IoT tabanlı akıllı şehir ortamı için optimal derin sinir ağı tabanlı yol trafik yönetim sistemi

Şehir Yaşamı İçin Neden Daha Akıllı Trafik Önemli

Yoğun saatlerdeki tıkanıklık sadece bir rahatsızlık değildir: yakıt israfına yol açar, havayı kirletir, acil durum araçlarını yavaşlatır ve insanların aileleriyle geçirecekleri zamandan çalar. Şehirler büyüyüp yollara daha fazla araç çıktıkça, eski tip sabit trafik lambaları ve manuel kontrol merkezleri yetişmekte zorlanır. Bu çalışma, sensör ağları ile gelişmiş bir yapay zekâ türünün gerçek zamanlı olarak birlikte çalışıp tıkanıklıkları nasıl tespit edebileceğini, sorunları nasıl öngörebileceğini ve trafik durmadan önce sinyalleri nasıl ayarlayabileceğini araştırıyor.

Bağlı Sokaklardan Trafik Beynine

Makale, yolların, trafik ışıklarının ve araçların "Nesnelerin İnterneti" aracılığıyla birbirine bağlandığı şehirleri inceliyor; bu, sokaklarda neler olduğunu sürekli olarak dijital güncellemeler halinde gönderdikleri anlamına geliyor. Sensörler ve kameralar, bir kavşaktan kaç aracın geçtiğini, hızlarını, araç türlerini ve hatta hava durumu, kazalar ve mevcut sinyal durumunu izliyor. İnsan operatörlerin tüm bu bilgiyi didik didik etmesi yerine, yazarlar bu kalıpları anlayabilen ve sinyalleri ile güzergahları daha akıllıca yönetme önerileri sunabilen otomatik bir karar destek sistemi öneriyorlar.

Doğru İpuçlarını Temizleme ve Seçme

Gerçek dünya trafik verileri dağınıktır: sensörler arızalanır, değerler eksik olur ve farklı ölçümler çok farklı ölçeklerde olabilir. Bu nedenle sistem dikkatli bir temizleme aşamasıyla başlar, nadir eksik okumaları doldurur ve tüm ölçümleri adil bir şekilde karşılaştırılabilmeleri için yeniden ölçeklendirir. Ardından kritik bir adım gelir: hangi bilgi parçalarının farklı trafik durumlarını gerçekten ayırt etmeye yardımcı olduğuna karar vermek. Model, veriye biraz farklı açılardan bakan üç aile seçim tekniğini birleştirir. Birlikte işe yaramayan veya gereksiz ayrıntıları filtreler ve yalnızca tıkanıklığın kritik, yoğun, orta veya düşük olduğunu gerçekten gösteren özellikleri tutar; bu aynı zamanda sonraki işlemleri hızlandırır.

Modelin Trafik Kalıplarını Zaman İçinde Öğrenmesi

Trafik yalnızca tek bir anda olup bitenlerle ilgili değildir; ışıkların döngüleri ve sürücü davranışlarındaki değişimler nedeniyle dakikalar ve saatler içinde değişir. Bu gelişen kalıpları yakalamak için yazarlar, zaman bazlı veriler için tasarlanmış bir derin sinir ağı kullanır. Bu ağ, trafik okumalarının dizileri üzerinde kayarak kısa süreli patlamaları ve daha uzun vadeli tıkanıklık birikimlerini algılamak için üst üste konulmuş konvolüsyon katmanları kullanır. Bir dikkat mekanizması ise her dizide en belirleyici anlara seçici olarak odaklanır; böylece sistem bir yolun ne kadar tıkalı olduğuna karar verirken son zamanlardaki ani artışları veya düşüşleri daha fazla ağırlıklandırabilir. Sonuç, her durumu dört tıkanıklık seviyesinden birine açıkça atayan bir çıktı olup, çalışmada yeşil süresinin uzatılması veya alternatif güzergahların aktif edilmesi gibi belirli eylemlerle ilişkilendirilmiştir.

Sistemi Teste Sokmak

Araştırmacılar yaklaşımlarını akıllı bir kentsel ağı temsil eden açık bir trafik veri kümesi üzerinde eğitip değerlendirdiler. Her kayıt, araç sayıları, hızlar, hava koşulları, zaman damgaları, konumlar ve sinyal stratejileri içerir. Veride ciddi tıkanıklığın hafif trafiğe göre çok daha yaygın olması nedeniyle oluşabilecek önyargıyı önlemek için dengeleme teknikleri ve dikkatli doğrulama kullandılar. Birkaç eğitim–test bölünmesi boyunca sistemleri trafik durumlarını neredeyse %99 doğrulukla sınıflandırdı ve çeşitli diğer modern yöntemleri geride bıraktı. Bunu yaparken hesaplama ve bellek gereksinimleri açısından da nispeten hafif kaldı; bu da gerçek zamanlı şehir operasyonları için pratik bir avantajdır.

Günlük Yolcular İçin Anlamı

Pratik anlamda çalışma, dikkatle tasarlanmış bir yapay zekâ sisteminin şehir trafik merkezleri için hızlı, veri odaklı bir danışman olarak hizmet edebileceğini; ham sensör beslemelerini somut, zamanında kontrol eylemlerine dönüştürebileceğini gösteriyor. Mevcut çalışma tek bir veri kümesine dayanıyor ve henüz yol çalışmaları veya büyük etkinlikler gibi kesintileri tam olarak hesaba katmıyor olsa da, trafik ışıklarının ve yönlendirme önerilerinin değişen koşullara sürekli uyum sağladığı bir geleceğe işaret ediyor. Ortalama bir yolcu için bu, kısa seyahatler, daha akıcı akışlar ve şehirlerin yollarının dijital nabzını daha iyi dinleyip harekete geçmesiyle daha güvenli sokaklar anlamına gelebilir.

Atıf: Almejalli, K.A. Optimal deep neural network based road traffic management system for Internet of Things based smart city environment. Sci Rep 16, 12136 (2026). https://doi.org/10.1038/s41598-026-42542-8

Anahtar kelimeler: akıllı trafik yönetimi, Nesnelerin İnterneti, derin öğrenme, akıllı şehirler, yoğunluk tahmini