Yapay sinir ağları ile trafik yoğunluğu tahmini

Abstract

Bu çalışmada ileri beslemeli ve yinelemeli sinir ağları kullanılarak İstanbul şehrine ait verilerle tek değişkenli ve çok değişkenli trafik yoğunluğu tahmini üzerine bir çalışma yapılmıştır. Trafik yoğunluğu tahmini bir zaman serisi tahmin problemi olmasına ve daha çok yinelemeli yapay sinir ağları ile çözülmesi tercih edilmesine rağmen, zaman gecikmesi ile tanımlanan girdilere sahip ileri beslemeli yapılar da kullanılmaktadır. Tez kapsamında kullanılan veriler İstanbul Büyükşehir Belediyesi'nden alınmıştır ve farklı yapay sinir ağlarında kullanılmak üzere pencere kaydırma yöntemiyle yeniden düzenlenmiştir. Tez çalışması kapsamında ele alınan ve Python'da kodları yazılan ileri yol ağları Çok Katmanlı Algılayıcı (MLP) ve Radyal Temel Fonksiyon (RBF) ağlarıdır. Ayrıca bu iki ileri beslemeli yapıyı MLP - RBF ve RBF - MLP olarak birleştiren iki hibrit yapı da önerilmiştir. Kodların kendi bünyemizde geliştirilmesi, hibrit yapılar için sonuç almayı kolaylaştırmıştır. Ayrıca, Keras kütüphanesi kullanılarak ileri yol ağlarından MLP, RBF, destek vektör makinası (SVM) ve yinelemeli yapay sinir ağlarından yaygın kullanımı olan uzun kısa süreli bellek (LSTM), geçitli yineleme birimi (GRU) modellerine ilişkin Python kodu yazılarak farklı iterasyon ve veri setleri ile belirtilen ağlar eğitilmiştir. Saatlik trafik verileri tam bir yılı kapsadığından her günün ve mevsimin özellikleri verilerde kapsanmaktadır. Böylece eğitim setinde hava durumu, günlük yoğun saatler, tatiller ve hafta sonları dikkate alınmış olmaktadır. Elde edilen sonuçlar farklı değerlendirme ölçütleri ele alınarak karşılaştırılmıştır. Model tahmin hatası ölçüm metodu olarak ortalama mutlak yüzdesel hata (MAPE), kök ortalama karesel hata (RMSE), simetrik ortalama mutlak yüzdesel hata (SMAPE), ortalama mutlak ölçeklenmiş hata (MASE) ve ortadeğer mutlak yüzdesel hata (MdAPE) kullanılmıştır.