Türkiye’deki il yolları için Yıllık Ortalama Günlük Trafik (YOGT) tahmininde makine öğrenmesi algoritmalarının karşılaştırmalı analizi
Yükleniyor...
Dosyalar
Tarih
2025
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Niğde Ömer Halisdemir Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Yıllık Ortalama Günlük Trafik (YOGT), bir yoldan bir yıl boyunca geçen ortalama araç sayısını ifade etmektedir. Türkiye’de YOGT verileri Karayolları Genel Müdürlüğü tarafından üç farklı idari yol sınıfı için toplanmaktadır. Devlet ve otoyollar için YOGT verisi her yıl düzenli olarak elde edilmekte, ancak il yolları için bu veri genellikle üç veya dört yılda bir toplanmaktadır. Bu çalışmada, il yolları için YOGT tahmini amacıyla yedi farklı makine öğrenmesi algoritması kullanılmış ve performansları karşılaştırılmıştır. Yolun karakteristik özellikleri, diğer ulaşım sistemleriyle ilişkisini ve yol çevresinin demografik/sosyo-ekonomik özelliklerini yansıtan değişkenler kullanılmıştır. Rastgele orman ve destek vektör regresyonu algoritmaları en başarılı sonuçları vermiştir. Yolun karakteristik özellikleri ile demografik/sosyo-ekonomik faktörleri temsil eden değişkenlerin YOGT tahminleri üzerindeki etkisinin, diğer ulaşım sistemleri merkezleriyle olan ilişkileri yansıtan değişkenlere kıyasla çok daha belirleyici olduğu bulunmuştur.
Annual Average Daily Traffic (AADT) is the average number of vehicles passing on a road over the course of a year. In Turkey, AADT data is collected by the General Directorate of Highways for three different road classes. For state roads and highways, AADT data is collected regularly every year, but for provincial roads, this data is usually collected every three or four years. In this study, seven different machine learning algorithms were used to estimate AADT for provincial roads and their performances were compared. Variables reflecting the characteristics of the road, its relationship with other transportation systems and the demographic/socio-economic characteristics of the road environment were used. Random forest and support vector regression algorithms produced the most successful results. Variables representing road characteristics and demographic/socio-economic factors were found to have a much more significant impact on AADT estimates than variables reflecting the relationship with other transportation systems.
Annual Average Daily Traffic (AADT) is the average number of vehicles passing on a road over the course of a year. In Turkey, AADT data is collected by the General Directorate of Highways for three different road classes. For state roads and highways, AADT data is collected regularly every year, but for provincial roads, this data is usually collected every three or four years. In this study, seven different machine learning algorithms were used to estimate AADT for provincial roads and their performances were compared. Variables reflecting the characteristics of the road, its relationship with other transportation systems and the demographic/socio-economic characteristics of the road environment were used. Random forest and support vector regression algorithms produced the most successful results. Variables representing road characteristics and demographic/socio-economic factors were found to have a much more significant impact on AADT estimates than variables reflecting the relationship with other transportation systems.
Açıklama
Anahtar Kelimeler
YOGT, İl yoları, Makine öğrenmesi, Rastgele orman, Destek vektör regresyonu, AADT, Provincial roads, Machine learning, Random forest, Support vector regression
Kaynak
Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi
WoS Q Değeri
Scopus Q Değeri
Cilt
14
Sayı
4
