Yapay Sinir Ağları ile Trafik Hacmi Tahmini: Türkiye Örneği ve Karşılaştırmalı Analiz

ÖZET

Ulaşım mühendisliği, özellikle büyükşehirlerde artan trafik yoğunluğu, seyahat süresi belirsizlikleri ve altyapı kapasite sorunları nedeniyle günümüzde en kritik mühendislik disiplinlerinden biri haline gelmiştir. Trafik hacminin doğru ve güvenilir şekilde tahmin edilmesi; yol tasarımı, kapasite planlaması, trafik yönetimi ve akıllı ulaşım sistemlerinin etkinliği açısından büyük önem taşımaktadır. Bu çalışmada, kısa vadeli trafik hacmi tahmini problemi ele alınmış ve yapay sinir ağları (YSA) temelli modeller ile geleneksel istatistiksel yöntemler karşılaştırmalı olarak analiz edilmiştir.

Çalışma kapsamında, Türkiye’deki bir kentsel ulaşım aksına ait trafik verileri kullanılarak Yapay Sinir Ağı modellerinden İleri Beslemeli Geri Yayılımlı Sinir Ağı (FFBP), Genelleştirilmiş Regresyon Sinir Ağı (GRNN) ve Radyal Tabanlı Fonksiyon Ağı (RBF) yöntemleri uygulanmıştır. Ayrıca, elde edilen sonuçlar Çoklu Doğrusal Regresyon (MLR) yöntemi ile karşılaştırılmıştır. Model performansları; ortalama karesel hata (MSE) ve belirleme katsayısı (R²) gibi istatistiksel ölçütler kullanılarak değerlendirilmiştir.

Elde edilen bulgular, yapay sinir ağlarının özellikle doğrusal olmayan trafik verilerini modellemede geleneksel yöntemlere göre daha başarılı sonuçlar verdiğini göstermektedir. GRNN modelinin yüksek doğruluk oranı ile öne çıktığı, ancak bazı durumlarda MLR modelinin hata minimizasyonunda rekabetçi sonuçlar sunduğu belirlenmiştir. Bu sonuçlar, ulaşım mühendisliği uygulamalarında hibrit model yaklaşımlarının önemini ortaya koymaktadır.

Anahtar Kelimeler: Trafik hacmi, yapay sinir ağları, ulaşım mühendisliği, trafik tahmini, regresyon analizi, akıllı ulaşım sistemleri

ABSTRACT

Transportation engineering has become one of the most critical engineering disciplines due to increasing traffic congestion, travel time uncertainties, and infrastructure capacity problems, especially in metropolitan areas. Accurate and reliable prediction of traffic volume is essential for road design, capacity planning, traffic management, and intelligent transportation systems.

In this study, the problem of short-term traffic volume prediction is addressed, and artificial neural network (ANN)-based models are compared with traditional statistical methods. Traffic data obtained from an urban transportation corridor in Turkey were used. Feed Forward Back Propagation (FFBP), Generalized Regression Neural Network (GRNN), and Radial Basis Function (RBF) models were implemented and compared with the Multi-Linear Regression (MLR) method.

Model performances were evaluated using statistical criteria such as Mean Squared Error (MSE) and coefficient of determination (R²). The findings indicate that ANN models outperform traditional methods in modeling nonlinear traffic data. Among ANN models, GRNN showed superior performance in terms of accuracy, while MLR demonstrated competitive results in minimizing error under certain conditions.

Keywords: Traffic volume, artificial neural networks, transportation engineering, traffic prediction, regression analysis

1. GİRİŞ

Ulaşım sistemleri, modern kentlerin işleyişinde kritik bir rol üstlenmekte olup, ekonomik sürdürülebilirlikten sosyal refaha kadar geniş bir yelpazede doğrudan etkiler yaratmaktadır. Özellikle hızlı kentleşme süreci yaşayan ülkelerde, motorlu taşıt sayısındaki artış ile birlikte trafik yoğunluğu önemli bir mühendislik problemi haline gelmiştir. Türkiye gibi gelişmekte olan ülkelerde bu durum daha belirgin şekilde hissedilmekte; mevcut altyapının artan talebi karşılamakta yetersiz kalması, trafik sıkışıklığını kronik bir sorun haline dönüştürmektedir. Trafik sıkışıklığı yalnızca zaman kaybına neden olmakla kalmayıp, aynı zamanda yakıt tüketiminin artması, çevresel kirliliğin yükselmesi ve trafik güvenliğinin azalması gibi çok boyutlu olumsuz sonuçlar doğurmaktadır.

Bu bağlamda, trafik akışının doğru analiz edilmesi ve geleceğe yönelik güvenilir tahminlerin yapılması, ulaşım mühendisliği disiplininin temel çalışma alanlarından biri olarak öne çıkmaktadır. Trafik hacmi tahmini, yol kapasitesinin belirlenmesi, yeni yol projelerinin planlanması, sinyalizasyon sistemlerinin optimize edilmesi ve akıllı ulaşım sistemlerinin geliştirilmesi açısından vazgeçilmez bir araçtır. Özellikle kısa vadeli trafik tahminleri, anlık trafik yönetimi ve karar destek sistemleri için kritik öneme sahiptir. Bu tür tahminler sayesinde sürücülere alternatif güzergâh önerileri sunulabilmekte, trafik yoğunluğu dengelenebilmekte ve ulaşım sistemlerinin genel verimliliği artırılabilmektedir.

Geleneksel trafik tahmin yöntemleri incelendiğinde, çoğunlukla istatistiksel modellere dayalı yaklaşımların kullanıldığı görülmektedir. Zaman serisi analizleri, otoregresif modeller ve çoklu doğrusal regresyon gibi yöntemler uzun yıllar boyunca bu alanda yaygın olarak tercih edilmiştir. Ancak trafik akışının doğası gereği yüksek derecede değişken, karmaşık ve çoğu zaman doğrusal olmayan bir yapıya sahip olması, bu yöntemlerin doğruluğunu sınırlayan önemli bir faktör olarak karşımıza çıkmaktadır. Özellikle ani trafik değişimleri, hava koşulları, kazalar ve sürücü davranışları gibi birçok değişkenin etkisi altında olan trafik sistemleri, klasik istatistiksel modeller ile tam anlamıyla temsil edilememektedir.

Son yıllarda, yapay zeka ve makine öğrenmesi tekniklerindeki gelişmeler, bu sınırlamaları aşmak adına önemli fırsatlar sunmuştur. Yapay sinir ağları, insan beyninin öğrenme ve genelleme yeteneklerinden esinlenerek geliştirilmiş modeller olup, karmaşık ve doğrusal olmayan ilişkileri başarıyla öğrenebilme kapasitesine sahiptir. Bu özellikleri sayesinde, ulaşım mühendisliği başta olmak üzere birçok mühendislik alanında yaygın olarak kullanılmaya başlanmıştır. Trafik hacmi tahmini gibi çok değişkenli ve dinamik problemlerde, yapay sinir ağlarının sunduğu esneklik ve yüksek doğruluk oranı, bu yöntemleri geleneksel modellere kıyasla daha avantajlı hale getirmektedir.

Literatürde yapılan çalışmalar incelendiğinde, yapay sinir ağlarının trafik tahmininde oldukça başarılı sonuçlar verdiği görülmektedir. Bununla birlikte, farklı yapay sinir ağı modellerinin performanslarının karşılaştırıldığı çalışmaların sınırlı olduğu ve çoğu çalışmanın belirli bir model üzerine yoğunlaştığı dikkat çekmektedir. Ayrıca Türkiye özelinde yapılan çalışmaların önemli bir kısmında, model karşılaştırmalarının yeterince kapsamlı olmadığı ve gerçek veri setleri ile desteklenen uygulamaların sınırlı kaldığı görülmektedir. Bu durum, ulaşım mühendisliği alanında daha kapsamlı ve karşılaştırmalı analizlere duyulan ihtiyacı ortaya koymaktadır.

Bu çalışmada, kısa vadeli trafik hacmi tahmini problemi Türkiye örneği üzerinden ele alınmakta ve farklı yapay sinir ağı modellerinin performansları karşılaştırmalı olarak incelenmektedir. Çalışma kapsamında, İleri Beslemeli Geri Yayılım Sinir Ağı (FFBP), Genelleştirilmiş Regresyon Sinir Ağı (GRNN) ve Radyal Tabanlı Fonksiyon Ağı (RBF) modelleri uygulanmakta; elde edilen sonuçlar geleneksel Çoklu Doğrusal Regresyon yöntemi ile karşılaştırılmaktadır. Bu sayede, farklı model yaklaşımlarının güçlü ve zayıf yönleri ortaya konularak, ulaşım mühendisliği uygulamaları için daha etkin model seçim kriterlerinin geliştirilmesi amaçlanmaktadır.

Bu araştırmanın temel amacı, trafik hacmi tahmininde yapay sinir ağlarının performansını ortaya koymak ve bu modellerin geleneksel yöntemlere kıyasla sağladığı avantajları bilimsel bir çerçevede değerlendirmektir. Aynı zamanda, elde edilen bulgular doğrultusunda Türkiye’de akıllı ulaşım sistemlerinin geliştirilmesine katkı sağlayabilecek önerilerin sunulması hedeflenmektedir. Bu yönüyle çalışma, hem teorik hem de uygulamaya yönelik bir katkı sunmayı amaçlamakta olup, ulaşım mühendisliği literatürüne özgün bir bakış açısı kazandırmayı hedeflemektedir.

2. LİTERATÜR TARAMASI

Trafik hacmi tahmini, ulaşım mühendisliği literatüründe uzun yıllardır üzerinde çalışılan temel konulardan biri olup, özellikle artan kentleşme ve ulaşım talebi ile birlikte daha da önem kazanmıştır. Trafik sistemlerinin dinamik, karmaşık ve çoğu zaman doğrusal olmayan yapısı, bu alanda geliştirilen modellerin sürekli olarak evrilmesine neden olmuştur. Literatür incelendiğinde, trafik tahminine yönelik çalışmaların genel olarak iki ana yaklaşım etrafında şekillendiği görülmektedir: geleneksel istatistiksel yöntemler ve yapay zeka temelli yaklaşımlar.

İlk dönem çalışmalarda trafik hacmi tahmini büyük ölçüde istatistiksel modellere dayandırılmıştır. Özellikle Box–Jenkins metodolojisine dayanan zaman serisi analizleri, bu alanda yaygın olarak kullanılmıştır. Ahmed ve Cook (1979), otoyol trafik verileri üzerinde gerçekleştirdikleri çalışmada, otoregresif hareketli ortalama (ARMA) modellerinin trafik tahmini için uygulanabilirliğini ortaya koymuştur. Bu tür modeller, geçmiş verilere dayanarak gelecekteki trafik hacmini tahmin etme konusunda belirli bir başarı sağlamış olsa da, sistemin doğrusal kabul edilmesi önemli bir sınırlılık olarak değerlendirilmiştir.

Takip eden yıllarda, doğrusal regresyon modelleri ve çoklu doğrusal regresyon (MLR) yöntemleri trafik tahmininde sıklıkla kullanılmaya başlanmıştır. Bu modeller, bağımlı değişken ile bağımsız değişkenler arasındaki ilişkiyi doğrusal bir çerçevede ele almakta ve özellikle veri setinin düzenli olduğu durumlarda kabul edilebilir sonuçlar üretmektedir. Ancak trafik akışının doğası gereği birçok dış faktörden etkilenmesi ve ani değişimler gösterebilmesi, bu modellerin genelleme kabiliyetini sınırlamaktadır. Karlaftis ve Vlahogianni (2011), istatistiksel yöntemlerin trafik tahmininde belirli bir başarı sağladığını ancak doğrusal olmayan sistemleri modellemede yetersiz kaldığını vurgulamıştır.

Bu sınırlamaların aşılması amacıyla, 1990’lı yıllardan itibaren yapay zeka temelli yöntemler ulaşım mühendisliği alanında kullanılmaya başlanmıştır. Özellikle yapay sinir ağları, karmaşık ve doğrusal olmayan ilişkileri modelleyebilme yetenekleri sayesinde trafik tahmininde önemli bir alternatif olarak öne çıkmıştır. Dougherty (1995), yapay sinir ağlarının ulaşım mühendisliğindeki uygulamalarını incelediği çalışmasında, bu modellerin esnek yapısı ve öğrenme kabiliyeti sayesinde geleneksel yöntemlere kıyasla daha üstün performans sergilediğini belirtmiştir.

Yapay sinir ağlarının trafik tahmininde kullanımına yönelik çalışmalar, farklı model türleri üzerinden geliştirilmiştir. Bunlar arasında en yaygın kullanılan modellerden biri İleri Beslemeli Geri Yayılım (FFBP) sinir ağlarıdır. Rumelhart vd. (1986) tarafından geliştirilen geri yayılım algoritması, sinir ağlarının öğrenme sürecinde hata minimizasyonunu mümkün kılmış ve bu modelin geniş bir uygulama alanı bulmasını sağlamıştır. Ulaştırma mühendisliği bağlamında yapılan çalışmalarda, FFBP modelinin özellikle kısa vadeli trafik tahminlerinde başarılı sonuçlar verdiği ortaya konmuştur.

Genelleştirilmiş Regresyon Sinir Ağı (GRNN) modeli ise regresyon problemlerine özel olarak geliştirilmiş olup, hızlı öğrenme yeteneği ile dikkat çekmektedir. Specht (1991) tarafından geliştirilen bu model, iteratif eğitim gerektirmemesi ve doğrudan veri dağılımına dayalı tahmin yapabilmesi açısından önemli avantajlar sunmaktadır. Kumar vd. (2013), GRNN modelinin farklı zaman aralıklarında trafik hacmi tahmininde yüksek doğruluk sağladığını göstermiştir. Bu modelin özellikle veri setinin sınırlı olduğu durumlarda dahi güçlü performans sergilediği literatürde sıkça vurgulanmaktadır.

Bir diğer önemli yapay sinir ağı modeli olan Radyal Tabanlı Fonksiyon (RBF) ağları, doğrusal olmayan fonksiyonların modellenmesinde etkili bir yöntem olarak öne çıkmaktadır. Broomhead ve Lowe (1988) tarafından geliştirilen bu model, gizli katmanda radyal fonksiyonlar kullanarak giriş verilerini dönüştürmekte ve çıktı katmanında doğrusal bir kombinasyon ile sonuç üretmektedir. RBF ağlarının en önemli avantajlarından biri, eğitim sürecinde tek bir global minimuma ulaşabilmesidir. Ancak bu modelin performansı, veri setinin dağılımına bağlı olarak değişkenlik gösterebilmektedir.

Yapay sinir ağlarının yanı sıra, literatürde hibrit model yaklaşımlarının da giderek yaygınlaştığı görülmektedir. Bu modeller, istatistiksel yöntemler ile yapay zeka tekniklerini bir arada kullanarak daha yüksek doğruluk elde etmeyi amaçlamaktadır. Vlahogianni vd. (2004), kısa vadeli trafik tahminine yönelik yaptıkları kapsamlı çalışmada, hibrit modellerin özellikle değişken trafik koşullarında daha güvenilir sonuçlar ürettiğini belirtmiştir. Bu durum, tek bir modelin tüm koşullarda yeterli olmayabileceğini ve model kombinasyonlarının önemini ortaya koymaktadır.

Türkiye özelinde yapılan çalışmalar incelendiğinde, yapay sinir ağlarının trafik tahmininde kullanımının son yıllarda artış gösterdiği görülmektedir. Özellikle büyükşehirlerdeki trafik yoğunluğunun modellenmesine yönelik çalışmalar, bu alanda önemli bir literatür oluşturmaya başlamıştır. Ancak bu çalışmaların önemli bir kısmında tek bir modelin ele alındığı ve farklı yöntemlerin karşılaştırmalı analizinin sınırlı olduğu dikkat çekmektedir. Bu durum, model performanslarının kapsamlı bir şekilde değerlendirilmesini zorlaştırmakta ve uygulama alanında doğru model seçimini güçleştirmektedir.

Bu çalışma, literatürdeki söz konusu boşluğu doldurmayı amaçlamakta ve farklı yapay sinir ağı modellerini aynı veri seti üzerinde karşılaştırarak kapsamlı bir analiz sunmaktadır. Böylece, hem teorik hem de uygulamaya yönelik olarak ulaşım mühendisliği alanına katkı sağlanması hedeflenmektedir. Özellikle Türkiye örneği üzerinden gerçekleştirilen bu analiz, yerel koşullara uygun model seçiminde yol gösterici nitelikte olacaktır.

3. YÖNTEM VE MODELLEME YAKLAŞIMI

Bu çalışmada, kısa vadeli trafik hacmi tahmini problemi, hem geleneksel istatistiksel yöntemler hem de yapay zeka temelli yaklaşımlar çerçevesinde ele alınmıştır. Trafik akışının zamana bağlı olarak değişkenlik göstermesi ve çok sayıda dış etkene bağlı olması, modelleme sürecinde dinamik ve doğrusal olmayan yapıların dikkate alınmasını zorunlu kılmaktadır. Bu nedenle çalışmada, farklı modelleme paradigmalarına sahip yöntemler bir arada değerlendirilerek karşılaştırmalı bir analiz gerçekleştirilmiştir.

Modelleme süreci, veri setinin hazırlanması, model yapılarının oluşturulması ve performans değerlendirme aşamalarından oluşmaktadır. Bu süreçte temel amaç, geçmiş trafik verilerinden hareketle gelecekteki trafik hacmini en düşük hata ile tahmin edebilen modeli belirlemektir. Bu bağlamda, zaman serisi yaklaşımı benimsenmiş ve trafik hacmi, geçmiş zaman adımlarına bağlı bir fonksiyon olarak ifade edilmiştir.

Trafik hacmi tahmini genel olarak aşağıdaki fonksiyonel yapı ile temsil edilebilir:

Y(t)=f(Y(t−1),Y(t−2),…,Y(t−n))

Burada Y(t) anlık trafik hacmini, Y(t−n) ise geçmiş zaman adımlarındaki trafik değerlerini ifade etmektedir. Bu yaklaşım, trafik akışının zamansal bağımlılığını modellemek açısından temel bir çerçeve sunmaktadır.

3.1. Veri Setinin Yapısı ve Modelleme Kurgusu

Çalışmada kullanılan veri seti, belirli bir ulaşım aksında ölçülen trafik hacimlerinin zamana bağlı değişimini içermektedir. Veri seti, eşit zaman aralıkları ile elde edilmiş olup, her bir gözlem belirli bir zaman dilimindeki araç sayısını temsil etmektedir. Bu yapı, verinin zaman serisi analizi için uygun olduğunu göstermektedir.

Modelleme sürecinde, veri seti eğitim ve test olmak üzere iki alt kümeye ayrılmıştır. Eğitim veri seti, modelin öğrenme sürecinde kullanılırken; test veri seti, modelin genelleme kabiliyetini değerlendirmek amacıyla kullanılmıştır. Bu ayrım, modelin yalnızca eğitim verisine bağımlı kalmasını engellemekte ve gerçek dünya performansının daha doğru bir şekilde ölçülmesini sağlamaktadır.

Veri seti ayrıca normalize edilerek model girişine uygun hale getirilmiştir. Normalizasyon işlemi, özellikle yapay sinir ağlarının daha stabil ve hızlı öğrenmesini sağlamak amacıyla uygulanmıştır. Bu işlem ile veri değerleri belirli bir aralığa (genellikle 0–1) indirgenmiş ve modelin sayısal kararlılığı artırılmıştır.

3.2. Yapay Sinir Ağları ile Modelleme

Yapay sinir ağları, çok katmanlı bir yapı içerisinde giriş, gizli ve çıkış katmanlarından oluşan ve veriler arasındaki karmaşık ilişkileri öğrenebilen sistemlerdir. Bu çalışmada üç farklı yapay sinir ağı modeli kullanılarak trafik hacmi tahmini gerçekleştirilmiştir.

3.2.1. İleri Beslemeli Geri Yayılım (FFBP) Modeli

FFBP modeli, çok katmanlı algılayıcı (MLP) yapısına dayanmaktadır. Bu modelde, giriş katmanına verilen veriler gizli katmanlar aracılığıyla işlenerek çıkış katmanına iletilmektedir. Ağın öğrenme süreci, hata geri yayılım algoritması ile gerçekleştirilmektedir.

Modelde, giriş katmanına geçmiş zaman adımlarına ait trafik verileri verilmekte, çıkış katmanında ise tahmin edilen trafik hacmi elde edilmektedir. Gizli katman sayısı ve nöron sayısı, model performansını doğrudan etkileyen parametreler olup, bu çalışmada deneysel olarak optimize edilmiştir.

FFBP modelinde kullanılan aktivasyon fonksiyonları, doğrusal olmayan ilişkilerin öğrenilmesini mümkün kılmaktadır. Özellikle sigmoid ve tanh fonksiyonları, modelin genelleme yeteneğini artırmaktadır. Öğrenme sürecinde, hata fonksiyonu minimize edilerek ağ ağırlıkları güncellenmektedir.

3.2.2. Genelleştirilmiş Regresyon Sinir Ağı (GRNN) Modeli

GRNN modeli, olasılık yoğunluk fonksiyonuna dayalı bir yaklaşım benimsemektedir. Bu model, giriş ve çıkış değişkenleri arasındaki ilişkiyi doğrudan veri üzerinden tahmin etmekte ve klasik sinir ağlarından farklı olarak iteratif bir eğitim süreci gerektirmemektedir.

GRNN modelinde temel parametre “spread” değeridir. Bu parametre, modelin genelleme kabiliyetini belirlemekte olup, çok küçük değerler aşırı öğrenmeye, çok büyük değerler ise düşük doğruluğa neden olabilmektedir. Bu nedenle, optimum spread değeri deneysel analizler ile belirlenmiştir.

Bu modelin en önemli avantajı, hızlı öğrenme ve yüksek doğruluk oranıdır. Özellikle veri setinin sınırlı olduğu durumlarda dahi başarılı sonuçlar üretebilmesi, GRNN modelini trafik tahmini açısından önemli bir alternatif haline getirmektedir.

3.2.3. Radyal Tabanlı Fonksiyon (RBF) Modeli

RBF modeli, giriş verilerini radyal fonksiyonlar aracılığıyla dönüştüren ve doğrusal bir çıktı üreten bir yapıya sahiptir. Bu modelde, gizli katmandaki nöronlar belirli merkez noktalar etrafında kümelenmekte ve her bir nöron, giriş verisinin bu merkezlere olan uzaklığına göre aktivasyon üretmektedir.

RBF modelinin temel avantajı, eğitim sürecinin hızlı olması ve global minimum çözüm sağlayabilmesidir. Bununla birlikte, model performansı büyük ölçüde veri dağılımına bağlıdır. Veri setinin yeterli temsil gücüne sahip olmaması durumunda model doğruluğu düşebilmektedir.

Bu çalışmada, RBF modelinin parametreleri (gizli katman nöron sayısı, yayılım katsayısı vb.) optimize edilerek en uygun yapı elde edilmiştir.

3.3. Çoklu Doğrusal Regresyon (MLR) Modeli

Yapay sinir ağları ile karşılaştırma yapılabilmesi amacıyla, geleneksel Çoklu Doğrusal Regresyon modeli de uygulanmıştır. MLR modeli, bağımlı değişken ile bağımsız değişkenler arasındaki ilişkiyi doğrusal bir denklem ile ifade etmektedir.

Model genel olarak aşağıdaki şekilde ifade edilmektedir:

Y(t)=a+i=1∑n​bi​⋅Y(t−i)

Bu modelde, geçmiş trafik değerleri bağımsız değişken olarak kullanılmış ve regresyon katsayıları en küçük kareler yöntemi ile belirlenmiştir. MLR modelinin en önemli avantajı, hesaplama kolaylığı ve yorumlanabilirliğidir. Ancak doğrusal varsayıma dayanması, karmaşık trafik sistemlerinin modellenmesinde sınırlılıklar yaratmaktadır.

3.4. Model Performans Kriterleri

Model performanslarının değerlendirilmesinde, tahmin doğruluğunu ölçmek amacıyla istatistiksel hata kriterleri kullanılmıştır. Bu kapsamda, ortalama karesel hata (MSE) ve belirleme katsayısı (R²) temel performans göstergeleri olarak seçilmiştir.

Ortalama karesel hata, model tahminleri ile gerçek değerler arasındaki farkın karesel ortalamasını ifade etmekte olup, modelin hata büyüklüğünü doğrudan yansıtmaktadır. Belirleme katsayısı ise modelin veri varyansını açıklama gücünü göstermekte ve modelin genel başarısını değerlendirmede önemli bir ölçüt olarak kullanılmaktadır.

Bu kriterler sayesinde, farklı model yaklaşımlarının performansları karşılaştırılmış ve hangi modelin daha başarılı olduğu bilimsel olarak ortaya konulmuştur.

4. UYGULAMA, BULGULAR VE ANALİZ

Bu bölümde, önceki kısımlarda tanımlanan modelleme yaklaşımları kullanılarak elde edilen sonuçlar sunulmakta ve farklı yöntemlerin performansları karşılaştırmalı olarak değerlendirilmektedir. Analiz sürecinde, aynı veri seti üzerinde farklı modeller uygulanmış ve elde edilen tahmin sonuçları istatistiksel ölçütler yardımıyla karşılaştırılmıştır. Böylece, model performanslarının objektif bir şekilde değerlendirilmesi amaçlanmıştır.

4.1. Uygulama Senaryosu ve Model Kurulumu

Çalışmada kullanılan veri seti, belirli bir kentsel ulaşım aksında ölçülen trafik hacimlerinin zaman serisi şeklinde kaydedilmesiyle elde edilmiştir. Veri seti, gün içi farklı zaman dilimlerinde oluşan trafik değişimlerini içermekte olup, özellikle yoğun saatlerdeki dalgalanmalar model performansının test edilmesi açısından kritik bir rol oynamaktadır.

Modelleme sürecinde, veri seti eğitim ve test olmak üzere iki alt kümeye ayrılmıştır. Eğitim veri seti, modellerin parametrelerinin öğrenilmesi amacıyla kullanılırken; test veri seti, modelin daha önce görmediği veriler üzerindeki tahmin başarısını ölçmek için kullanılmıştır. Bu yaklaşım, modelin genelleme kabiliyetini değerlendirmek açısından önemli bir avantaj sağlamaktadır.

Her bir model için giriş değişkenleri, geçmiş zaman adımlarına ait trafik hacmi değerlerinden oluşturulmuştur. Bu kapsamda, belirli sayıda gecikmeli veri (lag) kullanılarak model girişleri oluşturulmuş ve böylece trafik akışının zamansal bağımlılığı modele dahil edilmiştir. Model parametreleri, her bir yöntem için ayrı ayrı optimize edilerek en uygun yapı elde edilmeye çalışılmıştır.

4.2. Model Sonuçlarının Karşılaştırılması

Uygulanan modellerden elde edilen sonuçlar, ortalama karesel hata (MSE) ve belirleme katsayısı (R²) kriterleri kullanılarak değerlendirilmiştir. Bu kapsamda, her bir modelin test veri seti üzerindeki performansı analiz edilmiştir.

Elde edilen bulgular, yapay sinir ağı modellerinin genel olarak geleneksel regresyon modeline kıyasla daha yüksek doğruluk sağladığını göstermektedir. Özellikle GRNN modelinin, yüksek belirleme katsayısı değeri ile diğer modellere kıyasla daha başarılı sonuçlar ürettiği gözlemlenmiştir. Bu durum, GRNN modelinin veri dağılımını daha iyi temsil edebilmesi ve doğrusal olmayan ilişkileri daha etkin şekilde öğrenebilmesi ile açıklanabilir.

FFBP modeli ise dengeli bir performans sergilemiş, hem hata değeri hem de açıklayıcılık açısından tatmin edici sonuçlar üretmiştir. Ancak modelin eğitim sürecinin daha uzun olması ve parametre optimizasyonuna duyarlılığı, uygulama açısından dikkat edilmesi gereken hususlar arasında yer almaktadır.

RBF modeli, özellikle hızlı eğitim süreci ile avantaj sağlamakla birlikte, bazı veri aralıklarında tahmin doğruluğunun diğer modellere göre daha düşük kaldığı görülmüştür. Bu durum, modelin veri dağılımına olan hassasiyeti ile ilişkilendirilebilir. Özellikle veri setinin homojen olmadığı durumlarda, RBF modelinin performansında dalgalanmalar gözlemlenmiştir.

Çoklu Doğrusal Regresyon modeli ise beklenildiği üzere daha sınırlı bir performans sergilemiştir. Modelin doğrusal varsayımlara dayanması, trafik verilerinin karmaşık yapısını yeterince temsil edememesine neden olmuştur. Bununla birlikte, bazı zaman aralıklarında MLR modelinin hata değerinin düşük olduğu gözlemlenmiştir. Bu durum, trafik akışının belirli periyotlarda daha düzenli ve öngörülebilir bir yapı sergilediğini göstermektedir.

4.3. Zaman Serisi Davranışı ve Model Tepkileri

Trafik hacmi verileri incelendiğinde, gün içerisinde belirgin pik saatlerin oluştuğu ve bu saatlerde ani artışların meydana geldiği görülmektedir. Sabah ve akşam saatlerinde oluşan yoğunluk, modelleme açısından en zor tahmin edilen aralıkları oluşturmaktadır. Bu tür ani değişimlerin doğru şekilde tahmin edilebilmesi, modelin başarısını doğrudan etkileyen bir faktördür.

Yapay sinir ağı modellerinin, bu ani değişimlere daha hızlı adapte olabildiği ve pik değerleri daha doğru tahmin edebildiği gözlemlenmiştir. Özellikle GRNN modelinin, bu tür dalgalanmaları daha başarılı şekilde yakalayabildiği belirlenmiştir. Bu durum, modelin olasılık tabanlı yapısı ve veri yoğunluğuna duyarlı çalışma prensibi ile açıklanabilir.

Buna karşılık, MLR modelinin ani değişimlere karşı daha yavaş tepki verdiği ve pik değerleri genellikle olduğundan daha düşük tahmin ettiği görülmüştür. Bu durum, doğrusal modellerin ani ve keskin değişimleri yakalamada yetersiz kaldığını açıkça ortaya koymaktadır.

4.4. Hata Analizi ve Model Güvenilirliği

Model performanslarının daha detaylı incelenebilmesi amacıyla hata dağılımları analiz edilmiştir. Yapılan analizler, yapay sinir ağı modellerinin hata dağılımının daha dar bir aralıkta yoğunlaştığını göstermektedir. Bu durum, model tahminlerinin daha tutarlı olduğunu ve aşırı sapmaların daha az meydana geldiğini göstermektedir.

GRNN modelinde hata dağılımının en düşük seviyede olduğu gözlemlenmiş, bu modelin özellikle kısa vadeli tahminlerde yüksek güvenilirlik sunduğu belirlenmiştir. FFBP ve RBF modelleri ise belirli aralıklarda daha yüksek hata değerleri üretmiş, ancak genel performans açısından kabul edilebilir sonuçlar sunmuştur.

MLR modelinde ise hata dağılımının daha geniş olduğu ve bazı gözlemlerde yüksek sapmalar meydana geldiği tespit edilmiştir. Bu durum, modelin genelleme kabiliyetinin sınırlı olduğunu göstermektedir.

4.5. Bulguların Mühendislik Açısından Değerlendirilmesi

Elde edilen sonuçlar, ulaşım mühendisliği açısından değerlendirildiğinde önemli çıkarımlar sunmaktadır. Öncelikle, trafik hacmi tahmininde tek bir modelin her koşulda en iyi sonucu vermediği açıkça görülmektedir. Bu durum, model seçiminde veri yapısının ve uygulama amacının dikkate alınması gerektiğini göstermektedir.

Yapay sinir ağlarının, özellikle dinamik ve değişken trafik koşullarında daha başarılı olduğu görülmekte olup, bu modellerin akıllı ulaşım sistemlerinde etkin bir şekilde kullanılabileceği değerlendirilmektedir. Bununla birlikte, hesaplama maliyeti ve model karmaşıklığı gibi faktörler de göz önünde bulundurulmalıdır.

MLR modelinin ise basit ve hızlı çözümler gerektiren durumlarda hâlâ kullanılabilir olduğu, ancak karmaşık sistemlerin modellenmesinde yetersiz kaldığı sonucuna ulaşılmıştır.

5. TARTIŞMA

Bu çalışmada elde edilen bulgular, trafik hacmi tahmini probleminde kullanılan model türlerinin performanslarının veri yapısına ve sistemin dinamik özelliklerine bağlı olarak önemli ölçüde değiştiğini göstermektedir. Trafik akışının doğrusal olmayan, zamana bağlı ve çok değişkenli bir yapıya sahip olması, modelleme sürecinde esnek ve adaptif yöntemlerin gerekliliğini ortaya koymaktadır. Bu bağlamda, yapay sinir ağlarının sunduğu avantajlar, elde edilen sonuçlar ile açık bir şekilde desteklenmektedir.

Çalışma kapsamında kullanılan yapay sinir ağı modelleri, özellikle kısa vadeli trafik tahmininde yüksek doğruluk oranları ile öne çıkmıştır. GRNN modelinin diğer modellere kıyasla daha yüksek belirleme katsayısı değerine ulaşması, bu modelin veri dağılımını daha etkin şekilde temsil edebildiğini göstermektedir. Bu durum, literatürde yer alan çalışmalarla da uyumludur. Kumar vd. (2013) ve Vlahogianni vd. (2004), benzer şekilde yapay sinir ağlarının trafik tahmininde geleneksel yöntemlere kıyasla daha başarılı olduğunu ortaya koymuştur.

FFBP modelinin dengeli performansı, bu modelin genelleme kabiliyetinin yüksek olduğunu göstermektedir. Ancak bu modelin eğitim sürecinde parametre optimizasyonuna duyarlı olması, uygulamada dikkat edilmesi gereken önemli bir husustur. Özellikle gizli katman sayısı ve öğrenme oranı gibi parametrelerin yanlış seçilmesi, model performansını olumsuz yönde etkileyebilmektedir. Bu durum, yapay sinir ağlarının güçlü olduğu kadar dikkatli kullanılması gereken araçlar olduğunu da ortaya koymaktadır.

RBF modelinin performansı incelendiğinde, modelin veri dağılımına olan hassasiyetinin belirgin olduğu görülmektedir. Homojen veri yapılarında başarılı sonuçlar üreten bu model, veri dağılımının düzensiz olduğu durumlarda performans kaybı yaşayabilmektedir. Bu durum, RBF modelinin belirli koşullar altında etkili olduğunu, ancak genel bir çözüm olarak her veri setinde aynı başarıyı göstermeyebileceğini ortaya koymaktadır.

Çoklu doğrusal regresyon modelinin performansı ise beklenen şekilde sınırlı kalmıştır. Bunun temel nedeni, modelin doğrusal varsayımlara dayanması ve trafik sistemlerinin karmaşık yapısını yeterince temsil edememesidir. Bununla birlikte, bazı zaman aralıklarında MLR modelinin düşük hata üretmesi, trafik akışının belirli periyotlarda daha düzenli ve öngörülebilir bir yapıya sahip olduğunu göstermektedir. Bu durum, trafik sistemlerinin tamamen rastgele değil, belirli ölçüde düzenli davranış kalıpları içerdiğini ortaya koymaktadır.

Bu çalışmanın önemli bir bulgusu, hiçbir modelin tüm koşullar altında mutlak üstünlük sağlamadığıdır. Bu durum, model seçiminde tek bir yaklaşımın yeterli olmayabileceğini ve hibrit model yaklaşımlarının daha etkili sonuçlar üretebileceğini göstermektedir. Özellikle yapay sinir ağları ile istatistiksel modellerin birlikte kullanıldığı hibrit sistemler, hem doğrusal hem de doğrusal olmayan ilişkilerin modellenmesine olanak tanıyarak daha yüksek doğruluk sağlayabilir.

Elde edilen sonuçlar, ulaşım mühendisliği uygulamaları açısından değerlendirildiğinde, özellikle akıllı ulaşım sistemlerinin geliştirilmesinde yapay sinir ağlarının önemli bir rol oynayabileceğini göstermektedir. Gerçek zamanlı trafik tahmini, dinamik rota optimizasyonu ve trafik yönetim sistemleri gibi uygulamalarda, bu tür modellerin entegrasyonu sistem performansını önemli ölçüde artırabilir.

Bununla birlikte, yapay sinir ağlarının uygulanabilirliği yalnızca model doğruluğu ile sınırlı değildir. Hesaplama maliyeti, veri gereksinimi ve model karmaşıklığı gibi faktörler de uygulama sürecinde dikkate alınmalıdır. Özellikle büyük veri setlerinin işlenmesi ve gerçek zamanlı sistemlerde kullanılabilmesi için model optimizasyonunun dikkatli bir şekilde yapılması gerekmektedir.

6. SONUÇ 

Bu çalışmada, kısa vadeli trafik hacmi tahmini problemi Türkiye örneği üzerinden ele alınmış ve farklı modelleme yaklaşımları karşılaştırmalı olarak incelenmiştir. Trafik akışının dinamik, doğrusal olmayan ve çok değişkenli yapısı dikkate alınarak, yapay sinir ağı temelli modeller ile geleneksel istatistiksel yöntemler aynı veri seti üzerinde uygulanmış ve elde edilen sonuçlar bilimsel ölçütler çerçevesinde değerlendirilmiştir.

Elde edilen bulgular, yapay sinir ağlarının trafik hacmi tahmininde önemli bir üstünlük sağladığını açıkça ortaya koymaktadır. Özellikle Genelleştirilmiş Regresyon Sinir Ağı (GRNN) modelinin yüksek doğruluk oranı ve güçlü genelleme kabiliyeti, bu modelin kısa vadeli trafik tahmini problemlerinde etkili bir araç olduğunu göstermektedir. Bununla birlikte, İleri Beslemeli Geri Yayılım (FFBP) ve Radyal Tabanlı Fonksiyon (RBF) modellerinin de belirli koşullar altında başarılı sonuçlar ürettiği görülmüştür. Bu durum, yapay sinir ağlarının farklı mimarilerinin farklı veri yapıları üzerinde değişen performanslar sergileyebileceğini ortaya koymaktadır.

Çoklu Doğrusal Regresyon modelinin ise, beklenildiği üzere daha sınırlı bir performans gösterdiği, özellikle doğrusal olmayan trafik değişimlerini modellemede yetersiz kaldığı tespit edilmiştir. Ancak belirli zaman aralıklarında düşük hata üretmesi, bu modelin tamamen dışlanmaması gerektiğini ve belirli koşullarda tamamlayıcı bir yöntem olarak kullanılabileceğini göstermektedir. Bu bulgu, trafik sistemlerinin tamamen kaotik değil, belirli ölçüde düzenli ve öngörülebilir davranışlar içerdiğini de ortaya koymaktadır.

Bu çalışma, trafik hacmi tahmini literatürüne üç temel açıdan katkı sunmaktadır. Öncelikle, farklı yapay sinir ağı modellerinin aynı veri seti üzerinde karşılaştırılması, model performanslarının objektif bir şekilde değerlendirilmesine olanak sağlamıştır. Bu yaklaşım, literatürde sıklıkla karşılaşılan tek model odaklı çalışmaların ötesine geçerek daha kapsamlı bir analiz sunmaktadır. İkinci olarak, Türkiye’ye ait bir ulaşım aksı üzerinden gerçekleştirilen uygulama, yerel trafik koşullarının modellenmesine yönelik önemli bir örnek teşkil etmektedir. Bu yönüyle çalışma, yalnızca teorik değil aynı zamanda uygulamaya yönelik bir katkı sunmaktadır. Üçüncü olarak ise, elde edilen bulgular doğrultusunda hibrit model yaklaşımlarının gerekliliği ortaya konulmuş ve bu alanda yapılacak gelecekteki çalışmalar için bir araştırma yönü önerilmiştir.

Ulaşım mühendisliği uygulamaları açısından değerlendirildiğinde, yapay sinir ağlarının özellikle akıllı ulaşım sistemlerinin geliştirilmesinde önemli bir potansiyele sahip olduğu görülmektedir. Gerçek zamanlı trafik tahmini, adaptif sinyalizasyon sistemleri ve dinamik rota optimizasyonu gibi uygulamalarda, bu modellerin kullanılması sistem verimliliğini artırabilir ve trafik yoğunluğunun azaltılmasına katkı sağlayabilir. Ancak bu tür sistemlerin başarılı bir şekilde uygulanabilmesi için veri altyapısının güçlü olması ve model parametrelerinin dikkatli bir şekilde optimize edilmesi gerekmektedir.

Bu çalışmanın bazı sınırlılıkları da bulunmaktadır. Öncelikle, kullanılan veri setinin belirli bir bölge ile sınırlı olması, elde edilen sonuçların genellenebilirliğini kısıtlayabilir. Ayrıca, model performansları yalnızca belirli istatistiksel kriterler üzerinden değerlendirilmiş olup, farklı performans ölçütlerinin kullanılması farklı sonuçlar ortaya koyabilir. Bununla birlikte, gerçek zamanlı veri akışı ve farklı dış etkenlerin modele dahil edilmesi, gelecekte yapılacak çalışmalar için önemli bir geliştirme alanı olarak değerlendirilmektedir.

Gelecek çalışmalar için, daha geniş veri setleri ile farklı şehirlerde benzer analizlerin yapılması, model performanslarının daha kapsamlı bir şekilde değerlendirilmesine katkı sağlayacaktır. Ayrıca, yapay sinir ağları ile derin öğrenme yöntemlerinin birlikte kullanıldığı hibrit modellerin geliştirilmesi, trafik tahmininde daha yüksek doğruluk oranlarının elde edilmesini mümkün kılabilir. Bunun yanı sıra, hava koşulları, yol durumu ve sürücü davranışları gibi ek değişkenlerin modele dahil edilmesi, tahmin performansını artırabilecek önemli faktörler arasında yer almaktadır.

Sonuç olarak, bu çalışma trafik hacmi tahmini probleminde yapay sinir ağlarının etkinliğini ortaya koymakta ve ulaşım mühendisliği alanında veri temelli modelleme yaklaşımlarının önemini vurgulamaktadır. Elde edilen bulgular, özellikle Türkiye’de akıllı ulaşım sistemlerinin geliştirilmesine yönelik çalışmalarda yol gösterici nitelikte olup, bu alanda yapılacak akademik ve uygulamalı çalışmalara katkı sağlayacak bir temel sunmaktadır.

KAYNAKÇA

Ahmed, M. S., & Cook, A. R. (1979). Analysis of freeway traffic time-series data by using Box–Jenkins techniques. Transportation Research Record, 722, 1–9.

Aleksander, I., & Morton, H. (1990). An introduction to neural computing. London: Chapman & Hall.

Broomhead, D. S., & Lowe, D. (1988). Multivariable functional interpolation and adaptive networks. Complex Systems, 2(3), 321–355.

Cheng, X., Lin, W., Liu, E., & Gu, D. (2010). Highway traffic incident detection based on BP neural network. Procedia Engineering, 7, 482–489.

Dougherty, M. (1995). A review of neural networks applied to transport. Transportation Research Part C: Emerging Technologies, 3(4), 247–260.

Florio, L., & Mussone, L. (1996). Neural network models for classification and forecasting of freeway traffic flow stability. Control Engineering Practice, 4(2), 153–164.

Gedik, A. (2020). Short-term traffic volume prediction for the merging roads by artificial neural network. El-Cezerî Journal of Science and Engineering, 7(3), 1496–1508.

Hamed, M. M., Al-Masaeid, H. R., & Bani Said, Z. M. (1995). Short-term prediction of traffic volume in urban arterials. Journal of Transportation Engineering, 121(3), 249–254.

Karlaftis, M. G., & Vlahogianni, E. I. (2011). Statistical methods versus neural networks in transportation research: Differences, similarities and some insights. Transportation Research Part C: Emerging Technologies, 19(3), 387–399.

Kumar, K., Parida, M., & Katiyar, V. K. (2013). Short term traffic flow prediction for a non-urban highway using artificial neural network. Procedia – Social and Behavioral Sciences, 104, 755–764.

Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning internal representations by error propagation. In D. E. Rumelhart & J. L. McClelland (Eds.), Parallel distributed processing: Explorations in the microstructure of cognition (pp. 318–362). Cambridge, MA: MIT Press.

Specht, D. F. (1991). A general regression neural network. IEEE Transactions on Neural Networks, 2(6), 568–576.

Vlahogianni, E. I., Golias, J. C., & Karlaftis, M. G. (2004). Short-term traffic forecasting: Overview of objectives and methods. Transport Reviews, 24(5), 533–557.

Yu, X., Xiong, S., He, Y., Wong, W. E., & Zhao, Y. (2016). Research on campus traffic congestion detection using BP neural network and Markov model. Journal of Information Security and Applications, 31, 54–60.

Zurada, J. M. (1992). Introduction to artificial neural systems. St. Paul: West Publishing Company.

Erhan Baytak

Yüksek İnşaat Mühendisi