Tez (Yüksek Lisans)--TOBB ETÜ Fen Bilimleri Enstitüsü Nisan 2016

Günümüzün sosyal ve insan yaşam standartları açısından en büyük problemlerinden birisi içinde bulunduğumuz trafik haline gelmiştir. Artan nüfus ve araç sayısı neticesinde mevcutta oluşan trafik problemleri katlanarak artmaktadır. Bu sebepten dolayı trafikte geçirilen zaman ve riskler de aynı oranda artmaktadır. Bu çalışmada araç trafiğinin rahatlatılması ve oluşabilecek risklerin minimuma veya önceden engellenebilmesi amaçlanmıştır. Bu kapsamda, büyük veri altyapıları ve algoritmaları, trafikte olay diye nitelendirilen kaza, trafik sıkışıklığı, yol çalışması, habersiz yapılan çalışmalar vb. gibi sebeplerden oluşabilecek aksaklıkların tespitinde kullanılmıştır. Bu tespitlerin yapılmasında yapay sinir ağlarından ve trafik problemi için optimize edilmiş modellerden faydalanılmıştır. Çalışmanın esas amacı büyük veri algoritmalarını kullanarak trafikte oluşabilecek herhangi bir olayın veya sıkışıklığın anlık tespiti ve buna bağlı olarak alınabilecek tedbirleri göstermektir. Tez kapsamında dünyada da en yoğun trafiklerden birisi olarak kabul gören İstanbul'un, pilot bölgesinden alınan trafik sensörlerindeki veriler işlenmiş olup toplamda 1 yıl içindeki veriler üzerinden model oluşturulup olay tespiti yapılmıştır. Yapılan çalışmalarda ve oluşturulan modelde %97 doğruluk oranıyla trafikteki olaylar tespit edilmiştir. Bu tespit edilen modele göre olay oluşmaya başladığında, verinin gelme hızını dikkate alarak, anlık tespit edilebilmektedir. Bu tespitlerden yola çıkarak önceden alınabilecek tedbirler ile olayın olduğu bölgedeki trafiğin diğer yollara aktarılması, olayın durumuna göre gerekli ekiplerin olay yerine gönderilmesi ve sinyalizasyon değişimleriyle kontrol altına alınıp bölgedeki trafik yoğunluğunun ve trafik güvenliğinin sağlanması hedeflenmiştir. Yapılan çalışmalar İstanbul Büyük Şehir Belediyesi Trafik Müdürlüğünün 2015 yılı trafik verisi kapsamında yapılmış olup değişen trafik koşullarına göre oluşturulan model değişim koşullarına göre geliştirilip uyum sağlaması düşünülmüştür.

In terms of social and individual living conditions, traffic has been one of the most significant problems of today's world. As a result of increasing population and vehicle number, existing traffic problems increase exponentially. Because of this reason, time wasted in traffic and possibility of having an accident increases with the rate. This thesis intends to relieve the vehicle traffic and reduce the probability of occurrence of risks to minimum or prevent in advance. In this context, big data infrastructures and algorithms are used in order to predict accident, traffic congestion, and road works, without notice works, which are named as "event". To predict all these events, this work takes advantages of artificial neural networks and models optimized for traffic congestion problems. The main purpose of the study is to predict real-time traffic events or congestion probability on time and offer related precautions to be taken. In the context of the thesis, the data from the traffic sensors has been collected for one year and used to form a model from the pilot area of Istanbul, which is known as one of the most crowded traffic on the world. As a result of the study and the model, traffic events has been detected with an accuracy rate of 97%. The events have been detected taking in the consideration of the data velocity. Based on the detections, the thesis has aimed transferring the traffic to another road, notifying the emergency units and proving the traffic security and resolving the traffic congestion with the help of the change in signalization. The study has been constructed with the 2015 traffic data from Istanbul Metropolitan Municipality Traffic Unit and the model formed by this data has been considered to be developed and accommodated with the changing conditions.