Büyük şehirlerde kilometre başına düşen insan yoğunluğu arttıkça trafik sıkışıklığı artmakta ve yolcuların daha
fazla sürelerini trafikte harcamaktadırlar. Trafik sıkışıklığı nedeni ile harcanan ekstra zaman ve yakıt hem
kullanıcılar hem de ülkeler için büyük bir gider kalemidir. Büyükşehirlerde yaşayan vatandaşların trafik
yoğunluğunun zaman bazlı değişimini tahmin etmek ve buna göre planlama yapmaları bir zorunluluk haline
dönüşmüştür. Trafik sıkışıklıkları genelde tüm şehirde aynı anda gerçekleşmez. Bölgesel olarak yaşanan trafik
sıkışıklıkları diğer yolları da etkilemesi ile yaygınlaşır. Bu çalışma da yapay sinir ağları (YSA) kullanılarak
önerilen yöntem ile geçmiş trafik verileri kullanarak bölgesel yoğunluklar tahmin edilmeye çalışılacaktır. Çalışma
birçok benzer çalışmadan farklı olarak hava durumu gibi çevresel etkenleri de alarak tahmin modellemesinin
başarısını arttırılmıştır. İstanbul Büyük Şehir Belediyesi Açık Veri Portalından toplanan 75 farklı noktaya ait
150.000 veri kullanarak önerilen model test edilmiş ve yaklaşık %90 başarı ile bölgesel trafik yoğunluğu tespit
edilebilmiştir.
As the density of people per kilometer increases in big cities, traffic congestion increases and passengers spend
more time in traffic. The extra time and fuel spent due to traffic congestion is a big expense item for both users
and countries. It has become a necessity to predict the time-based change in the traffic density of citizens living in
metropolises and to plan accordingly. Traffic jams don't usually happen in the whole city at once. Regional traffic
jams become widespread as they affect other roads. In this study, it will be tried to predict regional congestions by
using historical traffic data with the proposed method using artificial neural networks (ANN). The study increases
the success of forecasting modeling by taking environmental factors such as weather conditions apart from many
equivalent studies. Using 150,000 data from 75 different points collected from the Istanbul Metropolitan
Municipality Open Data Portal, the proposed model was tested and the regional traffic density could be determined
with 90% success.
