000			05192 a2200385 4500
999			_c200428231 _d46155
001			200425247
003			TR-AnTOB
005			20230908000934.0
008			161109s2016 tu 000 0
040			_aTR-AnTOB _cTR-AnTOB _beng _erda
041	0		_atur
099			_aTEZ TOBB FBE END YL’17 SÖN
100			_aSönmez, Nezahat _9118477
245	1	0	_aTrafik sensör verileri kullanılarak trafik akış tahmini: İstanbul şehri için bir uygulama = Predicting the traffic flow with using traffic sensors: An application for Istanbul / _cNezahat Sönmez.
264			_aAnkara: _bTOBB ETÜ Fen Bilimleri Enstitüsü, _c2017.
300			_axiv 63 pages : _bcolor maps, charts, graphics, illustrations (some color) ; _c30 cm.
336			_2rdacontent _atext _btxt
337			_2rdamedia _aunmediated _bn
338			_2rdacarrier _avolume _bnc
502			_aTez (Yüksek Lisans)--TOBB ETÜ Fen Bilimleri Enstitüsü Nisan 2017
504			_aIncludes bibliographical references.
520			_aUlaşımın insan yaşamındaki yeri her geçen gün artmakta ve toplumun neredeyse yarısı gününün yaklaşık bir saatini yolda geçirmektedir [1]. Türkiye İstatistik kurumunun açıklamasına göre 2016 Ocak ayı itibari ile İstanbul'da trafiğe kayıtlı motorlu kara taşıtlarının sayısı '3 651 166' gibi bir rakama ulaşmıştır. Trafik akışı üzerine tahminler yapmak, trafik işletme verimliliğini artırmak, trafiğe çıkacak kişilere gidilecek yolu seçmesi konusunda bilgi vermek gibi sebeplerle çalışılmaya başlanmış ve akıllı ulaşım sistemlerinin bir uygulaması olarak oldukça ilgi çekmiştir [2]. İstanbul şehrinde de dünyanın birçok şehrinde olduğu gibi trafik müdürlükleri tarafından gerçek zamanlı trafik verileri çeşitli algılayıcılardan elde edilerek toplanmaktadır. Şeritlerde bulunan araç sayısı, yön bazlı akış hızı, işgaliye miktarı ve şeritlerin hızı gibi değişkenler evrensel bazlı tipik veri seti değişkenleridir [3]. Çalışmada kullanılacak olan veri seti IBB Trafik Mü dü rlü ğü'nden bilimsel çalışma yapmak amacı ile dilekçe yolu ile alınmış olup, İstanbul şehrinin oldukça sıkışık yolları üzerinde yoğunlaşan uzun bir rota izlemektedir. ARIMA ve Derin Çok Katmanlı Algılayıcılar bu çalışmada trafiği modellemek için kullanılmıştır. Veri seti eğitim ve test seti olarak iki parçaya ayrılmıştır. Eğitim seti modeli eğitmek, test ise eğitilen modeli test etmek amacıyla kullanılmıştır. Test set üzerinde yapılan tahminler Çok Katmanlı Algılayıcıların bu veri seti için, ARIMA modellerine göre çok daha doğru tahminler yaptığı gözlemlenmiştir. Derin öğrenme modelleri, karmaşık sorunları çözme becerileri ile ünlüdür. Model olarak Çok Katmanlı Algılayıcı'yı seçtikten sonra, çalışmanın amacı, sadece o modelle birlikte trafik akışını tahmin etmek olmuştur. The place of transportation in human life is increasing day by day, and almost half of the society is spending one hour in traffic everyday [1]. According to Statistical Institute of Turkey, the number of motorized road vehicles registered in traffic in Istanbul reaches a number such as '3 651 166'. It has been tried to make estimations on traffic flow, to increase the efficiency of traffic operation, to give information about the way to go to traffic, and has attracted considerable attention as an application of intelligent transport systems [2]. Real time traffic data is collected from various sensors by the traffic directorates in Istanbul, as it is in many cities of the world. Variations such as the number of vehicles in the lines, the direction-based flow rate, the amount of occupation and the speed of the lines are typical universal data set variables [3]. The data set to be used in the study is taken from the IBB Traffic Directorate by means of a petition and an intention to carry out a scientific study and it follows a long route which focuses on the rather cramped roads of the city of Istanbul. The models which used to modelling traffic are ARIMA and Deep Multilayer Perceptron (DMLP). Data set separated in to parts as training and test sets to train and test models. The estimates on test set showed that DMLP is much more accurate than ARIMA for this data. DMLP is one of the deep learning algorithms. Deep learning models are famous with their ability to solve complex problems. After choosing DMLP as model, the aim of the study become predicting the traffic flow just with that model. In the study, it is determined which factors influenced the traffic flow by using artificial neural networks trained and then estimating the traffic flow of future periods.
650	0	0	_932546 _aTezler, Akademik
650	0	0	_aDissertations, Academic _932543
653			_aÇok katmanlı algılayıcılar
653			_aARIMA
653			_aTrafik akışı modelleme
653			_aMultilayer perceptrons
653			_aARIMA
653			_aTraffic flow modelling
710		2	_aTOBB Ekonomi ve Teknoloji Üniversitesi. _bFen Bilimleri Enstitüsü _977078
856			_uhttps://tez.yok.gov.tr/
942			_cTEZ _2z