Tez No	İndirme	Tez Künye	Durumu
729389		IoT tabanlı akıllı şehirlerde derin öğrenme ve mobil tabanlı akıllı park sistemi yaklaşımı / Deep learning and mobile-based smart parking system approach in IoT-based smart cities Yazar:HİKMET CANLI Danışman: DOÇ. DR. SİNAN TOKLU Yer Bilgisi: Düzce Üniversitesi / Lisansüstü Eğitim Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Akıllı kentler = Smart cities ; Derin öğrenme = Deep learning ; Makine öğrenmesi = Machine learning ; Nesnelerin interneti = Internet of things	Onaylandı Doktora Türkçe 2022 71 s.
Nesnelerin İnterneti (IoT) ve akıllı şehir ekosistemleri çağında, daha sürdürülebilir şehirler için yenilikçi akıllı park sistemlerine ihtiyaç duyulmaktadır. Her geçen gün artan araç sayısı ile akıllı park sistemleri akıllı şehirlerde önemli konular arasında yer almaktadır. Bunun nedeni yetersiz olan park yeri arayışlarının ciddi bir maliyet, hava kirliliği ve stres sorunlarını beraberinde getirmesidir. Akıllı park sistemleri ile ilgili yapılan araştırmalar bulunan çözümler artık yeterli gelmemektedir. Bu tez çalışmasında sürücülerin park yeri arama sorununu en aza indirmek için derin öğrenme ve bulut tabanlı yeni bir mobil akıllı park uygulama tasarımı geliştirilmiştir. Uygulama içerisinde, park yerini tahmin etmek için LSTM ile derin öğrenmeye dayalı bir hizmet geliştirilmiştir. Burada kullanıcının mobil cihazı üzerinden daha önce oluşturulan LSTM tabanlı modele dinamik erişim sağlanmakta ve ilgili parametreler girilerek parkların istenilen yerdeki doluluk oranlarının mobil cihaz üzerinde görüntülenmesi işlemi gerçekleştirilmektedir. Bu sayede hem enerji hem de zaman tasarrufu sağlanmıştır. Türkiye'de İstanbul ilinde gerçek zamanlı toplanan otopark verileri ile %99,57 doğrulukta sonuç elde edilmiştir. Önerilen modelin etkinliğini göstermek için makine öğrenmesi modelleri olan, SVM, RF ve ARIMA yöntemleri ile karşılaştırılmıştır. Tez çalışmasının devamında otopark kullanımında önemli etkisi olan hava durumu verileri AKOM'dan alınarak otopark verileri ile birleştirilmiştir. Zaman serileri tahmini problemlerinde yaygın olarak kullanılan ve başarısını ispatlamış olan GRU, LSTM ve RNN yöntemlerinden oluşturulan 27 farklı model ile bu veri seti üzerinden deneyler yapılmıştır. Elde edilen sonuçlarda GRU derin öğrenme modeli %99,11 doğruluk ve 0,90 MAE, 2,35 MSE ve 1,53 RMSE metrik değerleri ile en iyi sonucu vermiştir. Çeşitli hiper parametrelerle elde edilen deneysel sonuçlar, GRU derin öğrenme modelinin park doluluk oranlarını tahmin etmedeki başarısını açıkça göstermektedir. Elde edilen sonuçlar incelendiğinde derin öğrenme modellerinin park yeri tahminindeki yüksek doğruluk oranı, daha sürdürülebilir akıllı şehirler için akıllı park sistemlerinde kullanılabileceğini göstermiştir.
In the era of Internet of Things (IoT) and smart city ecosystems, innovative smart parking systems are needed for more sustainable cities. With the increasing number of vehicles, smart parking systems are among the important issues in smart cities. The reason for this is that the search for insufficient parking places brings with it serious cost, air pollution and stress problems. The solutions that have been researched on smart parking systems are no longer sufficient. In this thesis, a new deep learning and cloud-based mobile smart parking application design has been developed to minimize the problem of drivers searching for parking spaces. Within the application, a service based on deep learning with LSTM has been developed to prediction the parking location. Here, dynamic access to the previously created LSTM-based model is provided via the user's mobile device, and the related parameters are entered and the occupancy rates of the parks are displayed on the mobile device. In this way, both energy and time savings were achieved. With real-time parking data collected in Istanbul, Turkey, results with an accuracy of 99.57% were obtained. To demonstrate the effectiveness of the proposed model, it was compared with machine learning models, SVM, RF and ARIMA methods. In addition, the weather data, which has a significant impact on the use of the parking lot, was taken from AKOM and combined with the parking data. Experiments were carried out on this data set with 27 different models created from RNN, LSTM and GRU methods, which are widely used in time series prediction problems and have proven their success. GRU deep learning model gave the best results with 99.11% accuracy and 0.90 MAE, 2.35 MSE and 1.53 RMSE metric values. Experimental results with various hyper parameters clearly demonstrate the success of the GRU deep learning model in predicting park occupancy rates. When the results obtained are examined, it has been shown that deep learning models can be used in smart parking systems for more sustainable smart cities, with high accuracy in parking loT prediction.