Adaptif Sinyalize Kavşaklar İçin Derin Öğrenme Yaklaşımı ile Gecikme Modelleri Geliştirilmesi
Abstract
Sinyalize kavşak yönetim sistemleri, haberleşme ve detektör sistemlerindeki gelişmeler sayesinde daha verimli hale gelmiştir. Özellikle Adaptif Sinyal Yönetim Sistemleri (ASYS), kavşakları değişken trafik parametrelerine uyum sağlayacak biçimde planlanmaktadır. Fakat, sinyalize kavşakların etkinliğinin ölçülmesi için geliştirilen geçmiş yaklaşımlar, devre süresi, faz düzeni gibi, denetim parametrelerinin sürekli değişimine uyumlu değildir. Bu çalışmada, derin öğrenme yaklaşımı kullanılarak ASYS ile yönetilen kavşaklar için bir gecikme tahmin modeli (DÖM) geliştirilmiştir. Performanslar yapay sinir ağı (YSA) modelleri ve analitik modellerle karşılaştırılarak DÖM'ün verimliliği analiz edilmiştir. Ayrıca, DÖM ve YSA modelleri, farklı girdi değişkenleri ile eğitilerek performansları araştırılmıştır. Modellemeler için kullanılan veriler Kırıkkale ili sınırları içindeki ASYS' leyle yönetilen kavşaktan, gözlemler yapılarak toplandı. Bu gözlemler araç türlerine göre yapılmış ve toplam 487 adet devrede 6331 adet taşıtın gecikme gözlemi gerçekleştirilmiştir. Analiz sonuçları, DÖM modelinin, gerçek değerleri YSA modelinden yaklaşık 2 kat, analitik modellerden yaklaşık 5 kat daha düşük hata yüzdeleri ile tahmin ettiğini göstermiştir. Bu çalışma, derin öğrenme yaklaşımının, değişken zamanlama ile çalışan sinyalize kavşaklar için etkin bir performans ölçüm modeli olduğunu ortaya koymuştur.
Keywords
References
- Akbaş, A., Kent İçi Ulaşımında Ana Arterlerdeki Ulaşım Performansının Simülasyon Tabanlı Olarak Değerlendirilmesi. http://www.imo.org.tr/resimler/ekutuphane/pdf/12065.pdf (Erişim tarihi:31.10.2020)
- Akbaş, E. (2018). Derin Yapay Sinir Ağları ve Derin Öğrenme’ye Kısa Bir Giriş. Bilgisayar Mühendisleri Odası Semineri, Ankara.
- Akgüngör, A.P. (2004). Sinyalize Kavşaklarda Gecikme Tahmininin Matematiksel Modellenmesi: Farklı Çözümleme Süreleri için Zamana Bağlı Yeni Bir Gecikme Modeli. Teknoloji, Cilt 7, (2004), Sayı 3, s.369-379.
- Andronov, R., Leverents, E. (2018). Calculation of Vehicle Delay at Signal Controlled Intersections with Adaptive Traffic Control Algorithm. MATEC Web of Conferences 143, 04008 (2018), https://doi.org/10.1051/matecconf/201814304008.
- Anguita, D., Ghelardoni, L., Ghio, Allesandro, Oneto, L., Ridella, S. (2012). The ‘K’ in K-fold Cross Validation. ESANN 2012 proceedings, European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning. Bruges, Belgium. i6doc.com publ., ISBN 978-2-87419-049-0. Available from http://www.i6doc.com/en/livre/?GCOI=28001100967420.2012.
- Arı, A., Berberler, M.E. (2017). Yapay Sinir Ağları ile Tahmin ve Sınıflandırma Problemlerinin Çözümü için Arayüz Tasarımı. Acta Infologica – 2017 – 1 (2), Istanbul University Press, Aralık 2017, İstanbul, ISSN: 2602-3563.
- Atalay, A. (2004). Sinyalize Kavşaklardaki Gecikme Tahmininde Yapay Zeka Yöntemi İle Farklı Yöntemlerin Karşılaştırılması. Yüksek Lisans Tezi. Atatürk Üniversitesi, Erzurum.
- Bağdatlı, M.,E.,C. (2020). Vehicle Delay Modeling at Signalized Intersections with Gene-Expression Programming. Journal of Transportation Engineering, Part A: Systems, 2020, 146 (9): 04020107.
- Başkan, Ö. (2004). İzole Sinyalize Kavşaklardaki Ortalama Taşıt Gecikmelerinin Yapay Sinir Ağları ile Modellenmesi. Yüksek Lisans Tezi. Pamukkale Üniversitesi, Denizli.
- Bloomberg, L., Dale, J. (2000). A Comparison of the VISSIM and CORSIM Traffic Simulation Models, Institute of Transportation Engineers Annual Meeting.