Tez No	İndirme	Tez Künye	Durumu
765193		Detection and description of traffic events using floating car and social media data / Hareketli araç ve sosyal medya verisi kullanarak trafik olaylarının algılanması ve tanımlanması Yazar:AHMET DÜNDAR ÜNSAL Danışman: PROF. DR. HEDİYE TÜYDEŞ YAMAN ; PROF. DR. PINAR KARAGÖZ Yer Bilgisi: Orta Doğu Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Jeodezi ve Coğrafi Bilgi Teknolojileri Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; Trafik = Traffic ; Ulaşım = Transportation Dizin:	Onaylandı Doktora İngilizce 2022 172 s.
Trafik yönetiminde, trafik olaylarının algılanması ve doğrulanması, karayollarına yerleştirilen sensör verileri kullanılarak gerçekleştirilmiştir. Daha yeni bir yaklaşım olarak, hareketli araç verilerinden (FCD) elde edilen geniş kapsamlı seyahat süresi bilgisi de aynı amaçla kullanılır, ancak bu veri de olay niteliklerini tanımlamada kısıtlıdır ve doğrulama gerektirir. Günlük hayatımızda yaygın olarak kullanılan sosyal medyanın ev sahipliği yaptığı büyük veri, olayların algılanmasında, bilgi getirimi yöntemleri kullanılarak analiz edilebilir. Bu çalışmada, iki bağımsız veri kaynağı olan FCD ve Sosyal Medya Verileri (SMD) kullanılarak, trafik olaylarını gerçek zamanlı olarak algılamak ve tanımlamak için bir çerçeve önerilmiştir. SMD'deki trafik olayları, Türkçe'nin sondan eklemeli yapısı dikkate alınarak özelleştirilmiş bir dil modeli kullanılarak sınıflandırılır. Algılanan trafik olayı tweet'lerinin konumları, özelleştirilmiş bir varlık adı tanıma (NER) sistemine entegre çalışan bilgi tabanlı coğrafi kodlama yaklaşımı ile, 379.2 metre medyan hata ile belirlenmiştir. FCD üzerinde önerilen yöntemler ile, tekrarlamayan sıkışıklıklar (NRC) algılanabilir ve mekan-zamansal etki alanları belirlenebilir Mekan-zamansal bilgi eşleştirme yöntemini kullanan eşleştirme deneylerinde, trafik olayı bildiren tweet'lerin %64,1'i bir NRC tarafından doğrulanabilmiştir, diğer taraftan büyük ölçekli NRC'lerin ancak %33'ü en az bir tweet ile doğrulanmıştır.
Detection and verification of traffic events, in traffic management, can be performed traditionally using roadside sensor data. More recently wide coverage travel time information obtained from floating car data (FCD) is also used, despite its limitations to describe the event characteristics and requires verification. Social media, widely adopted in our daily lives, hosts a sheer amount of data which can be analyzed to identify incidents and events using information retrieval methods. In this study, a framework is proposed to detect and describe traffic events in real-time using two independent data sources, FCD and Social Media Data (SMD). Traffic event related tweets in SMD are classified using a language model which is tailored to handle agglutinative nature of Turkish language. Detected traffic event tweets are geolocated using a custom named-entity recognition (NER) integrated, knowledge-based geocoding approach, which achieves a median positional error of 379.2 meters. In FCD, proposed detection tasks identified non-recurrent congestions (NRCs) with their spatiotemporal impact areas. Matching experiments using spatiotemporal information showed that 64.1% of traffic event reporting tweets can be verified by an NRC, whereas only 33% of the large-scale NRCs are verified by a tweet.