Dergiler / Afyon Kocatepe Üniversitesi Sosyal Bilimler Dergisi / 2020 / Cilt: 22 - Sayı: 4

Yapay Sinir Ağları ile Trafik Yoğunluğu Tahmini

Traffic Density Estimation with Artificial Neural Networks

Sayfa
1020–1034
Yayın Tarihi
2020-12-31
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

İlgili güzergahta genel olarak 80 km ortalama hız düzeyi elde edilmiş ve Serbest Akım Hızı, C ve D hizmet seviyeleri için incelendiğinde, en fazla yoğunluk düzeyinin 16- 22 aralığında, en fazla hacim/ kapasite oranının % 64- 85 aralığında olacağı tespit edilmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Şehirlerin büyük problemlerden olan trafik yoğunluğu, insan hayatını birçok yönden etkilemektedir.
📊
Temel Bulgular & Veri:Trafik yoğunluğunu arttırabilecek muhtemel parametreler dikkate alınarak gerçekleşecek bir yoğunluk tahminin, kent sakinleri açısından olduğu kadar sürücüler ve bir şehrin mümkün olan en az trafik yoğunluğuna maruz kalmasından sorumlu olan yetkili kurum ve kuruluşlar için önemli bir yeri vardır.
💡
Sonuç & Katkı:İlgili güzergahta genel olarak 80 km ortalama hız düzeyi elde edilmiş ve Serbest Akım Hızı, C ve D hizmet seviyeleri için incelendiğinde, en fazla yoğunluk düzeyinin 16- 22 aralığında, en fazla hacim/ kapasite oranının % 64- 85 aralığında olacağı tespit edilmiştir.
🔬Tür:Araştırma Makalesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Traffic density · vehicle speed · weather conditions

Özet

Şehirlerin büyük problemlerden olan trafik yoğunluğu, insan hayatını birçok yönden etkilemektedir. Daha yaşanabilir bir kent hayatı için; mevcut yoğunluğun belirlenerek araç trafiğinin kontrol edilebilmesi ve ileride yaşanabilecek sıkışıklıklar için gerekli önlemlerin alınabilmesi gerekmektedir. Trafik yoğunluğunu arttırabilecek muhtemel parametreler dikkate alınarak gerçekleşecek bir yoğunluk tahminin, kent sakinleri açısından olduğu kadar sürücüler ve bir şehrin mümkün olan en az trafik yoğunluğuna maruz kalmasından sorumlu olan yetkili kurum ve kuruluşlar için önemli bir yeri vardır. Çalışma, İstanbul’ a Tuzla ilçesinden giriş yönünde, E-5 karayolu üzerinde yapılmıştır. Veriler, Yandex Trafik ve Wunderground internet sitelerinden elde edilmiştir. Hafta içi günler, mesai saatleri, havanın genel durumu, sıcaklık, rüzgârın hızı ve nem seviyeleri bağımsız değişken olarak alınmıştır. Gün, saat ve hava koşulu değişkenleri kategoriktir ve bu değişkenler kukla değişken olarak belirlenmiştir. Bağımsız değişkenlerden hareketle hız tahmini yapılmış ve trafik yoğunluğu seviyesi belirlenmeye çalışılmıştır. Diğer bağımsız değişkenlere kıyasla, rüzgar hızı ve sıcaklık değişkenlerinin hız üzerinde negatif ve yüksek oranda etkili olduğu, olası bir değişiklik durumunda sıcaklığın hızı en yüksek düzeyde etkileyeceği görülmüştür. İlgili güzergahta genel olarak 80 km ortalama hız düzeyi elde edilmiş ve Serbest Akım Hızı, C ve D hizmet seviyeleri için incelendiğinde, en fazla yoğunluk düzeyinin 16- 22 aralığında, en fazla hacim/ kapasite oranının % 64- 85 aralığında olacağı tespit edilmiştir.

Abstract

Traffic density, which is one of the major problems of cities, affects human life in many ways. For a more livable urban life, by determining the current density, it is necessary to control the vehicle traffic and take necessary measures for future congestion. An estimation of density to be made taking into account the possible parameters that may increase traffic density has an important place for drivers and authorized institutions and organizations responsible for exposure of a city to the least possible traffic density for city residents. The study was carried out on the E-5 highway in the direction of entrance from Tuzla district to Istanbul. The data was obtained from Yandex Traffic and Wunderground websites. Weekdays, working hours, general condition of the weather, temperature, wind speed and humidity levels were taken as independent variables. Day, hour and weather conditions are categorical and these variables are determined as dummy variables. An average speed level of 80 km was obtained on the relevant route, and when Free Flow Speed was examined for C and D service levels, it was determined that the highest density level would be in the range of 16-22, and the maximum volume / capacity ratio would be in the range of 64-85%.

🔖

Bu Makaleye Atıf Yap

TAŞ, N., SEZEN, B. (2020). Yapay Sinir Ağları ile Trafik Yoğunluğu Tahmini. Afyon Kocatepe Üniversitesi Sosyal Bilimler Dergisi, Cilt: 22 - Sayı: 4, 1020–1034. https://ajindex.com/articles/87065

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (13)

  1. Abdel-Aty, M., Ekram, A.-A., Huang, H., & Choi, K. (2011). A study on crashes related to visibility obstruction due to fog and smoke. Accident Analysis & Prevention, 43(5), 1730- 1737. https://doi.org/10.1016/j.aap.2011.04.003
  2. Aküzüm, Prof. Dr. T., Kodal, Doç. Dr. S., Beyribey, Doç. Dr. M., Erözel, Doç. Dr. A. Z., Tokgöz, Doç. Dr. A., Selenay, Yard. Doç. Dr. F., … Yurtsever, Yard. Doç. Dr. E. (1994). Meteoroloji I. Ankara: Ankara Üniversitesi Ziraat Fakültesi Yayınları.
  3. Andreescu, M. P., & Frost, D. B. (1998). Weather and traffic accidents in montreal, Canada. Climate Research, 9(3), 225-230. https://doi.org/10.3354/cr009225
  4. Andrey, J., & Yagar, S. (1993). A Temporal Analysis of rain-related crash risk. Accident Analysis and Prevention, 25(4), 465-472. https://doi.org/10.1016/0001-4575(93)90076-9
  5. Andrey, J., Hambly, D., Mills, B., & Afrin, S. (2013). Insights into driver adaptation to ınclement weather in Canada. Journal of Transport Geography, 28, 192-203. https://doi.org/10.1016/j.jtrangeo.2012.08.014
  6. Choi, S., & Oh, C. (2016). Proactive strategy for variable speed limit operations on freeways under foggy weather conditions. Transportation Research Record: Journal of the Transportation Research Board, 2551, 29-36. https://doi.org/10.3141/2551-04
  7. Cools, M., Moons, E., & Wets, G. (2007). Investigating the Effect of Holidays on Daily Traffic Counts: A Time Series. 19. https://doi.org/10.3141/2019-04
  8. Cools, M., Moons, E., & Wets, G. (2010). Assessing the ımpact of weather on traffic ıntensity. Weather Climate and Society, 2(1), 60-68. https://doi.org/10.1175/2009WCAS1014.1
  9. Datla, S., & Sharma, S. (2008). Impact of cold and snow on temporal and spatial variations of highway traffic volumes. Journal of Transport Geography, 16(5), 358-372. https://doi.org/10.1016/j.jtrangeo.2007.12.003
  10. Dey, K. C., Mishra, A., & Chowdhury, M. (2015). Potential of ıntelligent transportation systems in mitigating adverse weather ımpacts on road mobility: a review. Ieee Transactions on Intelligent Transportation Systems, 16(3), 1107-1119. https://doi.org/10.1109/TITS.2014.237145
  11. Eken, M., Ulupınar, Y., Demircan, M., Nadaroğlu, Y., Aydın, B., & Özhan, Ü. (2008).
  12. Klimatoloji rasat el kitabı, Çevre ve Orman Bakanlığı Devlet Meteoroloji İşleri Genel Müdürlüğü. Ankara: DMİ Genel Müdürlüğü Matbaası. Gültekin, Y., Demircan, M., Ulupınar, Y., & Bulut, E. (2005). Klimatoloji I. Geliş tarihi gönderen https://www.mgm.gov.tr/FILES/genel/kitaplar/klimatoloji1.pdf
  13. Haykin, S. (1998). Neural Netwo