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.

Şekil 1 Çalışma Metodolojisi

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.

  • Seyahat Süresi
  • Araç Sınıflandırması
  • Araç Sayımı
  • İşgaliye Süresi
  • Hız Ölçümü

İSBAK Video Analitik Sistemi

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.

Gerçek Zamanlı Veriler ile Trafikte Anomali Tespiti

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.

  • 1. Adım

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

  • Veri görselleştirme ile gürültü tespiti. (İstatistiksel grafikler kullanılarak (Örn. Boxplot) gürültülü değerin tespit edilmesi)
  • Güven aralığı yöntemiyle gürültü tespiti. (Veri setinde normalleştirme veya dönüşüm yöntemleri kullanıldıktan sonra veri standardizasyonu yapılarak verilerin ortalama standart sapma uzaklığı hesaplanır. Bu hesaplamalar neticesinde güven aralığı belirlenerek güven aralığı dışındaki değerler gürültülü değer olarak kabul edilir.)

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.

  • 2. Adım

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.

Şekil 2 Normal, Anomali ve Gürültü Değerler

Bu grafikte;

  • Yeşil noktalar normal değerleri,
  • Turuncu noktalar SOM algoritması kullanılarak elde edilen anomali değerleri,
  • Kırmızı noktalar ise gürültülü değerleri temsil etmektedir.

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.

Trafik Yoğunluk Haritası

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.

YAZAR

Sinem Feyzi

KATKIDA BULUNANLAR

Erdem Kayhan Gürbüz

Mahmut Bulut

Sinem Öztürk

Enes Yılmaz

E-Katalog