Araçların seyir alışkanlıklarının izlenerek suça karışma potansiyellerinin yapay sinir ağlarıyla tahmin edilmesi

Abstract

Trafik denetim uygulamaları adli ve idari olarak ikiye ayrılmaktadır. Adli denetimlerde belirli araçlar durdurulurken, idari denetimlerde araç ve sürücünün anlık durumu göz önüne alınarak, tecrübeye dayalı uygulama gerçekleştirilmektedir.Bu tez çalışmasında, araçların plaka bilgilerine dayalı olarak araçların geçmiş sürüş hareketleriyle yapay sinir ağlarını eğiterek, araç ve sürücüsü hakkında muhtelif öngörülerde bulunan, suçlu tespitini kolaylaştıran bir yazılım algoritması geliştirilmiştir. Konya Merkez'deki araç kullanıcılarının sosyal, kültürel ve mesleki seyir davranışları düşünülerek 124 kamera etiketi, ilgili mekân ve yerlere Yandex Maps aracılığıyla atanmıştır. Etiketler, Python programlama dili kullanılarak enlem ve boylam bilgilerine göre Konya haritası üzerine açıklamalarıyla yerleştirilmiştir. Riskli ve risksiz temsili 7942 araca ait 476520 veri üretilerek, büyük veri (Big Data) oluşturulmuştur. One Hot metoduyla kodlanan veriler 3 ara katmanlı yapay sinir ağı ile eğitime girerek yapay sinir ağı modeli tamamlanmıştır. Raspberry Pi ile optik karakter tanıma yapılarak temsili plakalar okunmuş, bir IoT (nesnelerin interneti) bulutu olan ThingSpeak'e aktarılmıştır. 2 modül arasındaki iletişim ThingSpeak üzerinden sağlanmıştır. Yapay sinir ağı eğitimi sonucunda teorik yaklaşık %95 doğruluk elde edilmiştir. Test verileri incelendiğinde bu doğruluk pratikte de elde edilmiştir. Kullanıcı tarafından kolayca anlaşılabilen arayüz hazırlanarak, arkasına iletişim ve risk tahminleme algoritması gömülmüştür. Arayüz yazılımı, görsel ve yazılı tavsiyelerde bulunarak kullanıcıya temsili gelen araç hakkında öneri sunabilmiştir.

Traffic control practices are divided into two as judicial and administrative. While certain vehicles are stopped in forensic inspections, an experience-based practice is carried out by taking the instant situation of the vehicle and driver into consideration in administrative inspections.In this thesis, a software algorithm has been developed that makes various predictions about the vehicle and its driver and facilitates criminal detection by training the artificial neural networks with the past driving movements of the vehicles based on the license plate information of the vehicles. Considering the social, cultural and professional navigation behaviors of vehicle users in Konya Center, 124 camera tags have been assigned to the relevant locations and locations via Yandex Maps. Tags are placed on the Konya map with their explanations according to latitude and longitude information using Python programming language. Big Data was created by producing 476 520 data belonging to 7942 vehicles representing risky and risk-free vehicles. The data encoded with the One Hot method were trained with 3 interlayer artificial neural networks and the artificial neural network model was completed. Representative plates were read by using optical character recognition with Raspberry Pi and transferred to ThingSpeak, an IoT (internet of things) cloud. Communication between the 2 modules is provided via ThingSpeak. As a result of the artificial neural network training, theoretical accuracy of approximately 95% has been achieved. When the test data were examined, this accuracy was also obtained in practice. An interface that can be easily understood by the user has been prepared, and a communication and risk estimation algorithm is embedded behind it. The interface software was able to offer suggestions to the user about the representative vehicle by providing visual and written advice.