Deep learning models for traffic volume prediction

Son 50 yılda şehirlerin büyümesi, araç sayısının ve hareketliliğin artmasıyla birlikte trafik sıkıntılı hale geldi. Bunun sonucunda trafik akış tahmini önemli bir araştırma alanı olarak dikkat çekmeye başladı. Bununla birlikte, kapsamlı literatüre rağmen trafik akışı tahmini, özellikle uzun vadeli trafik akışı tahmini için hala açık bir araştırma problemi olarak kalmaktadır. Kısa vadeli trafik akışı tahmini için geliştirilen modellerle karşılaştırıldığında uzun vadeli trafik akışı tahmini için geliştirilen modellerin sayısı oldukça azdır. Bu eksiklikten yola çıkarak, biz bu çalışmada uzun dönem trafik akış tahmini problemine odaklanıyoruz ve yeni bir derin topluluk öğrenme modeli öneriyoruz. Bu topluluk öğrenme modelini oluşturabilmek için öncelikle, temel öğreniciler olarak kullandığımız 3 farklı derin öğrenme mimarisini (yani LSTM, CNN ve GRU) kullanarak 3 farklı derin öğrenme modeli geliştirdik. Daha sonra, bu modellerin bireysel tahmin başarılarına göre tahmin sonuçlarını birleştirdik. Bunun için ayrı bir derin öğrenme modeli kullandık. Önerdiğimiz model esnek ve dinamik bir yapıya sahiptir, model güncel trafik durumuna göre kendini yenileyebilir. Önerilen modelin performansını değerlendirmek için halka açık bir veri seti kullanıyoruz. Sayısal sonuçlar, önerilen modelimizin bireysel derin öğrenme modellerinden (örn. LSTM, CNN, GRU), seçilmiş geleneksel makine öğrenme modellerinden (örn. doğrusal regresyon (LR), karar ağacı regresyonu (DTR), k-en yakın komşular) ve rastgele orman regresyonu (RFR) gibi diğer topluluk öğrenme modellerinden daha iyi performans sergilediğini gösteriyor.