Türkiye’deki il yolları için Yıllık Ortalama Günlük Trafik (YOGT) tahmininde makine öğrenmesi algoritmalarının karşılaştırmalı analizi

Basit Öğe Kaydı
dc.authorid0000-0002-0621-9324
dc.contributor.authorBiçici, Serkan
dc.date.accessioned2026-07-22T12:25:11Z
dc.date.available2026-07-22T12:25:11Z
dc.date.issued2025
dc.departmentAÇÜ, Mühendislik Fakültesi, Harita Mühendisliği Bölümü
dc.description.abstractYıllık 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.
dc.description.abstractAnnual 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.
dc.identifier.doi10.28948/ngumuh.1723436
dc.identifier.endpage1624
dc.identifier.issue4
dc.identifier.startpage1612
dc.identifier.urihttps://hdl.handle.net/11494/6427
dc.identifier.volume14
dc.indekslendigikaynakTR-Dizin
dc.institutionauthorBiçici, Serkan
dc.institutionauthorid0000-0002-0621-9324
dc.language.isotr
dc.publisherNiğde Ömer Halisdemir Üniversitesi
dc.relation.ispartofNiğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi
dc.relation.publicationcategoryMakale - Ulusal Hakemli Dergi - Kurum Öğretim Elemanı
dc.rightsinfo:eu-repo/semantics/openAccess
dc.subjectYOGT
dc.subjectİl yoları
dc.subjectMakine öğrenmesi
dc.subjectRastgele orman
dc.subjectDestek vektör regresyonu
dc.subjectAADT
dc.subjectProvincial roads
dc.subjectMachine learning
dc.subjectRandom forest
dc.subjectSupport vector regression
dc.titleTürkiye’deki il yolları için Yıllık Ortalama Günlük Trafik (YOGT) tahmininde makine öğrenmesi algoritmalarının karşılaştırmalı analizi
dc.title.alternativeA comparative analysis of machine learning algorithms for estimating Annual Average Daily Traffic (AADT) on provincial roads in Turkey
dc.typeArticle

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Küçük Resim
İsim:
6427.pdf
Boyut:
1.51 MB
Biçim:
Adobe Portable Document Format
İndir
Lisans paketi
Listeleniyor 1 - 1 / 1
[ X ]
İsim:
license.txt
Boyut:
1.17 KB
Biçim:
Item-specific license agreed upon to submission
Açıklama:
İndir

Koleksiyon

TR-Dizin İndeksli Yayınlar Koleksiyonu
Harita Mühendisliği Bölümü Yayın Koleksiyonu