Development of Delay Models with a Deep Learning Approach For Adaptive Signalized Intersections
[ X ]
Tarih
2021
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Kırıkkale Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Signalized intersection management systems have become more efficient with the help of developments in communication and detector systems. Especially, Adaptive Signal Management Systems (ASMS) is planned intersections to adapt to variable traffic parameters. However, previous approaches developed to measure the efficiency of signalized intersections are not compatible with the continuous change of control parameters such as cycle length and phase plans. In this study, a delay estimation model (DÖM) has been developed for intersections managed with ASMS using the deep learning approach. The efficiency of the DÖM has been analyzed by comparing the performances with artificial neural network (ANN) models and analytical models. In addition, DÖM and ANN models were trained with different input variables and their performances were investigated. The data used for modeling were collected from the intersection managed by ASMS in Kırıkkale province by making observations. These observations were made according to vehicle types and delay observations of 6331 vehicles in a total of 487 cycles were made. Analysis results showed that the DÖM model predicts the actual delays with error percentages approximately 2 times lower than the ANN model, and approximately 5 times lower than the analytical models. This study revealed that DÖM is an effective performance measurement model for signalized intersections operating with variable timing.
Sinyalize kavşak yönetim sistemleri, haberleşme ve detektör sistemlerindeki gelişmeler sayesinde daha verimli hale gelmiştir. Özellikle Adaptif Sinyal Yönetim Sistemleri (ASYS), kavşakları değişken trafik parametrelerine uyum sağlayacak biçimde planlanmaktadır. Fakat, sinyalize kavşakların etkinliğinin ölçülmesi için geliştirilen geçmiş yaklaşımlar, devre süresi, faz düzeni gibi, denetim parametrelerinin sürekli değişimine uyumlu değildir. Bu çalışmada, derin öğrenme yaklaşımı kullanılarak ASYS ile yönetilen kavşaklar için bir gecikme tahmin modeli (DÖM) geliştirilmiştir. Performanslar yapay sinir ağı (YSA) modelleri ve analitik modellerle karşılaştırılarak DÖM'ün verimliliği analiz edilmiştir. Ayrıca, DÖM ve YSA modelleri, farklı girdi değişkenleri ile eğitilerek performansları araştırılmıştır. Modellemeler için kullanılan veriler Kırıkkale ili sınırları içindeki ASYS' leyle yönetilen kavşaktan, gözlemler yapılarak toplandı. Bu gözlemler araç türlerine göre yapılmış ve toplam 487 adet devrede 6331 adet taşıtın gecikme gözlemi gerçekleştirilmiştir. Analiz sonuçları, DÖM modelinin, gerçek değerleri YSA modelinden yaklaşık 2 kat, analitik modellerden yaklaşık 5 kat daha düşük hata yüzdeleri ile tahmin ettiğini göstermiştir. Bu çalışma, derin öğrenme yaklaşımının, değişken zamanlama ile çalışan sinyalize kavşaklar için etkin bir performans ölçüm modeli olduğunu ortaya koymuştur.
Sinyalize kavşak yönetim sistemleri, haberleşme ve detektör sistemlerindeki gelişmeler sayesinde daha verimli hale gelmiştir. Özellikle Adaptif Sinyal Yönetim Sistemleri (ASYS), kavşakları değişken trafik parametrelerine uyum sağlayacak biçimde planlanmaktadır. Fakat, sinyalize kavşakların etkinliğinin ölçülmesi için geliştirilen geçmiş yaklaşımlar, devre süresi, faz düzeni gibi, denetim parametrelerinin sürekli değişimine uyumlu değildir. Bu çalışmada, derin öğrenme yaklaşımı kullanılarak ASYS ile yönetilen kavşaklar için bir gecikme tahmin modeli (DÖM) geliştirilmiştir. Performanslar yapay sinir ağı (YSA) modelleri ve analitik modellerle karşılaştırılarak DÖM'ün verimliliği analiz edilmiştir. Ayrıca, DÖM ve YSA modelleri, farklı girdi değişkenleri ile eğitilerek performansları araştırılmıştır. Modellemeler için kullanılan veriler Kırıkkale ili sınırları içindeki ASYS' leyle yönetilen kavşaktan, gözlemler yapılarak toplandı. Bu gözlemler araç türlerine göre yapılmış ve toplam 487 adet devrede 6331 adet taşıtın gecikme gözlemi gerçekleştirilmiştir. Analiz sonuçları, DÖM modelinin, gerçek değerleri YSA modelinden yaklaşık 2 kat, analitik modellerden yaklaşık 5 kat daha düşük hata yüzdeleri ile tahmin ettiğini göstermiştir. Bu çalışma, derin öğrenme yaklaşımının, değişken zamanlama ile çalışan sinyalize kavşaklar için etkin bir performans ölçüm modeli olduğunu ortaya koymuştur.
Açıklama
Anahtar Kelimeler
Delay, HCM, Australia, ANN, Deep Learning, Gecikme, HCM, Avustralya, Yapay Sinir Ağları, Derin Öğrenme, Civil Engineering
Kaynak
Uluslararası Mühendislik Araştırma ve Geliştirme Dergisi
WoS Q Değeri
Scopus Q Değeri
Cilt
1
Sayı
2-390
