Please use this identifier to cite or link to this item: https://hdl.handle.net/20.500.11851/2235
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorHanalioğlu, Tahir-
dc.contributor.advisorTekin, Salih-
dc.contributor.authorSönmez, Nezahat-
dc.date.accessioned2019-12-25T08:37:44Z-
dc.date.available2019-12-25T08:37:44Z-
dc.date.issued2017
dc.identifier.citationSönmez, N. (2017). Trafik sensör verileri kullanılarak trafik akış tahmini: İstanbul şehri için bir uygulama. Ankara: TOBB ETÜ Fen Bilimleri Enstitüsü. [Yayınlanmamış yüksek lisans tezi]en_US
dc.identifier.urihttps://hdl.handle.net/20.500.11851/2235-
dc.identifier.urihttps://tez.yok.gov.tr/UlusalTezMerkezi/tezSorguSonucYeni.jsp-
dc.description.abstractUlaşımın insan yaşamındaki yeri her geçen gün artmakta ve toplumun neredeyse yarısı gününün yaklaşık bir saatini yolda geçirmektedir [1]. Türkiye İstatistik kurumunun açıklamasına göre 2016 Ocak ayı itibari ile İstanbul'da trafiğe kayıtlı motorlu kara taşıtlarının sayısı '3 651 166' gibi bir rakama ulaşmıştır. Trafik akışı üzerine tahminler yapmak, trafik işletme verimliliğini artırmak, trafiğe çıkacak kişilere gidilecek yolu seçmesi konusunda bilgi vermek gibi sebeplerle çalışılmaya başlanmış ve akıllı ulaşım sistemlerinin bir uygulaması olarak oldukça ilgi çekmiştir [2]. İstanbul şehrinde de dünyanın birçok şehrinde olduğu gibi trafik müdürlükleri tarafından gerçek zamanlı trafik verileri çeşitli algılayıcılardan elde edilerek toplanmaktadır. Şeritlerde bulunan araç sayısı, yön bazlı akış hızı, işgaliye miktarı ve şeritlerin hızı gibi değişkenler evrensel bazlı tipik veri seti değişkenleridir [3]. Çalışmada kullanılacak olan veri seti IBB Trafik Mü dü rlü ğü'nden bilimsel çalışma yapmak amacı ile dilekçe yolu ile alınmış olup, İstanbul şehrinin oldukça sıkışık yolları üzerinde yoğunlaşan uzun bir rota izlemektedir. ARIMA ve Derin Çok Katmanlı Algılayıcılar bu çalışmada trafiği modellemek için kullanılmıştır. Veri seti eğitim ve test seti olarak iki parçaya ayrılmıştır. Eğitim seti modeli eğitmek, test ise eğitilen modeli test etmek amacıyla kullanılmıştır. Test set üzerinde yapılan tahminler Çok Katmanlı Algılayıcıların bu veri seti için, ARIMA modellerine göre çok daha doğru tahminler yaptığı gözlemlenmiştir. Derin öğrenme modelleri, karmaşık sorunları çözme becerileri ile ünlüdür. Model olarak Çok Katmanlı Algılayıcı'yı seçtikten sonra, çalışmanın amacı, sadece o modelle birlikte trafik akışını tahmin etmek olmuştur.tr_TR
dc.description.abstractThe place of transportation in human life is increasing day by day, and almost half of the society is spending one hour in traffic everyday [1]. According to Statistical Institute of Turkey, the number of motorized road vehicles registered in traffic in Istanbul reaches a number such as '3 651 166'. It has been tried to make estimations on traffic flow, to increase the efficiency of traffic operation, to give information about the way to go to traffic, and has attracted considerable attention as an application of intelligent transport systems [2]. Real time traffic data is collected from various sensors by the traffic directorates in Istanbul, as it is in many cities of the world. Variations such as the number of vehicles in the lines, the direction-based flow rate, the amount of occupation and the speed of the lines are typical universal data set variables [3]. The data set to be used in the study is taken from the IBB Traffic Directorate by means of a petition and an intention to carry out a scientific study and it follows a long route which focuses on the rather cramped roads of the city of Istanbul. The models which used to modelling traffic are ARIMA and Deep Multilayer Perceptron (DMLP). Data set separated in to parts as training and test sets to train and test models. The estimates on test set showed that DMLP is much more accurate than ARIMA for this data. DMLP is one of the deep learning algorithms. Deep learning models are famous with their ability to solve complex problems. After choosing DMLP as model, the aim of the study become predicting the traffic flow just with that model. In the study, it is determined which factors influenced the traffic flow by using artificial neural networks trained and then estimating the traffic flow of future periods.en_US
dc.language.isotren_US
dc.publisherTOBB University of Economics and Technology,Graduate School of Engineering and Scienceen_US
dc.publisherTOBB ETÜ Fen Bilimleri Enstitüsütr_TR
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.subjectMultilayer perceptronsen_US
dc.subjectARIMAen_US
dc.subjectTraffic flow modellingen_US
dc.subjectÇok katmanlı algılayıcılartr_TR
dc.subjectARIMAtr_TR
dc.subjectTrafik akışı modellemetr_TR
dc.titleTrafik sensör verileri kullanılarak trafik akış tahmini: İstanbul şehri için bir uygulamaen_US
dc.title.alternativePredicting the traffic flow with using traffic sensors: An application for Istanbulen_US
dc.typeMaster Thesisen_US
dc.departmentInstitutes, Graduate School of Engineering and Science, Industrial Engineering Graduate Programsen_US
dc.departmentEnstitüler, Fen Bilimleri Enstitüsü, Endüstri Mühendisliği Ana Bilim Dalıtr_TR
dc.relation.publicationcategoryTezen_US
item.openairecristypehttp://purl.org/coar/resource_type/c_18cf-
item.grantfulltextopen-
item.fulltextWith Fulltext-
item.openairetypeMaster Thesis-
item.cerifentitytypePublications-
item.languageiso639-1tr-
Appears in Collections:Endüstri Mühendisliği Yüksek Lisans Tezleri / Industrial Engineering Master Theses
Files in This Item:
File Description SizeFormat 
459556.pdf1.99 MBAdobe PDFThumbnail
View/Open
Show simple item record



CORE Recommender

Page view(s)

50
checked on Mar 25, 2024

Download(s)

50
checked on Mar 25, 2024

Google ScholarTM

Check





Items in GCRIS Repository are protected by copyright, with all rights reserved, unless otherwise indicated.