Traffic volume prediction using LSTM improved with rules obtained from anomalies

Başarılı bir akıllı ulaşım sistemi oluşturmak için trafik hacim tahmini çok önemlidir. Akış verilerinin kesinliği ve zamanlılığı, tahminin etkinliği için kritik öneme sahiptir. Veri eksikliği, trafik tahmin modellerinde sığ mimarilerin kullanılmasına veya fabrikasyon ölçüm verilerine dayalı modellerin oluşturulmasına yol açmıştır. Bu modeller, sonuçları tahmin etmede yüksek düzeyde bir başarıya sahip değildi. Günümüzün büyük veri çağında, trafik yoğunluğunun artmasıyla birlikte elde edilen trafik verilerinin çeşitliliği ve ölçeği hızla artmıştır. Geçmişte yaşanabilecek olaylardan gelecekte oluşabilecek durumları belirleyebilmek her alan için büyük önem taşımaktadır. Tarih kendini sürekli olarak tekrar eder ve birçok zaman serisi probleminde geçmişte olanlardan geleceğe yönelik tahminlerde bulunmak mümkün olabilir. Bu çalışmada trafik sıkışıklığının tahmini için Machine Learning'deki Uzun Kısa Süreli Bellek yapısı hayata geçirilmiştir. UKSB, özel bir tekrarlayan sinir ağı türüdür ve standart tekrarlayan sinir ağlarından temel farkı, uzun vadeli bilgileri modellemedeki başarısıdır. UKSB kullanımı için belirli bir süre için devam eden bir veri olmalıdır ve bu geçmiş verileriyle gelecekteki durum tahmin edilir. Bu araştırmada trafikteki araç sayısını tahmin etmek için UKSB kullanıyoruz ve bunu tahmin ederek trafik sıkışıklıklarını oluşmadan önce görmeyi hedefliyoruz. UKSB'nin kullanılan verinin anomali içeren kısımlarında araç sayısında yaşadığı zorluğu yenebilmek için bu anormallikleri belirli bir kural setine oturtup tahminlerimizde bu kurallara göre düzeltmeler yapan yeni bir katman ekledik. Bu çalışmada, UKSB modelinin üzerine anomali tabanlı kurallar eklenerek geliştirilmiş bir hibrit model oluşturulmuştur, bu sayede anomali durumlarında dahi başarılı sonuçlar elde eden bir model elde edilmiştir.