Kısa zamanlı trafik tahmini ile devre süresi optimizasyonu ve gecikme analizi

Abstract

Çalışmada parametrik ve parametrik olmayan yöntemlerin kısa zamanlı trafik tahmini ile kavşak devre süresine ve performansına olan etkisi araştırılmıştır. Yöntemler örnek olarak Denizli ilinin Mimar Sinan kavşağına uygulanmıştır. Kavşağın verilerine göre gecikme sürelerinin iyileştirmesi ve kavşak bekleme sürelerinin azaltılarak, kavşak performans iyileştirmesi amaçlanmıştır. Veri setleri 2018 yılı ağustos ayının hafta içi 3 gün 08:00-20:00 arası sayımlarından oluşturulmuştur. Kavşağın yaklaşım kollarında bulunan sensörler yardımıyla elde edilen veriler 5, 10 ve 15’er dakikalık veri setleri olarak düzenlenmiştir. Oto-regresif entegre hareketli ortalama (Auto-Regressive Integrated Moving Average-ARIMA) ve yapay sinir ağları (YSA) yöntemleri ile kısa zamanlı trafik tahmini yapılmıştır. Tahmin sonuçlarının ortalama mutlak yüzde hata (Mean Absolute Percentage Error-MAPE) ve hata kareler ortalamasının karekökü (Root Mean Square Error-RMSE) performans kriterleri karşılaştırılarak en iyi tahmin yöntemi analiz edilmiştir. Tahmin sonuçları saatlik trafik hacmine dönüştürülmüş ve Webster yöntemi kullanılarak kavşak devre süresi optimizasyonu yapılmıştır. Optimum devre süresi ve yeşil süreleri hesaplandıktan sonra Webster gecikme metodu ile kavşak yaklaşım kollarının ve kavşak genelinin gecikme değerleri hem ARIMA yönteminden elde edilen hem de YSA yönteminden elde edilen tahmin sonuçlarına göre karşılaştırılması sunulmuştur.

In this study, the effect of parametric and non-parametric methods on short-term traffic prediction and intersection cycle length and performance was investigated. The methods were applied to the Mimar Sinan intersection of Denizli province as an example. According to the intersection data, it is aimed to improve the delay times and to improve the intersection performance by reducing the waiting times of the intersection. The data sets were composed of 3 days weekdays between 08: 00-20: 00 of August 2018. The data obtained with the help of sensors located in the approaches of the intersection are arranged as data sets of 5, 10 and 15 minutes each. Auto-regressive integrated moving average (ARIMA) and artificial neural network (ANN) methods are used to estimate short-term traffic. The best estimation method was analyzed by comparing the mean absolute percent error (MAPE) and the square root mean square error (RMSE) of the estimation results. Estimation results were converted to hourly traffic volume and intersection cycle length optimization was performed using Webster method. After calculating the optimum cycle time and green times, the delay values of the intersection directions and the intersection overall with the Webster delay method are presented according to the estimation results obtained from both ARIMA and ANN methods.