Short term traffic speed prediction with RNN method for roads characterized by density- based clustering method


Akın M., Sağıroğlu Ş.

Journal Of The Faculty Of Engineering And Architecture Of Gazi University, vol.27, no.2, pp.581-593, 2022 (SCI-Expanded)

Abstract

Intelligent transportation systems use parameters such as traffic flow, density and speed to manage city
traffic. This paper presents a novel prediction model for traffic speed prediction consisting of nine stages. In
the presented model, real vehicle data were passed through data filtering and map matching processes,
density-based clusters were created, cluster features were generated, instant traffic state was displayed, and
traffic speed prediction was performed using with the artificial neural network RNN model. In previous
studies, while traffic speed prediction can be performed on a specific road with stationary data sources or on
different days with distributed GPS records, in the developed model, characteristics of the interested road
are created by obtaining density-based vehicle cluster features, short-term and data-driven speed prediction
is made within the changeable structure of traffic. Speed prediction was tested on Eskisehir and Istanbul
roads belonging to Ankara province, the error rates were determined for speed prediction using the RNN
variant LSTM and GRU methods, Eskisehir road LSTM-GRU error rates were measured as 8,595-8,656 and
İstanbul road error rates as 7,331-7,955, respectively. The developed model for the changeable nature of
traffic has yielded successful results in near real time. It is considered that the proposed model will offer
different and new solutions in the prediction of traffic parameters, accelerate the processes and assist to the
users more accurate and faster services.

Büyük şehirlerin gelişimi ve buna bağlı olarak artan araç sayısı şehirler için şehir trafiğini arttırmakta, ulaşım sorununu ön plana çıkarmaktadır. Şehir trafiğini yönetmek için kamu ve özel kurumlar tarafından akıllı ulaşım ve yönetim sistemleri geliştirilmekte, bu sistemleri kullanarak trafik bileşenlerinden trafik akış, yoğunluk ve hız parametreleri tahmin edilmektedir. Bu çalışma, trafik hız tahmini için 9 aşamadan oluşan yeni bir tahmin modeli sunmaktadır. Sunulan modelde gerçek araç verileri, veri filtreleme ve harita eşleme işlemlerinden geçirilmiş, yoğunluk tabanlı kümeler oluşturulmuş, küme öznitelikleri üretilmiş, anlık trafik gösterimi yapılmış ve trafik hız tahmini yapay sinir ağı RNN modeli ile gerçekleştirilmiştir. Daha önce yapılan çalışmalarda, trafik hız tahmini sabit veri kaynakları ile belirli bir yolda veya dağıtık GPS kayıtları ile farklı günlerde yapılabilmekte iken, geliştirilen model ile istenilen ve belirlenen bölge için yoğunluk tabanlı kümeler ve kümelere ait öznitelikleri üretilerek ilgilenilen yol için karakteristik oluşturulmuş ve trafiğin kendi olasılığı içinde aynı gün içerisinde kısa zamanlı ve veri odaklı hız tahmini yapılmıştır. Hız tahmini Ankara iline ait Eskişehir yolu ve İstanbul yolu güzergâhlarında gerçekleştirilmiş, hız tahmini için RNN modeli varyantı olan LSTM ve GRU modelleri kullanılarak hata oranları tespit edilmiş, Eskişehir yolu güzergâhında LSTM-GRU modelleri hata oranları sırasıyla 8,589-8,507, İstanbul yolu güzergâhında model hata oranları 7,370-8,201 olarak ölçülmüştür. Trafiğin olasılıklı ve değişken yapısı için geliştirilen model ile gerçek zaman için başarılı sonuçlar elde edilmiştir. Önerilen modelin, gelecekte yapılacak olan trafik parametrelerinin tahmininde farklı ve yeni çözümler sunacağı, katkılar sağlayacağı, süreçleri hızlandıracağı ve en önemlisi ise kullanıcılara daha doğru ve hızlı hizmet verilmesine katkılar sağlayacağı değerlendirilmektedir.