Yapay zeka trafiği 5 yıl öncesinden tahmin ediyor! New York'ta 15 yıllık veriyle test edildi

New York Üniversitesi Tandon ekibi, 15 yıllık trafik verisiyle geliştirdiği yapay zeka modeli sayesinde şehirdeki trafik sıkışıklıklarını oluşmadan yıllar önce tahmin edebiliyor. Bu sistem, planlamacılara güvenli ve yerel bir çözüm sunarak şehirlerin ulaşım sorunlarına erken müdahale imkânı sağlıyor.

Fatih Coşgun - Eylül 25, 2026 11:27 | Son Güncelleme Tarihi: Eylül 25, 2026 11:27

Yapay zeka trafiği 5 yıl öncesinden tahmin ediyor! New York'ta 15 yıllık veriyle test edildi

24 TV'yi Google'da haber kaynağınız olarak ekleyin

New York Üniversitesi Tandon araştırmacıları, şehirdeki trafik sıkışıklıklarını yıllar öncesinden tahmin edebilen ileri düzey bir yapay zeka sistemi geliştirdi. Anton Rozhkov liderliğindeki ekip, 2009'dan 2024'e kadar toplanan 15 yıllık New York City trafik verisini kullanarak, trafik planlamacılarına sorunlar büyümeden önce müdahale şansı tanıyan yenilikçi bir platform ortaya koydu. Bu sistem, şehir yönetimlerinin ulaşım verilerini yerel ve güvenli şekilde analiz etmesine olanak tanıyor ve şehir planlamasında yapay zekanın pratik uygulamalarına yeni bir boyut kazandırıyor.

Anton Rozhkov: 'Planlamacılar güvenli yapay zeka platformu istiyor'

Projenin fikir aşaması, Anton Rozhkov'un şehir planlamacılarıyla yaptığı görüşmeler sırasında ortaya çıktı. Rozhkov, şehirlerin yapay zeka teknolojilerine ilgi duyduğunu, ancak çoğu planlama departmanında özel sistemler kuracak teknik ekibin bulunmadığını tespit etti. Ayrıca, ulaşım gibi hassas verilerin dış kaynaklı sohbet botlarıyla paylaşılması konusunda ciddi güven kaygıları yaşandığını belirledi. Rozhkov ve ekibi, bu sorunlara çözüm olarak yerel olarak barındırılabilen, güvenli ve kullanıcı dostu bir yapay zeka platformu geliştirmeye karar verdi. Bu platform, planlamacıların günlük iş akışına kolayca entegre olabilecek şekilde tasarlandı ve trafik tahmini, mekansal haritalama ile büyük dil modellerini bir araya getiriyor.

15 yıllık veriyle geliştirilen yapay zeka modelleriyle trafik analizi

New York'un ulaşım verilerinin kamuya açık olması, araştırmacılar için ideal bir test ortamı sundu. Ekip, 2009'dan 2024'e kadar olan trafik gözlemlerini toplayarak, iki farklı tahmin yöntemini karşılaştırdı. Bunlardan biri, klasik bir istatistiksel yöntem olan ARIMA; diğeri ise uzun veri dilimlerinde doğrusal olmayan kalıpları yakalamada güçlü olan LSTM (Uzun Kısa Süreli Bellek) adlı sinir ağıydı. Pranav Nitin Motarwar liderliğinde yürütülen tahmin çalışmaları sonucunda, LSTM modelinin ARIMA'ya göre yaklaşık yüzde 18 daha iyi performans gösterdiği saptandı. Özellikle kök ortalama kare hatası (RMSE) ile ölçülen tahmin hatasında LSTM'nin günlük yaklaşık 343 araçlık hata ile ARIMA'nın 418 araçlık hatasını geride bıraktığı vurgulandı. Model, 2025 yılında ortalama günlük trafiğin 12.540 araçtan 2029'da 19.680 araca yükselebileceğini öngörüyor. Araştırmacılar, bu sayıların kesin sonuçlar değil, tahminlere dayalı göstergeler olduğunun altını çiziyor.

Rudra Patil: 'Sıkışıklık sokak düzeyinde haritalanabiliyor'

Mekansal analizden sorumlu Rudra Patil, trafik verilerini Uber'in H3 ızgara sistemiyle haritalayarak, şehir genelindeki sıkışıklık noktalarını sokak ve ilçe düzeyinde tespit etti. Bu yöntem, şehir planlamacılarına sadece ortalama değerler sunmakla kalmıyor; aynı zamanda belirli koridorlarda ve sıcak noktalarda sıkışıklığın tekrar eden kalıplarını gözler önüne seriyor. Kümeleme algoritmaları sayesinde, Manhattan en yoğun trafik sıkışıklığı yaşayan ilçe olarak öne çıkarken, Brooklyn ve Queens de yüksek riskli bölgeler arasında yer aldı. Patil, altıgen haritalama ve kümeleme tekniklerinin, planlamacıların hangi bölgelerde önlem alması gerektiğini net biçimde ortaya koyduğunu belirtti. Bu detaylı haritalama, şehir genelinde ulaşım politikalarının daha hedefli ve etkili biçimde oluşturulmasını sağlıyor.

Meta'nın LLaMA modeliyle planlamacılara özel portal

Araştırma ekibi, Meta'nın LLaMA adlı büyük dil modeliyle entegre çalışan özel bir portal geliştirdi. Bu portal, yalnızca kendi tahminlerine, sıkışıklık haritalarına ve trafik verilerine dayanıyor. Planlamacılar, elektronik tablo ve harita yığınları arasında kaybolmak yerine, doğrudan sorular sorarak ihtiyaç duydukları bilgiye hızla ulaşabiliyor. Örneğin, LaGuardia Havalimanı yakınında yapılacak bir yol genişletmesinin Queens trafiğine etkisi veya Lower Manhattan'daki tek yönlü yolların iki yönlüye çevrilmesinin sonuçları gibi spesifik sorulara, kendi verilerine dayalı yanıtlar alabiliyorlar. Portalın yerel olarak çalışması, ulaşım verilerinin kurumun güvenlik duvarı arkasında kalmasını sağlıyor ve dışa veri aktarımı riskini ortadan kaldırıyor. Motarwar, genel sohbet botlarının yüzeysel cevaplar verdiğini, ancak bu sistemin planlamacılara kendi şehirlerinin verilerinden üretilmiş, güvenilir ve detaylı analizler sunduğunu ifade etti.

Yapay zeka, şehir planlamasında karar destek aracı olarak öne çıkıyor

Geliştirilen platformun amacı, trafik sıkışıklığını tek başına çözmek değil; planlamacıların giderek karmaşıklaşan veri setlerinde etkin şekilde yol almasını sağlamak. Araştırmacılar, yapay zekanın doğrudan karar verici konumunda olmasını önermiyor. Bunun yerine, karmaşık veri yığınlarını anlaşılır ve kullanılabilir hale getiren bir arayüz olarak konumlandırıyorlar. Platform henüz büyük ölçekli bir uygulama ile test edilmedi, ancak gelecekte farklı şehirlerde ve veri setlerinde denenmesi planlanıyor. Anton Rozhkov, sistemin temel katkısının, tahmin modelleri, mekansal haritalama ve dil modelleri gibi farklı teknolojileri tek bir iş akışında buluşturmak olduğunu vurguluyor. Araştırmanın etik ve şeffaf GeoAI uygulamalarına odaklanan bilimsel bir yayında yer alması da, platformun güvenilirliğini ve açıklanabilirliğini ön plana çıkarıyor.

Kapat