EN İYİLEŞTİRİLMİŞ ÇEKİRDEK UÇ ÖĞRENME MAKİNELERİ KULLANILARAK TRAFİK SİNYALİZASYON SÜRESİNİN KONTROLÜ

Abstract

Son yıllarda şehirleşme ve araç sayısının artması, trafik sıkışıklığının da artmasına sebep olmuştur. Dolayısıyla bu soruna çözüm arayışında olan ulaşım sistemlerindeki gelişmeler de hızlanmış, bir çok çözüm önerisinde bulunulmuştur. Ancak önerilerin bir çoğu trafik akışının dinamikliğine tam olarak yanıt verememektedir. Statik trafik yönetimlerinin yetersiz olması nedeniyle akıllı ulaşım sistemlerinin önemi artmış, araştırmacılar gerçek zamanlı trafik yönetim modelleri ile trafik akışının değişken ve çok parametreli yapısına yönelik çalışmalarını artırmıştır. Bu tez çalışmasında amaç, trafik sıkışıklığının azaltılması ve trafiğin daha akıcı bir hale gelmesidir. Bu amaç doğrultusunda trafik sinyalizasyon sistemlerinde kullanılmakta olan geleneksel sabit süreli yönetim modelleri yerine derin öğrenme ve tek gizli katmana sahip ileri beslemeli bir yapay sinir ağı olan uç öğrenme makinelerinin (ELM, Extreme Learning Machine) bir kombinasyonu kullanılmıştır. Yapılan çalışma 4 aşamada gerçekleştirilmiştir. Birinci aşamada, gerçek trafiğe ait video görüntülerinde yer alan araçlar, derin öğrenme algoritmalarından YOLOv8 ile tespit edilmiş ve sınıflandırılmıştır. İkinci aşamada, eğitilmiş derin modelin öznitelikleri çıkarılarak çekirdek uç öğrenme makinesine (KELM, Kernel ELM) giriş olarak verilmiştir. Burada, veri setinin karmaşık yapısını modellemek, trafik akışı tahminlerindeki doğruluğu artırmak için uç öğrenme makinesi iç çarpımı, çekirdek (kernel) işleviyle değiştirilmiştir. Üçüncü aşamada KELM'nin optimizasyonu için Parçacık Sürü Optimizasyonu (PSO, Particle Swarm Optimization ), Gri Kurt Optimizasyon Algoritması (GWO, Grey Wolf Optimization), Genetik Algoritma (GA, Genetic Algorithm) ve Yapay Arı Kolonisi Optimizasyon Algoritması (ABC, Artificial Bee Colony) kullanılmıştır. Bu basamaktaki çalışma sonrası, Genetik Algoritmanın problemimize ve veri setimize diğer algortimalara göre daha uygun olduğu tespit edilmiştir. Son aşamada ise tespit edilen araçların sayılması, araç sayılarına göre oluşturulabilebilecek adaptif trafik yönetim modelinin simule edilmesi yer almaktadır. Python Pygame kütüphanesi kullanılarak hazırlanan simülasyonda, 4 kollu izole sinyalize kavşaktaki trafik canlandırılmıştır. Gerçek kamera görüntüsünde, kırmızı ışıkta bekleyen araçlar tespit edilerek araç sayıları elde edilmekte, bu araçlara atanan değerler kulanılarak yeşil ışığın süresi tayin edilmektedir. Bu şekilde gerçek trafik yoğunluğuna, aracın sayısına hatta araç türüne özel bir adaptif trafik kontrol sistemi oluşturulmuştur.

In recent years, urbanization and the increase in the number of vehicles have led to an increase in traffic congestion. Therefore, developments in transportation systems seeking solutions to this problem have accelerated, and many solution proposals have been made. However, many of these proposals fail to fully respond to the dynamics of traffic flow. Due to the inadequacy of static traffic management, the importance of intelligent transportation systems has increased, and researchers have increased their efforts towards real-time traffic management models to address the variable and multi-parameter nature of traffic flow. The aim of this thesis is to reduce traffic congestion and make traffic flow smoother. In line with this goal, a combination of deep learning and Extreme Learning Machines (ELM) with a single hidden layer feedforward artificial neural network has been used instead of traditional fixed-time management models used in traffic signalization systems. The study was conducted in four steps. In the first step, vehicles in video images of real traffic were detected and classified using the YOLOv8 deep learning algorithm. In the second step, the features of the trained deep model were extracted and provided as input to the Kernel Extreme Learning Machine (KELM). Here, the inner product of the extreme learning machine was replaced with a kernel function to model the complex structure of the dataset and improve the accuracy of traffic flow predictions. Particle Swarm Optimization (PSO), Grey Wolf Optimization Algorithm (GWO), Genetic Algorithm (GA), and Artificial Bee Colony Algorithm (ABC) were used for the optimization of KELM in the third step. Following this step, it was determined that the Genetic Algorithm was more suitable for our problem and dataset compared to other algorithms. The fourth step involves counting the detected vehicles and simulating an adaptive traffic management model that could be created based on the number of vehicles. In the simulation prepared using the Python Pygame library, traffic at a 4-way isolated signalized intersection is animated. In the real-time camera image, vehicles waiting at red lights are detected to obtain vehicle counts, and the duration of the green light is determined using the values assigned to these vehicles. Thus, an adaptive traffic control system tailored to real traffic density, vehicle count, and even vehicle type has been created.