Trafik Mikro-Simülasyon Model Kalibrasyonu için Özellik Seçim Algoritmalarının Karşılaştırılması
Abstract
Günümüzde trafik simülasyonlarını gerçekleştirmek için önemli sayıda gelişmiş mikro simülasyon modeli geliştirilmiştir, ancak bu modeller tüm trafik koşullarını modellemek için kalibre edilmesi gereken çok sayıda parametre içermektedir. Tüm bu parametreleri kalibre etmeye çalışmak maliyetli olabilir ve hatta kalibrasyon doğruluğunu azaltabilir. Bu çalışmada, çeşitli Özellik Seçim Algoritmalarının (ÖSA) kalibrasyon doğruluğu üzerindeki etkilerinin bir analizi yapılmış ve uygun ÖSA tipinin belirlenmesi için bir yaklaşım önerilmiştir. Önerilen yaklaşım kapsamında, SUMO'nun araç tipi, araç takip ve şerit değiştirme model parametrelerinden bir model parametre seti oluşturulmuş ve Latin Hiper Küpü kullanılarak deney seti oluşturulmuştur. Deneyler, yüksek zaman çözünürlüğünde veri toplama yeteneğine sahip detektörlerle donatılmış 9,2 km uzunluğundaki bir karayolu kesimi için gerçekleştirilmiştir. Sonuç olarak, ÖSA kullanımının kalibrasyon performansını önemli ölçüde iyileştirebileceği gözlemlenmiştir. Ayrıca bu çalışmada önerilen kalibrasyon yönteminin trafik simülasyonu uygulayıcıları ve araştırmacılar için fonksiyonel olacaktır.
Keywords
References
- Arkatkar, S., Velmurugan, S., Puvvala, R., Ponnu, B., & Narula, S. (2016). Methodology for simulating heterogeneous traffic on expressways in developing countries: A case study in India. Transportation Letters, 8(2), 61–76. https://doi.org/10.1179/1942787515Y.0000000008
- Azam, M., Puan, O. C., Hassan, S. A., & Mashros, N. (2019). Calibration of microsimulation model for tight urban diamond interchange under heterogeneous traffic. IOP Conference Series: Materials Science and Engineering, 527(1). https://doi.org/10.1088/1757-899X/527/1/012077
- Balakrishna, R., Antoniou, C., Ben-Akiva, M., Koutsopoulos, H. N., & Wen, Y. (2007). Calibration of microscopic traffic simulation models: Methods and application. Transportation Research Record, 1999(1), 198–207. https://doi.org/10.3141/1999-21
- Ciuffo, B., Punzo, V., & Montanino, M. (2014). Global sensitivity analysis techniques to simplify the calibration of traffic simulation models. Methodology and application to the IDM car-following model. IET Intelligent Transport Systems, 8(5), 479–489.
- Essa, M., & Sayed, T. (2015). Simulated traffic conflicts: Do they accurately represent field-measured conflicts? In Transportation Research Record (Vol. 2514, pp. 48–57). https://doi.org/10.3141/2514-06
- Ge, Q., & Menendez, M. (2014). An efficient sensitivity analysis approach for computationally expensive microscopic traffic simulation models. International Journal of Transportation, 2(2), 49–64.
- Kira, K., & Rendell, L. A. (1992). A practical approach to feature selection. In Machine learning proceedings 1992 (pp. 249–256). Elsevier. Li, G.-Z., Meng, H.-H., Yang, M. Q., & Yang, J. Y. (2009). Combining support vector regression with feature selection for multivariate calibration. Neural Computing and Applications, 18(7), 813–820.
- Lopez, P. A., Behrisch, M., Bieker-Walz, L., Erdmann, J., Flötteröd, Y.-P., Hilbrich, R., Lücken, L., Rummel, J., Wagner, P., & Wießner, E. (2018). Microscopic traffic simulation using sumo. 2018 21st International Conference on Intelligent Transportation Systems (ITSC), 2575–2582.
- McKay, M. D., Beckman, R. J., & Conover, W. J. (1979). A Comparison of Three Methods for Selecting Values of Input Variables in the Analysis of Output from a Computer Code. Technometrics, 21(2), 239–245. https://doi.org/10.2307/1268522
- Mirjalili, S., Mirjalili, S. M., & Lewis, A. (2014). Grey Wolf Optimizer. Advances in Engineering Software, 69, 46–61. https://doi.org/https://doi.org/10.1016/j.advengsoft.2013.12.007