YAPAY SİNİR AĞLARI İLE TRAFİK AKIM KONTROLÜ. İbrahim ALTUN 1, Selim DÜNDAR 1,

Transkript

1 YAPAY SİNİR AĞLARI İLE TRAFİK AKIM KONTROLÜ İbrahim ALTUN 1, Selim DÜNDAR 1, Öz: Yapay sinir ağları birçok basit elemanın birleşmesinden oluşmuş paralel bağlantılı sistemlerdir. Bir çok alanda başarılı bir şekilde uygulanan yapay sinir ağları son zamanlarda ulaştırma mühendisliğinin çalışma alanına da girmiştir. Ulaştırma mühendisliğindeki yapay sinir ağları uygulamaları 1990 lı yıllardan sonra büyük bir ilgi görmüştür. Bu bildiri yapay sinir ağlarının ulaştırma mühendisliği alanında, özellikle de trafik akım kontrolü alanında yapılan çalışmaları özetlemeyi amaçlamaktadır. Çalışmada bu konuda son zamanlarda yapılan başarılı araştırma ve uygulamalar ayrıntılı bir şekilde gözden geçirilmiştir. Ulaştırma mühendisliği alanındaki çalışmalar; ulaşım planlaması, yol üstyapısının dizayn, bakım ve onarımı, ulaşım sistemlerinin işletilmesi, ulaşım parametrelerinin tahmini ve trafik mühendisliği uygulamaları olmak üzere 5 ana gruba ayrılmıştır. Trafik mühendisliği uygulamaları kapsamında sinyalize olmayan ve dur işareti ile kontrol edilen eşdüzey kavşaklarda taşıt geçiş aralığının belirlenmesi, YOGT (yıllık ortalama günlük trafik) tahmini, trafik kaza analizlerinin yapılması, otoyollarda trafik akım tahmini ve sınıflandırması, kısmi kapalı yollarda kapasite ve kuyruklanma hesabı çok geniş bir şekilde incelenmiştir. Anahtar Kelimeler: Trafik Akım Kontrolü, Ulaştırma Mühendisliği, Yapay Sinir Ağları, Yapay Zeka Giriş Matematiksel olarak formülize edilemeyen ve çözülmesi mümkün olmayan problemler sezgisel yöntemler ile bilgisayarlar tarafından çözülebilmektedir. Bilgisayarları bu özelliklerle donatan ve bu yeteneklerin gelişmesini sağlayan çalışmalar yapay zeka çalışmaları olarak bilinmektedir. İlk defa 1950 li yıllarda ortaya atılan yapay zeka terimi zaman içinde oldukça ilgi görmüş ve 50 yıllık zaman dilimi içinde hayatın vazgeçilmez parçası olan akıllı sistemlerin doğmasına neden olmuştur. Akıllı sistemlerin en temel özellikleri olaylara ve problemlere çözümler üretirken veya çalışırken bilgiye dayalı olarak karar verebilme özelliklerinin olması ve eldeki bilgiler ile olayları öğrenerek, sonraki olaylar hakkında karar verebilmeleridir. Bir olay, değişik insanlar tarafından değişik şekillerde yorumlanmakta, karşılaşılan sorunlar farklı bölge ve kişilere göre farklı şekillerde çözülebilmektedir. Bu durum günümüzde çoğu laboratuvar çalışması düzeyindeki 60 kadar yapay zeka teknolojisinin doğmasına neden olmuştur (Öztemel, 2003; Callan, 1999). Yapay sinir ağları 1990 lı yıllardan itibaren birçok mühendislik dalında olduğu gibi ulaştırma mühendisliği alanında da kullanılmaya başlanmıştır. Bu alanda bilinen ilk çalışma 1989 yılında Nakatsyii tarafından kaleme alınan Yapay sinir ağı modellerinin trafik mühendisliği problemlerine uygulanması adlı makaledir. Ulaştırma mühendisliği problemlerinin çözümünde genellikle çok katmanlı ve geri beslemeli yapay sinir ağları ile radyal tabanlı fonksiyon (Radial Basis Function-RBF) ağları kullanılmıştır. Günümüzde ise ulaştırma mühendisliği problemlerinin çözümünde yapay sinir ağları; bulanık mantık, genetik algoritmalar, vb. yapay zeka teknolojileri ile birlikte kullanılmaktadır (Faghri ve diğ., 1997). Kullanılan Yöntem Bu bildiri yapay sinir ağlarının ulaştırma mühendisliği alanında, özellikle de trafik akım kontrolü alanında yapılan çalışmaları özetlemeyi amaçlamaktadır. Çalışmada bu konuda son zamanlarda yapılan başarılı araştırma ve uygulamalar ayrıntılı bir şekilde gözden geçirilmiştir. Ulaştırma mühendisliği alanındaki çalışmalar; ulaşım planlaması, yol üstyapısının dizayn, bakım ve onarımı, ulaşım sistemlerinin işletilmesi, ulaşım parametrelerinin tahmini ve trafik mühendisliği uygulamaları olmak üzere 5 ana gruba ayrılmıştır. Trafik mühendisliği uygulamaları kapsamında sinyalize olmayan ve dur işareti ile kontrol edilen eşdüzey kavşaklarda taşıt geçiş aralığının belirlenmesi, YOGT (yıllık ortalama günlük trafik) tahmini, trafik kaza analizlerinin 1 Yıldız Teknik Üniversitesi İnşaat Fakültesi İnşaat Mühendisliği Bölümü, İstanbul 1335

2 yapılması, otoyollarda trafik akım tahmini ve sınıflandırması, kısmi kapalı yollarda kapasite ve kuyruklanma hesabı çok geniş bir şekilde incelenmiştir. Ulaştırma mühendisliği alanındaki çalışmalara kısaca değinmek gerekirse; Ulaşım Planlaması Ulaşım sistemlerinin planlanmasının amacı belirli mekanlarda oluşturulması ve geliştirilmesi istenen aktivitelerin yerleşiminin ve bunlar arasındaki yer değiştirmelerin en iyi şekilde sentezlenmesidir. İyi bir ulaşım planlaması ise problemlerin tespiti, gerekli verilerin toplanması, toplanan verilerin analizi, çözüm seçeneklerinin üretilmesi, kaynak ve kısıtların dikkate alınarak en uygun çözümün bulunması ile gerçekleşmektedir. Ulaşım planlamasında talep tahmini için çok sayıda parametre ve istatistiksel veriden yararlanıldığı düşünüldüğünde yapay sinir ağları ile bu problemlere etkin çözümler üretilebilmektedir. Bu alanda başarıyla yapılan uygulamalar Gelecekteki trafik talebinin tahmini, Ulaştırma faaliyetlerinin alan kullanımı ve çevreye etkisinin belirlenmesi, Yeni kullanım alanlarının ulaştırma ağına etkisi Şeklinde özetlenebilir. Yol Üstyapısının Dizaynı, Bakımı ve Onarımı Yol üstyapıları sürekli trafik ve çevre etkisi altında olduklarından yeni yapılan yolların proje süresi boyunca etkin kullanımını sağlayan üstyapı tipinin ve kaplama dizaynının seçilmesi, yapılan yolların belirli periyotlar ile bakım ve onarımlarının gerçekleşmesi gerekmektedir. Yapay sinir ağı algoritmalarından faydalanarak belirtilen etkiler altında yol üstyapılarının dizaynı, onarılması, boyanması, kaplamaların yenilenmesi gibi birçok işlemin süre ve maliyetleri başarılı bir şekilde hesaplanabilmektedir. Ulaşım Sistemlerinin İşletilmesi Ulaşım sistemlerinin yol, yolu kullanan trafik ve bağlantı noktalarından (kavşak, terminal, istasyon vs.) oluştuğu dikkate alındığında bu sistemlerin oluşturulması, yenilenmesi ve yönetiminin meydana gelen problemlerin çözümü için büyük önem taşıdığı belirtilebilir. Yapay sinir ağlarından yararlanarak trafik tıkanıklıklarının yönetimi, doğal afet veya kazalarda risk analizi, kavşaklarda trafiğin değişimine bağlı optimum devre sürelerinin hasabı başarılı bir şekilde yapılabilmektedir. Yine ulaştırma altyapılarında kullanılan araçların otomasyonu ile hava, deniz ve demiryollarında meydana gelebilecek acil durumlar için karar destek sistemlerinin hazırlanmasında yapay sinir ağları tekniğinden yararlanılmaktadır. Ulaşım Parametrelerinin Tahmini Ulaşım sistemleri üzerinde hakim olan yol, insan, araç ve çevre gibi faktörlerin kendi aralarında ve her birinin diğerleri üzerindeki etkilerinden doğan parametrelerin matematiksel olarak ifadesi çok güçtür. Yapay sinir ağlarının öğrenme yolu ile yeni bilgiler türetebilme, yeni bilgi oluşturabilme ve keşfedebilme özellikleri dikkate alınarak yapılan çalışmalarda ulaşım parametrelerinin tahmininde başarılı sonuçlar elde edilmiştir. Trafik Mühendisliği Uygulamalarında Kullanımı Ulaşım mühendisliğinin bir alt kolu olan trafik mühendisliğinin bir çok alanında yapay sinir ağları başarılı bir şekilde kullanılmaktadır. Bu alanda yapılan başarılı çalışmalara örnek olarak sinyalize olmayan ve dur işareti ile kontrol edilen eşdüzey kavşaklarda taşıt geçiş aralığının belirlenmesi, YOGT (yıllık ortalama günlük trafik) tahmini, trafik kaza analizlerinin yapılması, otoyollarda trafik akım tahmini ve sınıflandırması, kısmi kapalı yollarda kapasite ve kuyruklanma hesabı şeklinde özetlenebilir. Sinyalize Olmayan Eşdüzey Kavşaklarda Geçiş Aralığının Tahmini Düşük trafik hacmine sahip eşdüzey kavşaklar genellikle DUR işareti ile kontrol edilirler. DUR işareti genelde kavşağın tali yollarına konulmaktadır. Bu kavşakta amaç ana yoldan daha çok miktarda taşıt geçmesi ve tali yollarda ise araçların önce durması, anayoldan veya karşıdan kendisini engelleyen bir trafik akımının olmaması durumunda kavşağı geçmesi sayesinde kavşakta maksimum kapasitenin sağlanması şeklinde özetlenebilir. Kavşağın kapasitesine ve kavşaktaki gecikmelere etkiyen en önemli etken ise ana yoldaki taşıt takip aralığı ve tali yoldaki araçların kavşağı kullanmasıdır. Şekil 1 de sözkonusu kavşak ile ilgili bir örnek verilmiştir (Pant ve diğ., 1994). 1336

3 Şekil 1. Sinyalize olmayan DUR kontrollü eşdüzey kavşak örneği Tali yollarda DUR işaretinden dolayı duran araçların diğer yollardan gelen araçları kontrol edip geçmesi veya reddetme aralığı (kritik geçiş aralığı) genellikle ikili lojit modellerle tahmin edilmeye çalışılmaktadır. Ancak bu modellerde sürücü karakteristikleri, yol geometrisi, taşıt takip aralığı, bekleme süresi, hava şartları gibi kritik geçiş aralığını etkileyecek şartları gözönüne almamaktadır yılında çok katmanlı geri beslemeli yapay sinir ağ modeli kullanılarak yapılan bir çalışma ile kritik geçiş aralıkları farklı sürücü, araç, yol ve çevre şartlarına göre tahmin edilebilmiştir. Bu problemin çözümü için tasarlanan yapay sinir ağı toplam üç katmandan (1 giriş, 1 ara, 1 çıkış katmanı) oluşmuştur. Giriş katmanı 17 düğümden, ara katman 3 ve çıkış katmanı ise 2 düğümden oluşmaktadır. Şekil 2 de tasarlanan YSA yapısı görülebilmektedir. Şekil 2. Tasarlanan çok katmanlı ve geri beslemeli YSA yapısı Bu problemin çözümü için farklı 16 kavşakta 5230 taşıt video kamera ile gözlemlenmiş (2615 kabul, 2615 red), bu 1337

4 gözlemlerden rastgele seçilen 4000 (%76) taşıtın hareketi eğitilip, kalan 1230 (%24) taşıtın davranışı tahmin edilmeye çalışılmıştır. Giriş ve çıkış kodlamaları aşağıdaki şekilde yapılmış, sonuçlar tablo 1, 2 ve 3 te gösterilmiştir. Giriş verilerinin özellikleri; Kontrol tipi; DUR işaretli (1 0) DUR işaretli değil (0 1) Ana yoldaki dönüş manevraları; 3- Sol (1 0 0) 4- Düz (01 0) 5- Sağ (0 0 1) Tali yoldaki dönüş manevraları; 6- Sol (1 0 0) 7- Düz (01 0) 8- Sağ (0 0 1) Tali yoldaki kuyruklanma; 9- Kuyruklanma var (1 0) 10- Kuyruklanma yok (0 1) Taşıtın duruş tipi; 11- İstop etme (1 0) 12- İstop etmeme (0 1) Karşıdan taşıt gelme durumu; 13- Evet (1 0) 14- Hayır (0 1) Taşıt aralıkları; (sn) Ana yolda akım hızı (mil/sa) Servis süresi (sn) Çıkış verilerinin özellikleri Kabul (1 0) Red (0 1) Ağırlıklar; 0,3 ; 0,3 arasında ve rastgele, Aktivasyon fonksiyonu ; Sigmoid Öğrenme katsayısı; 0,85 Öğrenme oranı; 0,90 İterasyon sayısı; 10,000 Tablo 1. Çok Katmanlı-Geri Beslemeli YSA Modeli Hata Oranı Doğru tahmin sayısı Başarı % si (Toplam 1230 taşıt) 0, , ,3 0, ,7 0, ,9 0, ,5 Tablo 2 İkili Lojit Model Hata Oranı Doğru tahmin sayısı Başarı % si (Toplam 1230 taşıt) 0, ,7 0, ,1 0, ,6 0, ,2 0, ,3 1338

5 Tablo 3. Çok Katmanlı-Geri Beslemeli YSA Modeli ile İkili Lojit Model karşılaştırması Hata Oranı Başarı % si YSA Model Başarı % si Lojit Model Performans % si YSA-Lojit Model) 0, ,7 19,3 0,10 81,3 68,1 13,2 0,15 83,7 73,6 10,1 0,20 84,9 77,2 7,64 0,25 87,5 79,3 8,2 Tablo 3 ten de görülebileceği gibi Çok Katmanlı-Geri Beslemeli YSA Modeli sinyalize olmayan DUR kontrollü eşdüzey kavşaklardaki taşıt aralıkları için İkili Lojit Model e göre daha iyi sonuçlar vermektedir. YOGT (Yıllık Ortalama Günlük Trafik) Tahmini Bir yolun projelendirilmesi esnasında esas alınabilecek çeşitli trafik değerleri vardır. Bunlardan biri de Yıllık Ortalama Günlük Trafik (YOGT) değeridir. Bu trafik değeri yolun herhangi bir kesitinde bir yıl boyunca, iki yönde geçen toplam trafiğin 365 e bölünmesi ile elde edilir. YOGT değerinin belirlenmesi için aşağıdaki sayım metodları kullanılmaktadır (Tang ve diğ., 2003). Sürekli trafik sayımları (24 saat ve 365 günlük sayım verileri), Belirli aralıklı trafik sayımları (yılı belirli sezonlarında birkaç gün veya birkaç haftalık sayım verileri), Kısa süreli trafik sayımları (en az dört yıl boyunca 24 saatten uzun ve 72 saatten kısa sayım verileri) Sürekli trafik sayımları ile YOGT ve diğer trafik parametreleri doğru olarak saptanırken, belirli aralıklı veya kısa süreli trafik sayımları ile sadece YOGT ve diğer trafik parametreleri tahmin edilebilmektedir. Kırsal yollarda kısa süreli ve belirli aralıklı trafik sayımları ile YOGT tahminlerinin güvenilirliği oldukça düşük olmaktadır. Hong-Kong da kent içinde YOGT değerlerinin tesbiti için yılları arasında alınan YOGT değerleri YSA ile eğitilmiş ve 1999 yılının YOGT değerleri günlük %0,53 ve haftalık % 0,77 lik bir hata ile tahmin edilebilmiştir. Bu çalışmada; Çok katmanlı ve geri beslemeli YSA algoritması, Aktivasyon fonksiyonu olarak logaritmik sigmoid fonksiyonu, Hesaplar için Mat-lab 6.0 programı kullanılmış, İterasyon sayısı 1,000 Öğrenme oranı 0<λ<1 Öğrenme katsayısı 0<α<1 Tüm değerler 0 ile 1 arasında normalize edilmiş Ağırlıklar 0 dan rastgele başlatılmıştır. Söz konusu YSA yapısı Şekil 3 te görülebilmektedir. Şekil 3. YOGT tahmini için tasarlanan çok katmanlı ve geri beslemeli YSA yapısı 1339

6 Bu problemin YSA ile çözümü dışında; Box-Jenkins Metodu (ARIMA programı ile), Parametrik Olmayan Regresyon Metodu (NPR), Gaussian Maksimum Benzerlik Metodu (GML), ile de çözüm üretililmiş ve sonuçlar birbirleri ile karşılaştırılmıştır (Tablo 4). Tablo 4. Sonuçların karşılaştırılması; Model YOGT (Haftalık) YOGT (Günlük) Ort. Hata Ort. Hata % si Ort. Hata Ort. Hata % si ARIMA , ,95 NN 365 0, ,53 NPR 318 0, ,35 GML 258 0, ,18 Sonuçlardan da anlaşılacağı gibi en iyi sonucu Gaussian Maksimum Benzerlik Metodu (GML) vermektedir. Ancak YSA ile elde edilen çözüm de oldukça tatminkardır. Trafik Kaza Analizlerinin Yapılması Can ve mal kayıpları dikkate alındığında trafik güvenliği oldukça büyük bir öneme sahiptir. Trafik güvenliğinin sağlanabilmesi için ise trafik kazalarına etki eden faktörlerin belirlenerek iyi bir analiz süzgecinden geçirilmesi ve bu analizler sonuçlarına göre gerekli tedbirlerin alınması gerekmektedir. Bu amaçla 1996 ve 1997 yıllarında Amerikanın Florida Eyalet merkezi ve üç kırsal bölgede meydana gelen trafik kaza verileri toplanmıştır. Bu verilere göre 1996 yılında toplam 8493, 1997 yılında ise 9154 adet kaza meydana geldiği saptanmıştır. Kaza verilerinin değerlendirilmesi sonucunda trafik kazalarında etkin olan parametrelerin ise şunlar olduğu tesbit edilmiştir (tablo 5), (Abdel ve diğ, 2004). Tablo 5. Değişik sürücü, taşıt ve yol/çevre şartları için etkin kaza paramatreleri Sürücü Taşıt Yol / Çevre -Yaş -Cinsiyet -Alkol durumu -Emniyet kemeri -Tipi -Kaza hasar bölgesi (ön, arka, yan) -Hız oranı (maksimum hıza göre) -Kaza bölgesi (kırsal, kentiçi) -Aydınlatma durumu -Pik saat durumu -Hava şartları -Yol karakteri (aliyman, kurb) Yapılan çalışmaların amacı ise belirlenen parametrelere bağlı olarak meydana gelecek bir kazadaki sürücülerin ne tür (hasarsız, hafif, orta ve ağır/ölümcül) bir kazaya karışacağının tesbit edilmesidir. Kaza verileri çok katmanlı YSA (MLP), Fuzzy (ARTMAP) ve Probit (istatistiksel) Modeller ile değerlendirilerek sonuç alınmaya çalışılmış ve sonuçlar birbirleri ile karşılaştırılmıştır. YSA için 1997 yılının 9154 adet trafik kaza verisi egitilmiş ve 1996 yılına ait 8493 adet trafik kaza verisi ile test edilmiştir. YSA toplam 3 katmandan (1 giriş, 1ara, 1 çıkış) oluşmaktadır. Giriş katmanı 10, ara katman 15 ve çıkış katmanı ise toplam 4 adet düğümden oluşmaktadır (Şekil 4). Bu problemin çözümü için giriş ve çıkış kodlamaları şu şekilde yapılmıştır. 1340

7 Şekil 4. Kaza analizleri için tasarlanan çok katmanlı YSA yapısı Giriş verilerinin özellikleri; Sürücü; Sürücü yaşı (sayısal değer 0 ile 1 arasında normalize edilmiş) Cinsiyet (1 bayan, 0 erkek) Alkol durumu (1 alkollü, 0 alkolsüz) Emniyet kemeri (1 takılı değil, takılı) Araç Tipi ((1 0) otomobil, (0 1) yolcu aracı, (0 0) yük aracı) Kaza etki bölgesi (1 sürücü bölgesi, 0 diğer alanlar) Hız oranı (sayısal değer 0 ile 1 arasında normalize edilmiş ) Yol ve Çevre Şartları Bölge tipi (1 kırsal, 0 kent içi) Aydınlık durumu (1 aydınlık, 0 karanlık) Pik saat durumu (1 pik saat, 0 pik saat değil) Hava durumu (1 açık, 0 diğer) Yol durumu (1 kurp-eğri kısım, 0 düz) Çıkış verilerinin özellikleri; ( ) hasarsız, ( ) hafif, ( ) orta şiddetli, ( ) ağır/ölümcül kaza Yapılan hesaplar sonucunda; YSA (MLP) ile % 73,5 Fuzzy (ARTMAP) ile % 70,6 Probit Model ile % 61,7 lik bir doğruluk ile kaza verileri modellenebilmiştir. Otoyollarda Trafik Akım Tahmini ve Sınıflandırması 1994 yılında İtalya nın Milan kentinde bulunan bir otoyolda gözlemlenen 360,000 trafik kaydı arasından seçilen 2688 trafik akımı yardımı ile farklı araç, yol ve çevre koşullarına göre trafik akım miktarı ve trafik akım miktarı ve trafik akım hızı tahmin edilmeye çalışılmıştır. Tablo 6 da otoyol da etkili olan parametreler görülebilmektedir (Florio ve diğ., 1996). 1341

8 Tablo 6. Otoyol da etkili olan parametreler Etkili parametreler minimum maksimum Akım (araç/şerit) 0 6,000 Yoğunluk (araç/km) Hız (km/sa) Ağır araç % si Açıklık 1 (kapalı) 6 (açık) Görüş (m) 0 > 520 Hava durumu VMS (radar uyarısı) 0 (açık), 1 (yağmurlu), 2 (karlı-buzlu) 0 (yok), 1 (kaza), 2 (kuyruklanma), 3 (sis) Not : tüm değerler 0 ile 1 arasında normalize edilmiştir. Hesaplamalarda çok katmanlı ve geri beslemeli YSA algoritması kullanılmıştır. Bu algoritmada katman sayısı 3 (1 adet giriş, 1 adet ara ve 1 adet çıkış katmanı) olarak belirlenmiştir. Giriş katmanında 6, ara katmanda 4 ve çıkış katmanında ise 2 çıkış hücresi mevcuttur. Problemin çözümü için otoyolda gözlemlenen 360,000 trafik kayıdı arasından seçilen 2688 trafik akımının rastgele alınan 1344 adedi eğitilmiş ve kalan 1344 adedi ile test edilmiştir. Sözü edilen çok katmanlı geri beslemeli YSA algoritması şekil 5 te görülebilmektedir. Hesaplamalar sonucunda 0,01 lik ortalama hata için %7,6 lık bir hata ile trafik akımı ve trafik hızı tahmin edilebilmiştir. Şekil 5. Otoyollarda trafik akım ve hız tahmini için tasarlanan YSA modeli Kısmi Kapalı Yollarda Kapasite ve Kuyruklanma Tahmini Amerika nın Maryland eyaletinde 67 kısmi kapalı yol üzerinde 11 etkili faktör dikkate alınarak RBF ağları ve Talep modelleri vasıtasıyla bu yollardaki kapasite ve kuyruklanma tahminleri yapılabilmiştir. Şekil 6 da bir kısmi kapalı yol ve trafik akım hareketleri ve getirilen çözümler ile şekil 7 de ise tasarlanan RBF modeli görülebilmektedir (Karim ve diğ., 2003). Şeritlerin birleştirilmesi Şeritlerin kaydırılması Şekil 6. Kısmi kapalı yol ve trafik akım hareketleri ve getirilen çözümler Şeritlerin ayrımı 1342

9 Kısmi kapalı yollarda gözönüne alınan faktörle sırası ile; X1 = Şerit sayısı X2 = Açık şerit sayısı X3 = Çalışma alanına getirilen çözümler (Şeritlerin birleştirilmesi 0,1; Şeritlerin kaydırılması 0,5; Şeritlerin ayrımı 0,9) X4 = Yolun kapalı kısmının uzunluğu X5 = Şerit genişliği X6 = Ağır taşıt % si X7 = Eğim (%) X8 = Kısmi kapalı yoldaki hız (km/sa) X9 = Yolun kapalı bölgesinin yoğunluğu (az 0,1; orta;0,5; çok yoğun 0,9) X10 = Ayınlatma durumu (0-1arası; 1 en aydınlık durum) X11 = Kavşak etkisi (var 1; yok 0) Şekil 7. Kapasite tahmini için RBF modeli Çalışmada 67 kısmi kapalı yoldan 40 adedi eğitilerek kalan 27 yol için kapasite değerleri tahmin edilmeye çalışılmıştır. Transfer fonksiyonu olarak Gauss transfer fonksiyonu kullanılmıştır. Trafik talep modeli ile trafik talebi bulunmuş, bulunan kapasite ve trafik talebi yardımı ile kuyruklanma uzunlukları ve kuyruklanma gecikmeleri tahmin edilmiştir. Sonuçlar Yapay sinir ağları insan beyninin en temel özelliği olan öğrenme fonksiyonlarını örnekler yardımı ile gerçekleştiren ve daha sonra çevreden gelen olaylara karşı nasıl tepkiler gösterileceğini belirleyen bilgisayar sistemleri oldukları düşünüldüğünde matematiksel olarak fomülüze edilemeyen veya çözümü mümkün olmayan problemlerin çözümünde başarılı bir şekilde uygulanmaktadır. Bilgisayarların öğrenmesine dayalı bu sistemler 1990 lı yıllardan itibaren birçok alanda olduğu gibi ulaştırma alanındada kullanılmaya başlanmış ve özellikle ulaşım planlaması, yol üstyapısın dizayn, bakım ve onarımı, ulaşım sistemlerinin işletilmesi, ulaşım parametrelerinin tahmini ve trafik mühendisliği problemlerinin çözümünde başarılı sonuçlar elde edilmiştir. 1343

10 Ulaştırma mühendisliği problemlerinin; yol, insan, araç ve çevre şartları gibi matematiksel olarak ifade edilemeyen faktörlerden etkilendiği ve bilgisayar teknolojisindeki gelişmeler dikkate alındığında yakın gelecekte yapay sinir ağları tekniği ile çok farklı ulaştırma mühendisliği problemlerine daha hızlı ve güvenilir çözümler üreteceği düşünülmektedir. KAYNAKLAR 1. ÖZTEMEL E. Yapay Sinir Ağları, 1. Baskı, Papatya Yayıncılık, İstanbul, 2003, CALLAN R., The Essence of Neural Networks, First Published, Prentice Hall Europe, Bristol, 1999, FAGHRI A., MARTINELLI D., DEMETSKY M.J., Artificial Neural Networks for Civil Engineers: Fundamentals and Applications, ASCE, 1997, FLORIO L., MUSSONE L., Neural Network Models for Classification and Forecasting of Freeway Traffic Flow Stability Control Eng. Practice, Vol. 4, No. 2, , ABDEL-ATY M.A., ABDELWAHAB H.T., Prediction Injury Severity Levels in Traffic Crashes: A Modeling Comparison, Journal of Transportation Engineering, 130, 2, , TANG Y.F., LAM, H.K.W., PAN L.G., Comparison of Four Modeling Techniques for Short-Term AADT Forecasting in Hong Kong, Journal of Transportation Engineering, 129, 3, , PANT P.D., BALAKRISHNAN P., Neural Network for Gap Acceptance at Stop-Controlled Intersection, Journal of Transportation Engineering, 120, 3, , KARIM A., ADELI H., Radial Basis Function Neural Network for Work Zone Capacity and Queue Estimation, Journal of Transportation Engineering, 129, 5, ,