Sürdürülebilir Kalkınma Amaçları
Yazarlar
Yayınlar
- Doktora TeziAçık Erişim2024Karayolu tünellerinde sürücü davranışlarının simülatör destekli analizi ve yapay zekâ teknikleriyle incelenmesi
Ömer Faruk Öztürk
Günümüz ulaşım ağlarının önemli bileşeni olan karayolu tünelleri, özellikle artan nüfus ve ticaret hacmiyle birlikte stratejik önem kazanmaktadır. Tüneller, engebeli coğrafya ve iklim koşullarında güvenli ulaşım sağlarken şehir içi geçişlerde yol genişletmeye alternatif olarak çevresel tahribatı ve kamulaştırma maliyetlerini azaltmaktadır. Bu yapılar, trafik akışını hızlandırarak hem şehir içi hem de şehirlerarası ulaşımın verimliliğini artırmakta ve çevresel sürdürülebilirliğe katkı sağlamaktadır. Araştırmalar, tünellerde kaza sıklığının açık yollara göre daha düşük olmasına rağmen meydana gelen kazaların şiddetinin daha yüksek olduğunu göstermektedir. Bu durum, tünellerde daha kapsamlı güvenlik önlemleri alınmasını gerektirmektedir. Bu çalışmada, simülatör tabanlı bir deney yapılmış, sürücü davranışları analiz edilmiş ve yapay zekâ teknikleriyle incelenmiştir. Araştırma, 134 katılımcının 12 senaryoda test edildiği, üç aşamalı bir veri toplama sürecini içermektedir. İlk aşamada demografik bilgiler toplanmış, ikinci aşamada simülatör sürüşleri yaptırılarak sürüş metrikleri toplanmış ve üçüncü aşamada sürücülerin performansları simülatör performans ölçeği anketiyle ölçülmüştür. Bu çalışma kapsamında geliştirilen InTunn.Ai yazılımıyla tüm veri analizleri ve risk değerlendirmesi gerçekleştirilmiştir. Boyut indirgeme analizi sonucunda, toplam varyansın %91.2'sini açıklayan 6 temel bileşen tespit edilmiştir. Daha sonra, hiperparametre optimizasyonu uygulanarak %92.31 doğruluk oranına sahip bir sınıflandırma modeli geliştirilmiştir. Bu model, sürücüleri risksiz, orta riskli ve riskli olmak üzere 3 kategoriye ayırmaktadır. Elde edilen bulgular, ani hızlanma ve frenleme, şerit değiştirme sıklığı, hız limiti uyumu ve yanal şerit sapmalarını başlıca ayırt edici risk faktörleri olarak öne çıkmıştır. Sonuç olarak, bu çalışmanın, karayolu trafik güvenliği alanında literatüre önemli katkılar sunacağı ve gelecekteki araştırmalarda sürücü davranışlarının daha etkin analiz edilmesine ve risk sınıflandırma modellerinin geliştirilmesine sağlam bir temel oluşturacağı düşünülmektedir.
- Kitap BölümüYalnız künye2021Safer-Driving: Application of Deep Transfer Learning to Build Intelligent Transportation Systems
Ünlü, Ramazan
Deep learning methods are widely used in the field of transportation as well as in many areas. These days, deep learning methods produce very successful results thanks to big data, where data collection and storage are much easier than in past years. However, it can be quite difficult to collect data or find the right data in some cases. On the other hand, even if the desired data is collected enough, training deep neural networks to learn from these data may not be comfortable in terms of hardware needed for ordinary users. In these cases, transfer learning can be an exit point, which is very popular in deep understanding, especially when the amount of data is limited. In this study, we have aimed to give comprehensive guidance on using a transfer learning strategy to create a detection model to establish a safer transportation system. More specifically, we have developed a classification model to alleviate accidents due to deer on the road. We have implemented VGG-16 convolutional neural network architecture as a part of the structured transfer learning framework. Computational results show that high accuracy performance can be achieved by implementing VGG-16 with the respectively small size of a dataset.