Derin öğrenme teknikleri kullanılarak anayol trafik analizi

Abstract

Başarılı bir akıllı ulaşım sisteminin tasarlanmasında, trafik akış tahmini önemli bir yer edinmektedir. Tahminin başarısı, akış verisinin doğruluğu ve zamanında elde edilmesi ile ilişkilidir. Veri sayısındaki yetersizlik, şimdiye kadar gerçekleşen trafik tahmin modellerinde sığ mimarilerin kullanılmasına ya da üretilmiş yapay ölçüm verileri ile modeller tasarlanmasına sebep olmuştur. Bu modeller yeterli başarıya sahip tahmin sonuçları üretememiştir. Büyük veri çağına girdiğimiz günümüzde, trafik yoğunluğundaki artışa paralel olarak, toplanan trafik verilerin çeşitliliği ve büyüklüğünde gözle görülür bir artış gerçekleşmiştir. Bu veri artışı, çalışmamızdaki temel motivasyonu oluşturmaktadır. Çalışmada, bağlantı yollarına sahip bir otoyolun çıkışındaki trafik yoğunluğunun önceden tahmin edilmesi hedeflenmiştir. Çalışmada önerilen tahmin modelleri, büyük veriler ile eğitilerek anlamlı tahmin sonuçları üretebileceği genel kabul gören Derin Öğrenme teknikleri kullanılarak tasarlanmıştır. Çalışmada kullanılan bu teknikler sırası ile Yinelenen Sinir Ağları (RNN), Uzun Kısa Süreli Hafıza (LSTM), Yığınlı Uzun Kısa Süreli Hafıza (S-LSTM), Çiftyönlü Uzun Kısa Süreli Hafıza (B-LSTM) ve Geçitli Yinelenen Birim (GRU) sinir ağlarıdır. Çalışmada kullanılan veri seti, otoyol üzerinde 6 farklı noktaya yerleştirilmiş döngü sensörleri ile toplanmış 929.640 ölçüm verisini içermektedir. Tüm verinin %90, %80 ve %70'ini içerecek ve sıralı bir şekilde bölünmesi şartı ile 3 farklı eğitim veri seti oluşturulmuştur. Oluşturulan veri setlerinden geri kalan kısımlar test veri seti olarak kullanılmıştır. Geliştirilen modellerin test veri seti üzerindeki tahmin başarıları Ortalama Karesel Hata (MSE) ve Mutlak Ortalama Hata (MAE) değerleri hesaplanarak kaydedilmiştir. Ayrıca tüm modeller, farklı iterasyon sayıları ile çalıştırılmış ve öğrenme üzerine eğitim seti büyüklüğü ve iterasyon sayısının etkisi araştırılmıştır. Düşük MSE ve MAE değerleri ile trafik akış tahmininde Derin Öğrenme tekniklerinin başarılı sonuçlar üretmiş olması, trafik akış problemlerinde bu modellerinde kullanılabileceğini göstermektedir. Seçilen Derin Öğrenme teknikleri ile tasarlanan modellere ait sonuçlar MSE değerleri bakımından karşılaştırıldığında, en düşük MSE değeri olan 36.60 ile B-LSTM'in en iyi tahmin performansı gösterdiği bulunmuştur. Sonuçlar MAE değerleri bakımından değerlendirildiğinde, B-LSTM'e göre daha az mimari karmaşıklığa sahip ve daha az hesap yüküne sahip GRU tekniğinin 0.18 MAE değeri ile en iyi teknik olduğu sonucuna ulaşılmıştır.

Traffic flow forecasting has an important for designing a successful intelligent transportation system. The success of the prediction is related to the accuracy and timely measurement of the flow data. Lack in the number of data has led to the use of shallow architectures in the traffic prediction models realized so far or to design models with reproducted measurement data. These models failed to produce predictive results with sufficient success. Now days, as we enter big data era, there has been a significant increase in the diversity and size of the collected traffic data in parallel with the increase in traffic density. This increase in data constitutes the main motivation in our study. In this study, it is aimed to predict the traffic density at the exit of a motorway with connection roads. The prediction models proposed in the study are designed by using the generally accepted Deep Learning techniques in which they can produce meaningful prediction results by training with big data.The techniques used in this study are Recurrent Neural Networks (RNN), Long Short Term Memory (LSTM), Stacked Long Short Term Memory (S-LSTM), Bidirectional Long Short Term Memory (B-LSTM) and Gate Recurrent Unit (GRU) nerve network are. The dataset used in the study consists of 929.640 measurement data collected by loop sensors located at 6 different points on the motorway. Three different training data sets were created on the condition that they would be 90%, 80% and 70% of all data and should be divided in order. The remaining parts of the dataset were used as test dataset. Forecasting results of the developed models on the test dataset were recorded by calculating the Mean Square Error (MSE) and Absolute Mean Error (MAE) values. In addition, all models were run with different epochs and the effect of the training set size and epoch size on learning was investigated. The fact that Deep Learning techniques have produced successful results in traffic flow estimation with low MSE and MAE values shows that these models can be used in traffic flow problems. When the results of the models designed with the selected Deep Learning techniques were compared in terms of MSE values, it was found that B-LSTM had the best predictive performance with the lowest MSE value of 36.60. When the results were evaluated in terms of MAE values, it was concluded that GRU technique with less architectural complexity and less computational load was the best technique with 0.18 MAE value compared to B-LSTM.