Seyahat yolu çıkarımında uzaysal zamansal ölçekleme kullanan yeni bir algoritma

Bu tezde ulaşım alanında "Seyrek GPS Örnekleriyle Seyahat Yolu Çıkarımı" ve "Trafik Akışı Tahmini için Derin Sinir Ağlarının Uygulanması" konularını ele aldık. Seyrek GPS yörünge verilerinden seyahat yolu çıkarımı, GPS örneklerinin bir yol ağında yerleştirilmesi ve bir sürücünün seyrek örneklenmiş GPS gözlemlerden izliyor olabileceği yolun çıkarımının yapılmasını içerir. Hem uzamsal hem de zamansal bilgileri dahil ederek, seyahat yolu çıkarımını bir optimizasyon problemi olarak modelleyen yeni bir yöntem önerdik ve sabit maliyet araması algoritması (UCS) benzeri yeni kombinatoryal algoritma kullanan yeni bir hibrit gizli Markov modeli (HMM) önerdik. HMM tabanlı yöntemler kullanan önceki çalışmalara göre aşağıdaki iyileştirmeleri sağladık: (1) eşleşen GPS konumları arasındaki seyahat yolu çıkarımı için, önerilen hibrit HMM algoritması, hem zamansal hem de uzamsal alanlar için en olası yolu bulmak için tüm aday yolları değerlendirmektedir. Önceki çalışmalar bizim tüm çözümleri değerlendirmemizin aksine, probleme lokal olarak bakarak en kısa yolun seçimi veya eşleşen GPS gözlemelerini doğrusal olarak birbirlerine bağlama yöntemini tercih etmektedilerler. (2) Zamansal bilginin kullanımında, verilerden hesaplanan geçmiş ortalama hızı kullanılmıştır. Yeterli verinin olmadığı durumlarda ise yol üzerinde bilinen hız sınılarları kullanılmıştır. Gerçek veri kümeleriyle yaptığımız deneyler, algoritmamızın, özellikle GPS verilerinin seyrek olarak örneklendiği durumlarda, VTrack algoritmasından daha iyi performans gösterdiğini göstermektedir. Derin sinir ağlarının uygulanması için, önceki gözlemlere dayanarak gelecekteki bir zamanda yol yoğunluğunun tahminini içeren trafik akışı tahmini problemi ele alınmıştır. Problemi zamansal alanda bir dizi gözlem olarak modelleyen, yığınlanmış otomatik kodlayıcılar, kapılı tekrarlayan birimler ve uzun kısa süreli bellek teknikleri gibi sinir ağlarının türevlerini trafik akışı tahmininin çözümünde uyguladık. Farklı sinir ağlarının başarısı test edilerek, sonuçlar analiz edildi. Trafik akışı tahminindeki deneylerimiz göstermektedir ki, uzun kısa süreli bellek (LSTM), kapılı tekrarlayan birim (GRU) ve yığınlanmış otomatik kodlayıcılar (SAE), 30, 60, 90, 120 dakikalık eğitim verisi süreleri için tek bir sensör üzerinde eğitildiğinde; 5 dakika sonraki trafik durumunu başarı ile tahmin edebilmektedir.