Tez No	İndirme	Tez Künye	Durumu
726171		A new algorithm using spatial temporal domain in route inference / Seyahat yolu çıkarımında uzaysal zamansal ölçekleme kullanan yeni bir algoritma Yazar:ERDEM ÖZDEMİR Danışman: DR. ÖĞR. ÜYESİ AHMET ERCAN TOPCU Yer Bilgisi: Ankara Yıldırım Beyazıt Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı / Bilgisayar Mühendisliği Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora İngilizce 2021 77 s.
Bu tezde ulaşım alanında "Seyrek GPS Örnekleriyle Seyahat Yolu Çıkarımı" ve "Trafik Akışı Tahmini için Derin Sinir Ağlarının Uygulanması" konularını ele aldık. Seyrek GPS yörünge verilerinden seyahat yolu çıkarımı, GPS örneklerinin bir yol ağında yerleştirilmesi ve bir sürücünün seyrek örneklenmiş GPS gözlemlerden izliyor olabileceği yolun çıkarımının yapılmasını içerir. Hem uzamsal hem de zamansal bilgileri dahil ederek, seyahat yolu çıkarımını bir optimizasyon problemi olarak modelleyen yeni bir yöntem önerdik ve sabit maliyet araması algoritması (UCS) benzeri yeni kombinatoryal algoritma kullanan yeni bir hibrit gizli Markov modeli (HMM) önerdik. HMM tabanlı yöntemler kullanan önceki çalışmalara göre aşağıdaki iyileştirmeleri sağladık: (1) eşleşen GPS konumları arasındaki seyahat yolu çıkarımı için, önerilen hibrit HMM algoritması, hem zamansal hem de uzamsal alanlar için en olası yolu bulmak için tüm aday yolları değerlendirmektedir. Önceki çalışmalar bizim tüm çözümleri değerlendirmemizin aksine, probleme lokal olarak bakarak en kısa yolun seçimi veya eşleşen GPS gözlemelerini doğrusal olarak birbirlerine bağlama yöntemini tercih etmektedilerler. (2) Zamansal bilginin kullanımında, verilerden hesaplanan geçmiş ortalama hızı kullanılmıştır. Yeterli verinin olmadığı durumlarda ise yol üzerinde bilinen hız sınılarları kullanılmıştır. Gerçek veri kümeleriyle yaptığımız deneyler, algoritmamızın, özellikle GPS verilerinin seyrek olarak örneklendiği durumlarda, VTrack algoritmasından daha iyi performans gösterdiğini göstermektedir. Derin sinir ağlarının uygulanması için, önceki gözlemlere dayanarak gelecekteki bir zamanda yol yoğunluğunun tahminini içeren trafik akışı tahmini problemi ele alınmıştır. Problemi zamansal alanda bir dizi gözlem olarak modelleyen, yığınlanmış otomatik kodlayıcılar, kapılı tekrarlayan birimler ve uzun kısa süreli bellek teknikleri gibi sinir ağlarının türevlerini trafik akışı tahmininin çözümünde uyguladık. Farklı sinir ağlarının başarısı test edilerek, sonuçlar analiz edildi. Trafik akışı tahminindeki deneylerimiz göstermektedir ki, uzun kısa süreli bellek (LSTM), kapılı tekrarlayan birim (GRU) ve yığınlanmış otomatik kodlayıcılar (SAE), 30, 60, 90, 120 dakikalık eğitim verisi süreleri için tek bir sensör üzerinde eğitildiğinde; 5 dakika sonraki trafik durumunu başarı ile tahmin edebilmektedir.
\noindent The research herein addressed travel path inference, using sparse global positioning system (GPS) samples, in addition to deep neural networks, which were applied for traffic flow estimation in the transportation domain. To conduct travel path inference using sparse GPS trajectory data, the GPS samples must first be localized on a road network, and then the path that a driver may have been taking must be reconstructed using a low rate of sampled GPS observations. The present work proposed a novel method to model travel path inference, in the temporal and spatial domains, as an optimization problem, in addition to a novel hybrid hidden Markov model (HMM), which made use of a uniform cost search (UCS)-like novel combinatorial algorithm. \noindent The improvements that were made herein when compared to previous studies in the literature that have used HMM based methods comprised the following: 1) For travel path inference between matched GPS positions, the hybrid HMM algorithm that was proposed in this research conducted an evaluation of all of the prospective paths, with the aim of determining the most probable path for the spatial and temporal domains. In contrast to this, the work in previously conducted studies has consisted of either interpolated trajectories or matched GPS positions that were connected via the shortest path assumption, which may have been incorrect, especially in the case of urban road networks. 2) The hybrid HMM algorithm that was proposed in this research only utilized legal speed limits to evaluate the inconsistency in the temporal domain if a situation arose in which there were insufficient historical average speed data. If this was not the case, then the historical average speed that was computed from the data was utilized. In the experiments conducted herein, which used real data sets, it was clearly seen that the proposed algorithm was able to perform more accurately than the state-of-the-art VTrack algorithm, especially in instances in which the GPS data were infrequently sampled. \noindent For the application of deep neural networks in traffic flow estimation, the problem of hot road detection, which involves the estimation of the road density at a future time based on previous observations, was selected. Sensors on the road networks record number of cars passing through at certain intervals. By modelling these recordings as a sequence of observations in the temporal domain, variants of deep neural networks that are designed for sequenced input were applied such as long short time memory (LSTM), gated recurrent units (GRU) as well as typical stacked auto encoders (SAEs). The results were analyzed and the performance of the different variants of the neural networks were compared. The experiments in the traffic flow estimation showed that when the LSTM, GRUs, and SAEs were trained on a single sensor for durations of 30, 60, 90, and 120 min of training data, the models were powerful enough to estimate the next 5 min of traffic state.