Kısa Zamanlı Trafik Tahmini ile Devre Süresi Optimizasyonu ve Gecikme Analizi

Yıl 2021, Cilt: 32 Sayı: 5, 11097 - 11126, 01.09.2021

Ravza Nur Yiğit , Soner Haldenbilen

https://doi.org/10.18400/tekderg.713080

Öz

Çalışmada akıllı ulaşım sistemleri için parametrik ve parametrik olmayan tahmin yöntemlerin kısa zamanlı trafik tahmin performansları incelenmiş ve tahmin değerlerinin sinyalize kavşakların devre süresine ve performansına olan etkisi araştırılmıştır. Kavşakta gözlemlenen trafik verilerine bağlı olarak gecikme sürelerinin iyileştirmesi ve kavşak bekleme sürelerinin azaltılarak, kavşak performans iyileştirmesi amaçlanmıştır. Çalışma bölgesi olarak Denizli ilinde yer alan Mimar Sinan kavşağı seçilmiştir. Kavşağın yaklaşım kollarında bulunan sensörler yardımıyla elde edilen veriler, veri setleri olarak düzenlenmiştir. Oto-regresif entegre hareketli ortalama (Auto-Regressive Integrated Moving Average-ARIMA) ve yapay sinir ağları (YSA) yöntemleri ile kısa zamanlı trafik tahminleri yapılmıştır. Tahmin sonuçları Webster yöntemi kullanılarak kavşak devre süresi optimizasyonu yapılmıştır. Optimum devre süresi ve yeşil süreleri hesaplandıktan sonra Webster gecikme metodu ile kavşak yaklaşım kollarının ve kavşak genelinin gecikme değerleri hem ARIMA yönteminden elde edilen hem de YSA yönteminden elde edilen tahmin sonuçları karşılaştırılmıştır. Kısa zamanlı trafik tahmininde YSA yönteminin ARIMA yöntemine göre daha başarılı olduğu görülmüştür.

Anahtar Kelimeler

Trafik hacim tahmini, YSA, ARIMA, Webster

Destekleyen Kurum

Denizli Büyükşehir Belediyesi Ulaşım Dairesi Başkanlığı

Optimization of Cycle Length with Short Term Traffic Prediction and Delay Analysis

Öz

In the study, the effect of parametric and nonparametric methods on short-term traffic prediction and intersection cycle length and performance were investigated. According to the data of the intersection, it is aimed to improve the delay times and reduce the intersection waiting times and improve the intersection performance. The methods were applied, for example, to the Mimar Sinan intersection of Denizli. The data obtained with the help of sensors located in the approach arms of the intersection are arranged as data sets. Short-term traffic prediction has been made with auto-regressive integrated moving average (ARIMA) and artificial neural networks (ANN) methods. Estimation results the intersection cycle length optimization was made using the Webster method. After calculating the optimum cycle length and green times, the lag values of the Webster delay method and intersection approach arms and the intersection general were compared with the estimated results obtained from both the ARIMA method and the ANN method. In the short-term traffic prediction, the results obtained using the ANN method were found to be more successful than the results obtained with the ARIMA method.

Anahtar Kelimeler

Traffic volume estimation, ARIMA, ANN, Webster

Kaynakça

• Kunzli, N., Kaiser, R., Medina, S., Studnicka, M., Chanel, O., Filliger, P., Herry, M., Horak Jr., F., Puybonnieux-Texier, V., Quenel, P., Schneider, J., Seethaler, R., Vergnaud, J.C., Sommer, H., "Public-Health Impact Of Outdoor And Traffic-Related Air Pollution: A European Assessment", The Lancet, 795-801, (2000).
• Tufan, H. "Akıllı Ulaşım Sistemleri Uygulamaları Ve Türkiye İçin Bir Aus Mimarisi Önerisi", Ankara: T.C. Ulaştırma Denizcilik ve Haberleşme Bakanlığı, (2014).
• Vlahogianni, E.I., Karlaftis, M.G., Golias, J.C., "Short term traffic forecasting: Where we are and where we’re going", "Transportation Research Part C", 3-19, (2014).
• Vlahogianni, E.I., Golia, J.C., Karlaftis, M.G., "Short-term traffic forecasting: Overview of objectives and methods", Transport reviews, 533-557, (2004).
• Box, G.E.P., Jenkins, G.M., "Time Series Analysis: Forecasting and Control". San Francisco, (1970).
• Dickey, D. Fuller, W., "Distribution Of The Estimators For Autoregressive Time Series With A Unit Root", Journal of the American Statistical Association, 427-431, (1979).
• Kwiatkowski, D., Phillips, P. C. B., Schmidt, P., Shin, Y., "Testing for the Null of Stationarity Against the Alternative of a Unit Root", Journal of Econometrics, 54, 159-178, (1992).
• Akaike, H., “A New Look at the Statistical Model Identification”, IEEE Transactions On Automatic Control, AC-19, No. 6, 716-723, (1974).
• Öztemel, E., "Yapay Sinir Ağları", İstanbul: Papatya Yayıncılık, (2012).
• Pursula, M., Niittymäki, J., "Saturation Flows At Signal-Group-Controlled Traffic Signals", Transportation Research Record, 1572, 233-970, (1996).
• Akçelik, R., "Traffic Signals: Capacity and Timing Analysis", AustralianRoad Research Board, Research Report, (1993).
• Kimber, R.M., McDonald, M., Hounsell, N.B., "The Prediction Of Saturation Flows For Road Junctions Controlled By Traffic Signals",Transport and Road Research Laboratory Research Report, 67, (1986).
• Yayla, N., "Karayolu Mühendisliği", Birsen Yayınevi, 211, (2002).
• Scraggs D.A., "Determination Of Passenger Car Equivalent Of Goods Vehicle In Single Lane Flow At Traffic Signals", Crowthorne: Road Research Laboratory Report LN/573IDAS, (1964).
• Webster, F. V., Cobbe, B. M. "Traffic Signal",Road Research Technical Road Research Laboratory, 56,(1966).