yaklaşık 2
ay süre boyunca 15 dk.’ lık zaman dilimleri şeklinde yapılan sayımlardan her
bir şerit için ayrı olarak elde edilmiştir. Elde edilen trafik akımı verilerinin
%80’ i SARIMA modellerinin oluşturulması için, kalan kısmı ise modelin
tahminlerinin test edilmesi için kullanılmıştır. Farklı tiplerdeki SARIMA
modelleri iki şeritli karayolunun sağ ve sol şeritleri için oluşturulmuştur. Analizler
sonucunda SARIMA(1,0,1)(0,1,1)
672 her iki şerit için en düşük tahmin
hatalarını üretmiştir. Modellere ait R
2 değerleri ise sağ şerit için
0,92, sol şerit için 0,88 seviyelerinde olduğu hesaplanmıştır. Modellerin
yüksek R2 değerleri ve düşük hatalar üretmesi nedeniyle geliştirilen SARIMA
modellerinin Türkiye karayollarının kesintisiz akım koşullarını sağlayan yol
kesiminde Türkiye'de kullanılabileceğini anlaşılmıştır.

Kaynakça

  • M. S. Ahmed and A. R. Cook, “Analysıs of freeway traffıc tıme-serıes data by usıng box-jenkıns technıques.,” Transportation Research Record, no. 722. pp. 1–9, 1979.
  • W. H. K. Lam, Y. F. Tang, and M. Tam, “Comparison of Two Non-Parametric Models for Daily Traffic Forecasting in Hong Kong,” J. Forecast., vol. 192, pp. 173–192, 2006.
  • Y. Xie, Y. Zhang, and Z. Ye, “Short-term traffic volume forecasting using Kalman filter with discrete wavelet decomposition,” Comput. Civ. Infrastruct. Eng., vol. 22, no. 5, pp. 326–334, 2007.
  • J. Guo, B. M. Williams, and B. L. Smith, “Data Collection Time Intervals for Stochastic Short-Term Traffic Flow Forecasting,” Transp. Res. Rec. J. Transp. Res. Board, vol. 2024, no. 1, pp. 18–26, 2008.
  • S. Shekhar and B. M. Williams, “Adaptive Seasonal Time Series Models for Forecasting Short-Term Traffic Flow,” Transp. Res. Rec. J. Transp. Res. Board, vol. 2024, no. 1, pp. 116–125, 2008.
  • J.-B. Sheu, L. W. Lan, and Y.-S. Huang, “Short-term prediction of traffic dynamics with real-time recurrent learning algorithms,” Transportmetrica, vol. 5, no. 1, pp. 59–83, 2009.
  • T. Cheng, J. Haworth, and J. Wang, “Spatio-temporal autocorrelation of road network data,” J. Geogr. Syst., vol. 14, no. 4, pp. 389–413, 2012.
  • T. T. Tchrakian, B. Basu, and M. O’Mahony, “Real-time traffic flow forecasting using spectral analysis,” IEEE Trans. Intell. Transp. Syst., vol. 13, no. 2, pp. 519–526, 2012.
  • C. Chen, Y. Wang, L. Li, J. Hu, and Z. Zhang, “The retrieval of intra-day trend and its influence on traffic prediction,” Transp. Res. Part C Emerg. Technol., vol. 22, pp. 103–118, 2012.
  • H. Chang, Y. Lee, B. Yoon, and S. Baek, “Dynamic near-term traffic flow prediction: system-oriented approach based on past experiences,” IET Intell. Transp. Syst., vol. 6, no. 3, p. 292, 2012.
  • F. Guo, R. Krishnan, and J. Polak, “A computationally efficient two-stage method for short-term traffic prediction on urban roads,” Transp. Plan. Technol., vol. 36, no. 1, pp. 62–75, 2013.
  • E. I. Vlahogianni, M. G. Karlaftis, and J. C. Golias, “Short-term traffic forecasting: Where we are and where we’re going,” Transp. Res. Part C Emerg. Technol., Feb. 2014.
  • G. E. P. Box, G. M. Jenkins, G. C. Reinsel, and G. M. Ljung, Time series analysis: forecasting and control. John Wiley & Sons, 2015.
  • B. L. Smith, B. M. Williams, and R. Keith Oswald, “Comparison of parametric and nonparametric models for traffic flow forecasting,” Transp. Res. Part C Emerg. Technol., vol. 10, no. 4, pp. 303–321, 2002.
  • J. Pfanzagl, Parametric statistical theory. Walter de Gruyter, 1994.

Developing Short-Term Traffic Forecasting Models Using Seasonal ARIMA Method for D-200 Highway

Yıl 2018, , 390 - 400, 01.04.2018
https://doi.org/10.16984/saufenbilder.308997

Öz

Nowadays, forecasting short-term traffic is
necessary for traffic control systems to serve efficiently. In this study,
short-term traffic forecasting models were developed using seasonal
autoregressive integrated moving average (SARIMA) technique for the highway
(D-200, E88) in Kırıkkale border. The dataset for modeling were collected for
each lane with 15 min periods from the road section which is in 29+100 km on
the highway for two months. The 80% of data were utilized to develop SARIMA
models and the rest of the data were used for testing the models. As a result
of the analyses, SARIMA(1,0,1)(0,1,1)672 produced the lowest forecasting error
values for both lanes. The R2 values of the models were calculated about 92% for
right lane and 88% for left lane. The models generated high R2 values and low
errors, therefore developed SARIMA models can be used on uninterrupted road
sections in Turkish highways.

Kaynakça

  • M. S. Ahmed and A. R. Cook, “Analysıs of freeway traffıc tıme-serıes data by usıng box-jenkıns technıques.,” Transportation Research Record, no. 722. pp. 1–9, 1979.
  • W. H. K. Lam, Y. F. Tang, and M. Tam, “Comparison of Two Non-Parametric Models for Daily Traffic Forecasting in Hong Kong,” J. Forecast., vol. 192, pp. 173–192, 2006.
  • Y. Xie, Y. Zhang, and Z. Ye, “Short-term traffic volume forecasting using Kalman filter with discrete wavelet decomposition,” Comput. Civ. Infrastruct. Eng., vol. 22, no. 5, pp. 326–334, 2007.
  • J. Guo, B. M. Williams, and B. L. Smith, “Data Collection Time Intervals for Stochastic Short-Term Traffic Flow Forecasting,” Transp. Res. Rec. J. Transp. Res. Board, vol. 2024, no. 1, pp. 18–26, 2008.
  • S. Shekhar and B. M. Williams, “Adaptive Seasonal Time Series Models for Forecasting Short-Term Traffic Flow,” Transp. Res. Rec. J. Transp. Res. Board, vol. 2024, no. 1, pp. 116–125, 2008.
  • J.-B. Sheu, L. W. Lan, and Y.-S. Huang, “Short-term prediction of traffic dynamics with real-time recurrent learning algorithms,” Transportmetrica, vol. 5, no. 1, pp. 59–83, 2009.
  • T. Cheng, J. Haworth, and J. Wang, “Spatio-temporal autocorrelation of road network data,” J. Geogr. Syst., vol. 14, no. 4, pp. 389–413, 2012.
  • T. T. Tchrakian, B. Basu, and M. O’Mahony, “Real-time traffic flow forecasting using spectral analysis,” IEEE Trans. Intell. Transp. Syst., vol. 13, no. 2, pp. 519–526, 2012.
  • C. Chen, Y. Wang, L. Li, J. Hu, and Z. Zhang, “The retrieval of intra-day trend and its influence on traffic prediction,” Transp. Res. Part C Emerg. Technol., vol. 22, pp. 103–118, 2012.
  • H. Chang, Y. Lee, B. Yoon, and S. Baek, “Dynamic near-term traffic flow prediction: system-oriented approach based on past experiences,” IET Intell. Transp. Syst., vol. 6, no. 3, p. 292, 2012.
  • F. Guo, R. Krishnan, and J. Polak, “A computationally efficient two-stage method for short-term traffic prediction on urban roads,” Transp. Plan. Technol., vol. 36, no. 1, pp. 62–75, 2013.
  • E. I. Vlahogianni, M. G. Karlaftis, and J. C. Golias, “Short-term traffic forecasting: Where we are and where we’re going,” Transp. Res. Part C Emerg. Technol., Feb. 2014.
  • G. E. P. Box, G. M. Jenkins, G. C. Reinsel, and G. M. Ljung, Time series analysis: forecasting and control. John Wiley & Sons, 2015.
  • B. L. Smith, B. M. Williams, and R. Keith Oswald, “Comparison of parametric and nonparametric models for traffic flow forecasting,” Transp. Res. Part C Emerg. Technol., vol. 10, no. 4, pp. 303–321, 2002.
  • J. Pfanzagl, Parametric statistical theory. Walter de Gruyter, 1994.
Toplam 15 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Konular İnşaat Mühendisliği
Bölüm Araştırma Makalesi
Yazarlar

Erdem Doğan

Yayımlanma Tarihi 1 Nisan 2018
Gönderilme Tarihi 25 Nisan 2017
Kabul Tarihi 15 Aralık 2017
Yayımlandığı Sayı Yıl 2018

Kaynak Göster

APA Doğan, E. (2018). D-200 Karayolu için Dönemsel ARIMA Yöntemi ile Kısa Dönemli Trafik Akım Tahmin Modellerinin Geliştirilmesi. Sakarya University Journal of Science, 22(2), 390-400. https://doi.org/10.16984/saufenbilder.308997
AMA Doğan E. D-200 Karayolu için Dönemsel ARIMA Yöntemi ile Kısa Dönemli Trafik Akım Tahmin Modellerinin Geliştirilmesi. SAUJS. Nisan 2018;22(2):390-400. doi:10.16984/saufenbilder.308997
Chicago Doğan, Erdem. “D-200 Karayolu için Dönemsel ARIMA Yöntemi Ile Kısa Dönemli Trafik Akım Tahmin Modellerinin Geliştirilmesi”. Sakarya University Journal of Science 22, sy. 2 (Nisan 2018): 390-400. https://doi.org/10.16984/saufenbilder.308997.
EndNote Doğan E (01 Nisan 2018) D-200 Karayolu için Dönemsel ARIMA Yöntemi ile Kısa Dönemli Trafik Akım Tahmin Modellerinin Geliştirilmesi. Sakarya University Journal of Science 22 2 390–400.
IEEE E. Doğan, “D-200 Karayolu için Dönemsel ARIMA Yöntemi ile Kısa Dönemli Trafik Akım Tahmin Modellerinin Geliştirilmesi”, SAUJS, c. 22, sy. 2, ss. 390–400, 2018, doi: 10.16984/saufenbilder.308997.
ISNAD Doğan, Erdem. “D-200 Karayolu için Dönemsel ARIMA Yöntemi Ile Kısa Dönemli Trafik Akım Tahmin Modellerinin Geliştirilmesi”. Sakarya University Journal of Science 22/2 (Nisan 2018), 390-400. https://doi.org/10.16984/saufenbilder.308997.
JAMA Doğan E. D-200 Karayolu için Dönemsel ARIMA Yöntemi ile Kısa Dönemli Trafik Akım Tahmin Modellerinin Geliştirilmesi. SAUJS. 2018;22:390–400.
MLA Doğan, Erdem. “D-200 Karayolu için Dönemsel ARIMA Yöntemi Ile Kısa Dönemli Trafik Akım Tahmin Modellerinin Geliştirilmesi”. Sakarya University Journal of Science, c. 22, sy. 2, 2018, ss. 390-0, doi:10.16984/saufenbilder.308997.
Vancouver Doğan E. D-200 Karayolu için Dönemsel ARIMA Yöntemi ile Kısa Dönemli Trafik Akım Tahmin Modellerinin Geliştirilmesi. SAUJS. 2018;22(2):390-40.

30930 This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.