AKILLI KAVŞAKLAR İÇİN MAKİNE ÖĞRENME TABANLI GRAF ALGORİTMASININ GELİŞTİRİLMESİ

Abstract

Şehir nüfusunun hızlı arttığı dünyamızda trafikteki kaynak tüketimlerinin kontrol altına alınabilmesi, şehirlerin sürdürülebilirliği açısından çözülmesi gereken en önemli problemlerdendir. Hızla artan şehir nüfusu araç sayısı ile birlikte kavşaklardaki araç bekleme süresini de beraberinde getirmektedir. Fiziksel trafik topolojisindeki değişiklikler uzun süre aldığından, günümüzdeki çalışmalar uyarlanabilir trafik sinyalizasyon yöntemlerinin geliştirilmesi yönünde ilerlemektedir. Bu çalışmalardaki temel amaç trafikteki araçların bekleme sürelerini azaltarak birim zamanda geçen araç sayısını optimize etmektir. Verimli bir trafik sinyalizasyon yöntemi yakıt tüketimi, karbonmonoksit gazı salınımı, bireysel ekonomiye katkı, ülke ekonomisine katkı, bireysel zaman, verimlilik gibi birçok alana pozitif katkı sunmaktadır. Kavşak sinyalizasyon optimizasyonu çok sayıda gerçek zamanlı değişken veriden etkilenen gerçek bir dünya problemidir. Tek bir kavşakta maksimum akışı sağlamak bir sonraki kavşakta sıkışıklığa neden olabilir. Bu nedenle tez kapsamında bir hat veya alanın genelinde optimal akışı sağlayabilmek için faz ve süreyi optimize edebilen Derin Pekiştirmeli Öğrenme (Deep Reinforcement Learning-DRL) tabanlı graf yöntemi önerilmiştir. Bu yöntem, araç verilerinin doğrudan ölçeklendirilmiş şehir kavşaklarına entegre edilerek Kentsel Mobilite Simülasyonu (Simulation of Urban Mobility-SUMO) üzerinde geliştirilmiştir. Yöntem, ardışık iki kavşağın iki günlük araç trafiğine dair bilgileri kullanmaktadır. Bu yaklaşımda faz sırası DRL yöntemiyle hesaplanmaktadır. Faz süresi ise Ford-Fulkerson algoritmasının maksimum akış bulma yönteminden yararlanılarak hesaplanır. Faz sırası ve süresi birleştirilerek sinyalizasyon yürütülmektedir. Önerilen yöntem ardışık kavşaklar üzerinde ayrı ayrı modeller halinde paralel çalıştırılarak SUMO simülatöründe test edilmiştir. Bu yaklaşımın, gerçek harita ve gerçek veri kullanarak kavşaklarda kuyruk uzunluğunu tekli olarak %31 ile %73 arasında azalttığı, genel trafik düzeyinde ise kuyruk uzunluğunu %61 oranla azaltarak, trafik sıkışıklığının çözümünde verimli sonuçlar ürettiği gözlemlenmiştir. Gerçek araç verilerinin yanı sıra sentetik üretilen araç verilerinden elde edilen test sonuçlarına göre yöntemin geliştirilmesi ve uygulanması umut vericidir.In our world where the urban population is rapidly increasing, controlling resource consumption in traffic is one of the most important problems to be solved in terms of the sustainability of cities. The rapidly increasing city population brings with it the number of vehicles and the waiting time at intersections. Since changes in physical traffic topology take a long time, current studies are moving towards the development of adaptive traffic signaling methods. The main purpose of these studies is to optimize the number of vehicles passing per unit time by reducing the waiting times of vehicles in traffic. An efficient traffic signaling method makes a positive contribution to many areas such as fuel consumption, carbon monoxide gas emission, contribution to the individual economy, contribution to the national economy, individual time and efficiency. Intersection signaling optimization is a real-world problem affected by a large amount of real-time variable data. Maintaining maximum flow at a single intersection may cause congestion at the next intersection. For this reason, within the scope of the thesis, a Deep Reinforcement Learning (DRL) based graph method that can optimize phase and duration in order to ensure optimal flow throughout a line or area has been proposed. This method was developed on Simulation of Urban Mobility (SUMO) by integrating vehicle data directly into scaled city intersections. The method uses information on two-day vehicle traffic at two consecutive intersections. In this approach, the phase sequence is calculated by the DRL method. Phase duration is calculated using the maximum flow finding method of the Ford-Fulkerson algorithm. Signaling is carried out by combining phase sequence and duration. The proposed method was tested in the SUMO simulator by running parallel models as separate models on consecutive intersections. It has been observed that this approach reduces the queue length at intersections individually by 31%to 73%by using real maps and real data, and produces efficient results in solving traffic congestion by reducing the queue length by 61%at the general traffic level. The development and application of the method based on test results obtained from real vehicle data as well as synthetically generated vehicle data is promising.