Modern şehirlerin artan nüfusu ve hareketliliği, ulaşım sistemlerinin verimli yönetimini gittikçe daha kritik hale getirmiştir. Bu bağlamda, dijital ikiz kavramı, fiziksel dünyanın dijital bir yansımasını oluşturarak karmaşık sistemleri anlamak, yönetmek ve optimize etmek için güçlü bir araç haline gelmiştir. Ulaşım da bu alanlardan biridir ki akıllı kavşaklar gibi teknolojik altyapılar sayesinde büyük miktarda veri toplanmakta ve bu verilerle dijital ikiz mimarisinin önemli bir unsuru olan tahmin modelleri oluşturulmaktadır. Bu çalışma akıllı kavşaklarda trafik hacmi tahmini uygulamalarında daha etkili ve doğru sonuçlar elde etmek için hangi modelin seçilmesi gerektiğine dair akademik bir anlayış sunmayı amaçlamaktadır. Bunun için Antalya’da bulunan seçilmiş iki akıllı kavşağın her bir geliş kolu için saatlik araç sayım verileri kullanılmıştır. Bu veriler eğitim ve test verisi olarak ayrılmış olup Lineer Regresyon, Polinomal Regresyon, Destek Vektör Regresyonu (SVR) ve Rastgele Orman Regresyonu tabanlı makine öğrenmesi modelleri oluşturulmuştur. Böylece akıllı kavşaklarda her bir kol için trafik hacmi tahmini yapılmıştır. Ortalama Mutlak Hata (MAE) ve En Küçük Kareler (R Kare) yöntemleri ile tahmin modellerinin performans karşılaştırması yapılmıştır. Buna göre Rastgele Orman modelinin diğer önerilen modellere göre daha başarılı performans göstermiş olduğu görülmüştür.
The population growth and mobility of modern cities have made efficient management of the transportation systems increasingly critical. According to this, the digital twin concept has become a powerful tool for understanding, managing, and optimizing complex systems by creating a digital reflection of the physical world. Transportation is one of these areas, moreover, with the help of such smart intersections and technological infrastructure, large amounts of data are made up of estimation models which is one of the important elements of digital twins. This study aims to provide an academic understanding of which model should be chosen to have accurate and more effective results during the application of traffic value prediction in smart intersections. Hourly vehicle count data from the arrival branches of two smart intersections in Antalya were utilized for this. This data is separated as training and test data created based on learning machine models including Linear Regression Polynomial Regression, Support Vector Regression (SVR), and Random Forest Regression. Thus, traffic volume estimation was conducted for each branch at smart intersections. Forecasting models were evaluated using Mean Absolute Error (MAE) and Least Squares (𝑅) methods. Accordingly, it was seen that the Random Forest model performed better than the other proposed models.
