Category: Blog

İstanbul Büyükşehir Belediyesi’nin iştirak şirketlerinden biri olan İSBAK (İstanbul Bilişim ve Akıllı Kent Teknolojileri AŞ), 35 yılı aşkın tecrübesi ile akıllı şehir teknolojileri alanında sürdürülebilir ve yenilikçi çözümler üretmeye devam ediyor. Bu doğrultuda kentsel sorunlar için yeni teknolojiler ve yenilikçi yaklaşımlar kullanarak veriye dayalı akıllı şehir uygulamaları geliştiriyor.

Akıllı ulaşım sistemleri alanında ilk yerinde lisanslı Ar-Ge Merkezi olan İSBAK Ar-Ge Merkezi,  akıllı şehirlerin temel bileşenlerinden biri olan “Akıllı Ulaşım” sistemleri alanında faaliyet gösteriyor, Yolculuk kalitesini arttıran teknolojiler geliştirirken karbon salımını azaltıp kentsel trafiği optimize ediyor. Günümüzde kentsel ulaşım sorunlarının en yaygın örneklerinden biri olan yüksek trafik yoğunluğunun en temel sebebi, yol kapasitesinin aşılmasıdır. Bu bazen talep fazlalığı neticesinde gerçekleşirken bazen de kaza, araç arızası gibi beklenmedik olaylar (anomali) neticesinde gerçekleşebilmektedir.

Trafikteki beklenmedik olaylar, günümüzde ihbarlar ve trafik kamerası gözlem operatörleri aracılığıyla manuel olarak tespit edilebilmektedir. Bu yöntemler bazı durumlarda sorun tespiti ve müdahalesinde gecikmelere neden olabilmekte, ve bunun sonucunda da sonucunda seyahat süreleri, işgaliye süresi ve yakıt tüketimi artmakta ve bunlara bağlı olarak da karbon salımının olumsuz etkileri ortaya çıkmaktadır.

Bu çalışmada yenilikçi yaklaşım perspektifiyle Veri Analitiği, Video Analitik ve Robotik Otomasyon gibi teknolojiler kullanılarak trafikte beklenmedik olayların manuel yerine otomatik olarak tespit edilmesi ve müdahalenin hızlandırılması amaçlanmaktadır.

Çalışma, verilerin analiz edilebilmesi için ön işleme yapılması, sigma güven aralığı belirlenerek gürültü temizliğinin gerçekleştirilmesi ve gözetimsiz öğrenme yöntemlerinden SOM Algoritması kullanılarak anomalinin tespit edilmesi üzerine kurgulanmıştır.

Anomali tespiti için şekil 1’de belirtilen veri kaynakları ve değişkenlerden herhangi biri seçilebilmektedir.

Bu çalışmada, uzun süreli beklemeyi konu alan İşgaliye Süresi (Occupancy Time) değişkeni ile trafikte gerçekleşen olası aykırı değer tespiti sağlanmış, veri kaynağı olarak İSBAK Video Analitik Sistemi kullanılmıştır.

Yapay Zeka ve Görüntü İşleme teknolojilerinden faydalanılarak geliştirilen İSBAK Video Analitik Sistemi; Araç Sayımı, Araç Sınıflandırma, İşgaliye Süresi, Yoğunluk Analizi ve Olay Algılama özelliklerine sahip görüntü tabanlı sensör sistemidir.

İSBAK Video Analitik Sistemleri ile mevcut trafik izleme kameraları birer sensöre dönüştürülerek trafik ölçümleme alanı oluşturulmaktadır. Böylelikle düşük kurulum ve operasyon maliyetleri sağlayan, kazı gerektirmeyen bu teknoloji ile daha ekonomik ve daha sürdürülebilir operasyon yönetimi gerçekleştirilmektedir.

İSBAK Video Analitik Sisteminin sağladığı veri setinin trafik yönetim sistemi optimizasyonlarında kullanılmasıyla,  yakıt tüketiminin ve karbon salımının azaltılmasında önemli rol oynaması beklenmektedir.

Anomali Değer ve Tespit Yöntemleri

Anomali Değer
Veri setinin bir parçası olan anomali değerin ortaya çıkması belirli sebeplere dayanabilmektedir. Trafik bağlamında bu sebepler; uzun süreli bekleme, kaza, aniden durma, araç yangını gibi beklenmedik olaylar olarak sıralanabilir.

Anomali Değer Tespiti
Bu çalışmada sağlıklı bir anomali tespiti yapılabilmesi için öncelikle sistemsel hata vb. sebepler ile ortaya çıkan, analizin güvenilirliğini düşüren gürültülü değerlerin temizlenmesi gerekmektedir.

Gürültülü Değerlerin Temizlenmesi
Gürültülü değer tespiti için kullanılabilecek bazı yöntemler aşağıdaki gibidir:

Bu çalışmada gürültü tespiti için tercih edilen güven aralığı yönteminde öncelikli olarak veri setinin normal dağılıma yakınsaması için “Logaritmik Dönüşüm” yapılmıştır. Logaritmik dönüşümü sağlanan verilerin standardizasyonu için “Standard Score” yöntemi kullanılmıştır. Güven aralığı genişliği ve hassasiyeti için en uygun sigma değeri belirlenmiştir.

SOM Algoritması-Self Organizing Maps ( Öndüzenleyici Haritalar) ile Anomali Değerlerin Tespit Edilmesi

Gürültülü değerlerden arındırılmış veri kümesinde yer alan anomali değerlerin tespiti için, veri kümesi sınıflandırması sağlayan SOM algoritması kullanılmıştır.

SOM algoritması; veri kümesini sınıflandırmak için kullanılan bir yapay sinir ağı modelidir. Algoritma, veri setinde benzer özellikler taşıyan verileri harita ile görselleştirmektedir.

Bu çalışmada veri analitiği Python ile gerçekleştirilmiştir. Dolayısıyla veri kümesi sınıflandırması Python’ın “minisom” kütüphanesi içerisinde yer alan MiniSom algoritması ile oluşturulmuştur.

MiniSom algoritması, küçük yapay sinir ağları oluşturmayı hedefleyen bir yöntemdir ve girdi verilerinin birkaç öznitelik ile temsil edilebileceği küçük çıkış katmanına sahiptir. Bu yapı bazen yüksek performanslı bir sınıflandırma veya regresyon işlemini gerçekleştirmek için yeterli olmayabilir, ancak bu çalışmada olduğu gibi veri miktarı çok fazlaysa, bu yapı özelleştirilmiş çözümlerden daha işlevsel olabilmektedir.

Bu aşamada yöntemin hedeflenen performansa ulaşması için MiniSom algoritması içerisinde yer alan argümanların optimum parametreler içermesi gerekmektedir. Optimum parametreler elde etmek için Hiperparametre Optimizasyon yöntemleri (Hyperparameter Tuning) kullanılabilmektedir.

Bu çalışmada Hiperparametre Optimizasyonu yöntemlerinden Bayesci Optimizasyon (Bayesian Optimization) kullanılarak optimum parametreler elde edilmiştir. Daha sonra Cross-Validation yapılarak veri seti eğitim ve test kümeleri olarak ayrılarak MiniSom algoritması çalıştırılmıştır. Ardından ‘Quantization Error’ ve ‘Topographic Error’ hata metrikleri kullanılarak modelin performans ölçümü gerçekleştirilmiş ve modelin tutarlı olduğu gözlemlenmiştir. Model performansını optimize etmek için Bayesci Optimizasyon yöntemi kullanılarak modelde bulunan parametrelerin optimum değerleri belirlenmiştir.

Ortaya çıkan özdüzenleyici haritada; belirlenen sınır değeri dışında kalan veriler “anomali değer” olarak nitelendirilmiştir.

Sonuç olarak,  çalışma kapsamında gerçek zamanlı veriler ile trafikte anomali tespiti için veri kaynaklarından “İSBAK Video Analitik Sistemi”, değişken olarak “Araç İşgaliye Süresi” seçilerek yukarıda anlatılan veri analitiği yöntemleri ile trafikte anomali tespiti yapılmıştır.

Yapılan veri ön işleme, gürültülü verilerin ayıklanması ve anomali tespiti işlemlerinin sonucunun daha anlaşılır ve net bir şekilde görünmesi için aşağıdaki şekilde scatter plot (nokta grafiği) olarak görselleştirilmiştir.

Bu grafikte;

Yapılan işlemler sonucunda eylül ayına ait 63627 gözlemde 40 anomali değer tespit edilmiş ve tarih-saat aralığı kriterine göre görselleştirilmiştir. Bu anomali değerler trafikte uzun süreli araç bekleme zaman aralıklarını ifade etmektedir. Trafiğin yoğun saatlerinde uzun süreli bekleme normal kabul edilirken algoritma ile yoğun saatlerde dahi anormal bekleme süreleri tespit edilebilmektedir. Aynı şekilde trafik yoğunluğunun nispeten daha az olmasının beklendiği zamanlarda görülen yüksek bekleme süreleri de anomali tespiti olarak ortaya çıkmaktadır. Böylece gerçek zamanlı sistemsel uyarı ile video analitik kayıtları incelenerek anomalinin kaynağı tespit edilebilmektedir.

Çalışma kapsamında kullanılan yapay sinir ağı modeli; veri kaynağından ve değişkenden bağımsız bir yöntem olduğundan, çeşitli anomali tespitleri için Şekil 1’de gösterilen herhangi bir değişken ve veri kaynağı seçilebilmektedir.

Aşağıdaki görselde analiz için seçilen yolun eylül ayına ait ortalama trafik yoğunluk haritası gösterilmektedir.

Sonuç olarak, teknolojik gelişmeler doğrultusunda artan sensör tipleri ve mobil hareketliliğe paralel olarak veri çeşitliliği ve veri sayısı da ciddi şekilde artmaktadır. Büyük Veri işlenip anlamlandırıldığı sürece değer oluşturur ve bu durum günümüzde verinin artık bir sermaye haline gelmesini sağlamıştır. Endüstrinin her alanına doğrudan etki ettiği gibi, büyük veri analizleri ulaşım sistemlerinin de ayrılmaz bir parçası haline gelmiştir. Bu çalışmayla birlikte video analitik veya trafik ölçüm sensörleri aracılığıyla elde edilen trafik verileri, otomasyon süreçleri ile entegre edilerek otomatik uyarı sistemleri üretilebilecektir. Böylece, veri hizmete dönüştürülerek veriye dayalı trafik yönetimi sağlanabilecek ve gereksiz araç bekleme süreleri düşürülerek karbon salımı ve yakıt tüketimi azaltılıp buna paralel yolculuk kalitesi arttırılacaktır.

İstanbul Büyükşehir Belediyesi’nin iştirakleri arasında bulunan ve “Adil, Yeşil ve Yaratıcı İstanbul” ilkesiyle hareket eden İSBAK, insan odaklı hizmetlerin hayata geçirilmesi ve İstanbul’un daha yaşanabilir ve sürdürülebilir olmasının planlamasında önemli bir rol oynuyor. Covid-19 pandemisi sonrası tüm dünyada teknolojiye yapılan yatırımların artması ile gelişen dijital dönüşüme ayak uyduran İSBAK, güçlü Ar-Ge ekibi ile ulaşım ve bilgi iletişim teknolojileri (BİT) kapsamında çalışmalarına tüm hızıyla devam ediyor.

İSBAK, başta İstanbul olmak üzere daha güvenli ve yaşanılabilir şehirlerin trafikteki ihtiyaç ve taleplerini karşılamak amacıyla akıllı ve sürdürülebilir çözümler üretiyor. 15 yıldır uygulamada olan ve İSBAK’ın başat projelerinden biri olarak nitelendirebileceğimiz EDS (Elektronik Denetleme Sistemi), trafik kural ihlallerinin önüne geçerek kazaların engellenmesi, can ve mal emniyetinin sağlanması için güvenli, modüler ve akıllı çözümler sunuyor.

Kazaların önlenmesi, sürücülerin trafik kurallarına uyumunun sağlanması, trafik durumunun gerçek zamanlı olarak görüntülenmesi ve izlenmesi, değerli trafik verisi elde edilmesi projenin diğer amaçları arasında yer alıyor.

EDS 3.0 Merkez Yazılımı, farklı tipteki denetleme noktalarından topladığı verileri yorumlayarak şehir güvenliğine doğrudan katkıda bulunabiliyor. Kent Güvenlik Yönetim Sistemi (KGYS) kapsamında, Emniyet Genel Müdürlüğü’ne ait POLNET gibi güvenlik ağları ile senkronize çalışan sistem, güvenlik birimlerine ihtiyacı olan anlık bilgi ve yönlendirmeleri sunabiliyor. Görüntü işleme, yapay zekâ ve makine öğrenmesi yetenekleri sayesinde tehlike ve suç arz eden durumları analiz eden sistem, alarm sistemleri ile donatılmıştır.

EDS ihlal tespitleri kapsamında, şehirlerin uçtan uca idaresi için tüm teknik imkânlar bir merkezde toplanırken, bu sistemler uluslararası standartlarda ve akredite kuruluşlar tarafından onaylıdır. TSE standardı olan TS 13788 (Ortalama Hız Ölçme Donanımı-OHÖD) Belgesi, Sanayi ve Teknoloji Bakanlığı Ulusal Tip Onay Belgesi ile İSBAK Ortalama Hız İhlal Tespit Sistemi, tescilli bir marka olarak hizmet vermeye devam ediyor.

Başta İstanbul olmak üzere; Adana, Gaziantep, Kırşehir, Çerkeş gibi il ve ilçelerde hizmet sunan İSBAK EDS Projesi’nde, toplamda 11 ihlal tespit sistem tipi ve 600’ün üzerinde ihlal tespit noktası bulunuyor.

Mobil EDS, farklı EDS teknolojilerini üzerinde bulunduran, sabit ihlal tespit noktalarının kurulma olanağının bulunmadığı bölgelerde taşınabilir çözümler sunabilen, olay algılama ve olay izleme yetenekleri olan ileri teknoloji hareketli kameralar ve mobil uyumlu ekipmanlarla donatılmış denetleme aracıdır.

Sabit sistem kurulmadan önce de EDS’ye ihtiyaç duyulabilecek noktalar Mobil EDS ile denetime tabi tutularak, bu noktalardaki olumlu değişimin tespit edilmesi sağlanıyor. İhtiyaca göre ilgili noktalara sabit bir EDS konumlandırılarak mobil EDS aracı diğer kritik noktalara yönlendiriliyor.

Aynı zamanda enerji kaynağı sağlanamaması, altyapı süreçlerinin zor olması veya zaman alacak olması nedeniyle sabit EDS kurulumu yapılamayan noktalarda EDS araçlarının görevlendirilmesi, o bölgedeki ihtiyaca cevap verebilmesi sağlanıyor.
Trafikte kontrolü sağlamayı ve güvenli bir yaşam alanı hâline getirmeyi hedefleyen İSBAK, trafik akışı ve yoğunluğunu izlemek, elde edilen görüntüleri değerlendirerek olabilecek olumsuzluklara karşı hızlı ve etkin ek tedbirler geliştirmek adına çalışmalarını sürdürüyor.

Yerli teknoloji üretimiyle şehrin ihtiyaç duyduğu tüm hizmetlere dokunmayı amaçlayan İSBAK, şehirlerin yoğun ve hareketli trafiğine çözüm sağlamak amacıyla akıllı ulaşım uygulamaları ve kontrol sistemleri konusunda öncü Ar-Ge vizyonunu ortaya koymayı hedefliyor.