En iyileştirilmiş çekirdek uç öğrenme makineleri kullanılarak trafik sinyalizasyon süresinin kontrolü

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.