K- En Yakın Komşu (KNN) ve MLP Yöntemi ile Hibrit Bir Sistem: Trafik Akış Tahmini

Abstract

Bu araştırmada, k-en yakın komşu (KNN) ve çok katmanlı algılayıcıyı (MLP) birleştiren hibrit bir trafik akışı tahmin yaklaşımı sunuyoruz. Bu model KNN-MLP modeli olarak adlandırmaktadır. Bu yöntemin amacı tahminlerin doğruluğunu arttırmaktır. KNN, çoğunlukla test istasyonuna bağlı olan çevredeki istasyonları seçmek ve trafik akışının mekansal özelliklerini yakalamak için kullanılır. Trafik akışının zamansal değişkenliğini araştırmak için Çok Katmanlı Algılayıcı (MLP) algoritması kullanılmış ve seçilen istasyonlarda buna uygun olarak trafik akışını tahmin etmek için dört katmanlı bir MLP ağı kullanılmıştır. Nihai tahmin sonuçlarını elde etmek için sıra-üs ağırlıklandırma yaklaşımıyla birleştirilmiş sonuç düzeyinde füzyon kullanılmıştır. Tahminin doğruluğu, İstanbul Büyükşehir Belediyesi Ulaşım Daire Başkanlığı Veri Merkezi tarafından gerçek zamanlı olarak toplanan mevcut trafik akışı verileri kullanılarak belirlenmiştir. Deneylerden elde edilen bulgulara göre, önerilen model destek vektör regresyon (SVR), LSTM ve MLP modelleri gibi bilinen tahmin modellerine göre daha yüksek performans düzeyine ulaşma potansiyeline sahiptir. Ayrıca, önerilen modelin doğruluğunda ortalama olarak yaklaşık %2'lik bir iyileşme sağlanmıştır.