Örüntü Tanıma Ve Öznitelik Seçme Yöntemleri Kullanarak Kısa Zaman Sonraki Yol Trafik Hız Öngörüsü

Abstract

Bu çalışmada, İstanbul Büyükşehir Belediyesi’nin web sitesininden alınan RTMS (Remote Traffic Microwave Sensor) cihazlarının hız ölçüm değerleri kullanılarak ileriye yönelik trafik hızı tahmin edilmiştir. Örüntü tanıma yöntemi olarak k-En Yakın Komşu (kNN) ve Karar Destek Makinesi (SVM) kullanılmıştır. 5 dakikadan 60 dakikaya kadar ileriye yönelik hız öngürüsünde bulunabilmek için, tahmin edilecek andan belirli zaman önce ölçülen hız değerleri alınmıştır. Yapılan çalışmada hem uzun dönemli (1 gün veya 1 hafta) hız bilgilerinin hem de kısa dönemli (5 dakikadan 60 dakikaya kadar) hız bilgilerinin kısa dönemli trafik öngürüsü yapmakta önemli bir rol oynadığı bulunmuştur. Hız öngörüsü için en önemli nitelikleri bulmak için öz nitelik seçme yöntemi kullanılmıştır. Bir sensöre ait hız verilerinin değişik zamanlarda alınarak yapılan trafik hızı öngörüsüne ek olarak bu sensöre yakın sensörlerin hız bilgileri alınarak ve yüksek korelasyona sahip sensörlerin hız bilgileri alınarak hız öngörü yapılmıştır. Ayrıca ilgili sensörden veri alınamadığı düşünülerek yüksek korelasyona bağlı sensörlerin birbirlerinin verileri kullanılarak hız öngörüsü yapılmaya çalışılmıştır. Yapılan testler sonucunda genel olarak SVR metodunun KNN metodundan daha başarılı olduğu görülmüştür.Yakın konumlardaki veya yüksek korelasyonlu sensör verisi kullanılarak yapılan tahminlerin ise bir sensör verisi kullanılarak yapılan tahminlerden daha iyi sonuç verdiği görülmüştür. İlgili sensörün bozulduğu varsayılarak onun yerine korelasyonu yüksek diğer sensör verilerinin kullanıldığında sonuçların ilgili sensörün kullanıldığı duruma gayet yakın sonuçlar verdiği görülmüştür.

In this study traffic speed on Istanbul roads are predicted using RTMS (Remote Traffic Microwave Sensor) speed measurements obtained from the Istanbul Municipality web site from 327 different sensor locations. Speed predictions are done 5 minutes to an hour ahead and SVM (Support Vector Machine) and kNN (k Nearest Neighbor) methods for speed prediction are used. For speed prediction at a certain sensor location, the most important past speed measurements are computed for better accuracy using feature selection methods. Finding out which other sensors could be used to predict the speed at a certain sensor location and showing that especially for nearby/correlated sensors, it is possible to get better results using related sensor measurements in addition to the sensor being predicted. It is also showed that only using the correlated sensors, it is possible to get good accuracy. This result could be very useful when a sensor breaks down or needs to be calibrated. In all experiments, it is found that SVM produces better results than kNN.