Adaptif Sinyalize Kavşaklar İçin Derin Öğrenme Yaklaşımı ile Gecikme Modelleri Geliştirilmesi

Authors : Berk BAYRAKDAR, Erdem DOĞAN

Pages : 390-405

Doi:10.29137/umagd.843300

View : 10 | Download : 6

Publication Date : 2021-06-18

Article Type : Research Paper

Abstract :Sinyalize kavşak yönetim sistemleri, haberleşme ve detektör sistemlerindeki gelişmeler sayesinde daha verimli hale gelmiştir. Özellikle Adaptif Sinyal Yönetim Sistemleri insert ignore into journalissuearticles values(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 insert ignore into journalissuearticles values(DÖM); geliştirilmiştir. Performanslar yapay sinir ağı insert ignore into journalissuearticles values(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 : Gecikme, HCM, Avustralya, Yapay Sinir Ağları, Derin Öğrenme