Repository logoGCRIS

Kayapınar, Ahmet

Profile URL
https://hdl.handle.net/20.500.12573/2842
Name Variants
Ahmet Kayapınar
Job Title
Arş. Gör.
Email Address
ahmet.kayapinar@agu.edu.tr
Main Affiliation
02. 04. Bilgisayar Mühendisliği
Status
Current Staff
Website
ORCID ID
Scopus Author ID
Turkish CoHE Profile ID
483D4179A23C6AE0
Google Scholar ID
WoS Researcher ID

Sustainable Development Goals

This researcher does not have a Scopus ID.
This researcher does not have a WoS ID.
No records found in other affiliations.
JournalCount
Current Page: 1 / NaN

Scopus Quartile Distribution

Competency Cloud

GCRIS Competency Cloud
Author of Publication: search.filters.isAuthorOfPublication.1a102a43-58eb-406c-9d78-eb82972d86ba

Scholarly Output Search Results

Now showing 1 - 1 of 1
  • Master Thesis
    Chebyformer: Düğüm Bazlı Filtreleme ile Trafik Akış Tahmini
    (2026) Kayapınar, Ahmet; Coşkun, Mustafa; Güngör, Burcu
    Akıllı Ulaşım Sistemleri (AUS) için doğru trafik akışı tahmini, tıkanıklığı ve karbon emisyonlarını azaltmak için olmazsa olmaz bir kilometre taşıdır. Uzaysal-Zamansal Grafik Sinir Ağları (STGNN'ler) bu görev için standart haline gelmiş olsa da, mevcut modellerin çoğu, trafik düzenlerinin tüm trafik ağı boyunca homojen olduğunu varsayarak küresel spektral filtrelere dayanmaktadır. Bu yaklaşım, farklı sensörlerin farklı fiziksel davranışlar gösterdiği trafiğin heterofilik doğasını yakalamada başarısız olmaktadır. Bu sınırlamayı azaltmak için, bu tez yeni bir hibrit mimari olan ChebyFormer'ı önermektedir. Model, sayısal olarak kararlı spektral özellik çıkarımı sağlamak için Chebyshev-Garnoldi algoritmasını ve uyarlanabilir, düğüm bazlı spektral filtreleri öğrenmek için PolyFormer dikkat mekanizmasını entegre etmektedir. Model, iki genel veri kümesi (PeMSD4, PeMSD8) ve Kayseri'den yeni toplanan bir gerçek dünya veri kümesi üzerinde değerlendirilmiştir. Deneysel sonuçlar, ChebyFormer'ın kısa ve uzun vadeli tahminlerde Ortalama Mutlak Hata (MAE) ve Karesel Ortalama Hata (RMSE) açısından en son temel modellerden (APPNP, GPRGNN) sürekli olarak daha iyi çalıştığını göstermektedir. Öğrenilen filtrelerin ek nitel analizi, modelin farklı trafik düzenleri arasında ayrım yapma yeteneğini doğrulayarak, kentsel trafik tahmininde düğüm bazlı filtrelemenin gerekliliğini doğrulamaktadır.