Bu projede, İstanbul Büyükşehir Belediyesi'nin (İBB) sağladığı trafik verileri üzerinde makine öğrenimi teknikleri kullanılarak trafik yoğunluğunun tahmini amaçlanmıştır. Projenin odak noktası, İstanbul'un farklı bölgelerindeki trafik yoğunluğunu etkileyen faktörleri belirleyerek gelecekteki trafik durumunu tahmin etmektir. Veri seti, İBB'nin trafik sensörleri ve kayıt sistemleri tarafından sağlanan geniş kapsamlı bir veri kümesini içermektedir. Bu veri kümesi, trafik yoğunluğunu etkileyebilecek değişkenlerin yanı sıra tarih, saat, bölge koordinatları gibi çeşitli özellikleri içermektedir. Proje kapsamında, veri setinin analizi ve ön işleme adımları gerçekleştirilerek veri keşfi yapılmıştır. Model performansını arttırabilecek özellikler de eklenmiş ve makine öğrenimi algoritmaları kullanılarak trafik yoğunluğunu tahmin etmek için model oluşturma ve eğitme aşamaları gerçekleştirilmiştir. Bu aşamada, lineer regresyon, karar ağaçları, gradient boosting gibi çeşitli modelleme yöntemleri değerlendirilmiş ve en uygun model seçilmiştir.
Eser Adı (dc.title) | İ.B.B. Trafik Verileri Kullanılarak Makine Öğrenmesi ile Trafik Yoğunluğunun Tahmin Edilmesi |
Eser Sahibi (dc.contributor.author) | Songül ATAÇ |
Tez Danışmanı (dc.contributor.advisor) | Femin Yalçın Küçükbayrak |
Yayıncı (dc.publisher) | İzmir Katip Çelebi Üniversitesi Fen Bilimleri Enstitüsü |
Tür (dc.type) | Diğer |
Özet (dc.description.abstract) | Bu projede, İstanbul Büyükşehir Belediyesi'nin (İBB) sağladığı trafik verileri üzerinde makine öğrenimi teknikleri kullanılarak trafik yoğunluğunun tahmini amaçlanmıştır. Projenin odak noktası, İstanbul'un farklı bölgelerindeki trafik yoğunluğunu etkileyen faktörleri belirleyerek gelecekteki trafik durumunu tahmin etmektir. Veri seti, İBB'nin trafik sensörleri ve kayıt sistemleri tarafından sağlanan geniş kapsamlı bir veri kümesini içermektedir. Bu veri kümesi, trafik yoğunluğunu etkileyebilecek değişkenlerin yanı sıra tarih, saat, bölge koordinatları gibi çeşitli özellikleri içermektedir. Proje kapsamında, veri setinin analizi ve ön işleme adımları gerçekleştirilerek veri keşfi yapılmıştır. Model performansını arttırabilecek özellikler de eklenmiş ve makine öğrenimi algoritmaları kullanılarak trafik yoğunluğunu tahmin etmek için model oluşturma ve eğitme aşamaları gerçekleştirilmiştir. Bu aşamada, lineer regresyon, karar ağaçları, gradient boosting gibi çeşitli modelleme yöntemleri değerlendirilmiş ve en uygun model seçilmiştir. |
Kayıt Giriş Tarihi (dc.date.accessioned) | 2024-03-08 |
Açık Erişim Tarihi (dc.date.available) | 2024-03-08 |
Yayın Tarihi (dc.date.issued) | 2024 |
Tek Biçim Adres (dc.identifier.uri) | https://hdl.handle.net/11469/3920 |
Yayın Dili (dc.language.iso) | tr |
Konu Başlıkları (dc.subject) | Makine öğrenimi |
Konu Başlıkları (dc.subject) | Modelleme |
Haklar (dc.rights) | Open access |