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

Abstract

 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 R² 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.

Keywords

• Trafik tahmini,kısa dönemli,modelleme,ARIMA,SARIMA,Kırıkkale

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

Abstract

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.

Keywords

• Traffic forecasting,short-term,modelling,ARIMA,SARIMA,Kırıkkale,D-200

References

1. 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.
2. 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.
3. 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.
4. 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.
5. 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.
6. 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.
7. 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.
8. 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.

9. 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.
10. 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.
11. 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.
12. 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.
13. G. E. P. Box, G. M. Jenkins, G. C. Reinsel, and G. M. Ljung, Time series analysis: forecasting and control. John Wiley & Sons, 2015.
14. 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.
15. J. Pfanzagl, Parametric statistical theory. Walter de Gruyter, 1994.