İzole sinyalize kavşaklardaki ortalama taşıt gecikmelerinin yapay sinir ağları ile modellenmesi

Abstract

Günümüzde insan hayatını olumsuz etkileyen en önemli unsurlardan biri ulaşım sorunlarıdır. Düzensiz şehirleşme ve buna bağlı olarak meydana gelen araç sahipliğindeki artış ve bunun getirdiği trafik sorunları yerel yönetimlerin çözümünde en çok zorlandıkları problemlerden biri haline gelmiştir. Sinyalize kavşaklarda meydana gelen ortalama taşıt gecikmeleri, yani taşıtların kavşaklarda kendi kontrolünde olmayan nedenlerden dolayı kaybettiği zaman, tüm trafik sistemini etkiler. Gecikme sürelerinin fazla olması, doğal olarak sürücülerin hat seçiminde ve trafiğin yol ağı üzerindeki dağılımında esas rolü oynarlar. Bu çalışmada, izole sinyalize kavşaklardaki ortalama gecikmeyi tahmin edebilmek için ileri beslemeli Yapay Sinir Ağları (YSA) kullanılmıştır. Bu tür sinir ağları en az üç tabakadan oluşur. Bunlar giriş, gizli ve çıkış tabakasıdır. Giriş ve çıkış tabaka sayısı probleme göre değişiklik göstermektedir. Gizli tabaka sayısı ise deneme yanılma yolu ile bulunmaktadır. Çalışma kapsamında YSA yardımı ile geliştirilen modelde, arazi gözlemlerinden elde edilen gecikme verileri kullanılarak YSA ile izole sinyalize kavşaklardaki ortalama taşıt gecikmeleri tahmin edilmiştir. Ölçülen veri gruplarının bir kısmı ağı eğitmek amacıyla, kalan diğer kısmı ise YSA modelini test etmek için kullanılmıştır. YSA model sonuçlan ile gözlem gecikme değerleri karşılaştırılmış ve ortalama %12 düzeyinde hata değeri elde edilmiştir.

Transportation and traffic problems that effect our daily life negatively are increasing day to day. Unplanned urbanism and increase in car ownership resulted in the traffic problems that the local authorities forced to solve. Average delays of vehicles at signalized intersections affect the whole drivers. The increase in average delays of vehicles has an important role of drivers' route choice and traffic assignment in the road network. In this study, the feedforward Artificial Neural Network (ANN) model is used to carry out delay estimation. This type of neural networks has at least three layers; input, hidden and output. The number of input and output layers are varied depending on the problem. The number of hidden layers are determined using trial and error method. The observed data are obtained from field studies. They are used for estimation of average delays at isolated signalized intersections based on ANN approach. Part of the data are used for ANN model development, and the rest are used for model testing. The estimations of the model are also compared with the observations and encouraging results are obtained, and the average relative error is obtained as %12 from these comparisons.