Birleşik öğrenme tabanlı trafik akışı tahmini

Günümüzde metropollerde kentleşme ve araç yoğunluğundaki hızlı artış, trafik akışı tahminini akıllı şehir uygulamaları bağlamında çok önemli bir ihtiyaç haline getirmiştir. Bununla birlikte, merkezi sunuculardaki trafik verilerinin toplanması, veri gizliliği ve güvenliği ile ilgili endişeleri de artırmaktadır. Bu çalışmada, veri gizliliğini korumayı amaçlayan feder öğrenmeye dayalı hibrit bir GraphConv–TKAN mimarisi geliştirilmiş ve kentsel trafik verilerindeki mekânsal ve zamansal bağımlılıkların modellenmesi hedeflenmiştir. Önerilen hibrit modelde, mekânsal bağımlılıkların öğrenilmesi için Grafik Evrişim Ağı (GraphConv) kullanılırken, zamansal bağımlılıklar Zamansal Kolmogorov–Arnold Ağı (TKAN) mimarisi ile modellenmiştir. TKAN'a ek olarak, kapsamlı bir karşılaştırma yapılabilmesi amacıyla LSTM ve BiLSTM mimarileri de değerlendirilmiştir. Bildiğimiz kadarıyla bu çalışma, TKAN, LSTM ve BiLSTM modellerini hem merkezi hem de federe öğrenme ortamlarında sistematik olarak karşılaştıran ilk çalışmalardan biridir. Mekânsal ve zamansal bağımlılıkları birlikte ele alan alternatif bir mekânsal-zamansal yaklaşım olarak Zamansal Grafik Evrişim Ağı (T-GCN) modeli de karşılaştırma amacıyla değerlendirilmiştir. Bu kapsamda, orijinal T-GCN mimarisinde kullanılan GRU yapısı yerine LSTM, BiLSTM ve TKAN katmanları entegre edilerek genişletilmiş varyantlar oluşturulmuş ve bu yapıların performansları karşılaştırılmıştır Ayrıca yalnızca zamansal bağımlılıkları modelleyen temel zamansal mimariler, hem merkezi hem de federe öğrenme altında test edilmiştir. Bu modellerde veriler istemcilere eşit şekilde dağıtılarak adil ve dengeli bir karşılaştırma ortamı sağlanmıştır. Graf tabanlı mimarilerde, feder öğrenme sürecinde istemcilere veri dağıtımı aşamasında düğümleri topluluklara ayırmak amacıyla Louvain Topluluk Tespiti yöntemi kullanılmış ve her bir topluluk ayrı bir istemci olarak tanımlanmıştır. Önerilen modellerin performansı, İstanbul Büyükşehir Belediyesi Açık Veri Portalı'ndan elde edilen saatlik trafik yoğunluğu veri seti ile Caltrans tarafından yayımlanan PeMS08 veri seti üzerinde değerlendirilmiştir. İstanbul trafik veri seti başlangıçta grafik tabanlı bir yapıya sahip olmadığından, mekânsal ilişkileri temsil edebilmek amacıyla grafik yapısına dönüştürülmüş ve grafik tabanlı mekânsal modellemeye uygun hâle getirilmiştir. PeMS08 veri seti ise mevcut grafik yapısı korunarak doğrudan kullanılmıştır. Deneysel sonuçlar, önerilen GraphConv–TKAN mimarisinin federe öğrenme ortamında istikrarlı bir performans sergilediğini ve trafik verilerindeki mekânsal ve zamansal ilişkileri başarılı bir şekilde yakalayabildiğini göstermektedir. Ayrıca modelin, veri gizliliğini koruyan federe koşullar altında çalışmasına rağmen merkezi öğrenmeye oldukça yakın sonuçlar üretebildiği görülmektedir. Bu durum, grafik tabanlı mekânsal modelleme ile TKAN tabanlı zamansal öğrenmenin birlikte kullanılmasının, federe trafik tahmininde performans kaybını azaltmada etkili olabileceğini göstermektedir.