Akıllı Şehir Sistemlerinde Yapay Zekâ Mimarisi; Trafik, Enerji, Afet ve IoT Verileri İçin Extreme Learning Machine ve Deep Learning Yaklaşımlarının Karşılaştırılması

14 Mart 2026 Cumartesi

Akıllı şehir kavramı, bilgi ve iletişim teknolojileri ile şehir altyapısının entegre edilmesiyle ortaya çıkmıştır. Sensörler, IoT cihazları, veri iletişim ağları ve bulut bilişim sistemleri sayesinde şehirlerde büyük miktarda veri üretilmektedir. Bu verilerin analiz edilmesi, şehir yönetimi açısından kritik kararların alınmasına olanak sağlar.

Ancak sensör verilerinin hacmi, çeşitliliği ve hızının artması, klasik veri analiz yöntemlerini yetersiz hale getirmiştir. Bu nedenle makine öğrenmesi ve derin öğrenme yöntemleri akıllı şehir uygulamalarında önemli bir rol oynamaktadır.

Bu çalışmada özellikle iki yaklaşım üzerinde durulmaktadır:

• Extreme Learning Machine (ELM): hızlı eğitim ve düşük hesaplama maliyeti sunan bir makine öğrenmesi algoritmasıdır.

• Deep Learning: büyük veri setleri ve karmaşık veri ilişkilerini modelleyebilen çok katmanlı sinir ağlarıdır.

Akıllı şehir sistemleri genellikle çok katmanlı bir mimariye sahiptir. Bu mimari sensörlerden başlayarak analiz ve uygulama katmanına kadar uzanır.

Sensör Katmanı

Bu katman şehir genelinde yer alan veri kaynaklarını içerir. Bunlar; trafik kameraları, enerji sayaçları, hava kalitesi sensörleri, deprem ve meteoroloji sensörleri,akıllı ulaşım cihazları bu sensörler sürekli veri üretir ve şehir veri platformuna aktarır.

Edge / Fog Katmanı

Bu katman sensörlere yakın konumda bulunan hesaplama birimlerinden oluşur. Burada temel amaç veriyi hızlı şekilde analiz etmek ve anomali tespit etmektir.

Bu aşamada genellikle şu algoritmalar kullanılır:

• Extreme Learning Machine

• Random Forest

• basit anomali tespit algoritmaları

Edge katmanı özellikle gerçek zamanlı sistemlerde kritik öneme sahiptir.

Analitik Katmanı

Bulut veya veri merkezlerinde çalışan bu katman büyük veri analizini gerçekleştirir. Burada kullanılan yöntemler:

• Deep Learning modelleri

• Zaman serisi tahmin algoritmaları

• Veri madenciliği yöntemleri

Bu katmanda trafik, enerji ve afet verileri üzerinde ileri analiz yapılır.

Uygulama Katmanı

Son katman şehir yönetim sistemleri ve karar destek platformlarından oluşur. Örnek uygulamalar; şehir kontrol merkezi, trafik yönetim sistemleri, enerji yönetimi,afet koordinasyon merkezleri

Extreme Learning Machine, tek gizli katmanlı ileri beslemeli sinir ağlarının hızlı bir şekilde eğitilmesini sağlayan bir yöntemdir. Bu yöntemde gizli katman ağırlıkları rastgele belirlenir ve yalnızca çıkış katmanı analitik olarak hesaplanır.

Bu yaklaşımın avantajları şunlardır; çok hızlı eğitim süresi, düşük hesaplama maliyeti, parametre ayarına az ihtiyaç,gerçek zamanlı sistemlere uygunluk

ELM özellikle aşağıdaki alanlarda etkili sonuçlar vermektedir:

• IoT sensör verisi analizi

• anomali tespiti

• hızlı sınıflandırma problemleri

• edge cihazlarda veri analizi

Ancak karmaşık veri ilişkileri veya çok büyük veri setlerinde performansı sınırlı olabilir.

Deep Learning, çok katmanlı sinir ağları kullanarak verinin karmaşık özelliklerini öğrenebilen bir makine öğrenmesi yaklaşımıdır.

Başlıca avantajları şunlardır; yüksek doğruluk oranı, büyük veri setlerinde güçlü performans, karmaşık ilişkileri modelleyebilme, görüntü, metin ve zaman serisi verilerinde başarılı sonuçlar

Akıllı şehirlerde kullanılan yaygın deep learning modelleri:

• Convolutional Neural Networks (CNN)

• Long Short Term Memory (LSTM)

• Graph Neural Networks (GNN)

• Transformer modelleri

Akıllı Şehir Uygulamalarında Model Seçimi

Trafik Yoğunluğu Tahmini

Trafik verileri genellikle zaman serisi ve mekânsal ilişkiler içerir. Bu nedenle Deep Learning modelleri daha başarılı sonuçlar verir. Özellikle şu modeller yaygın olarak kullanılmaktadır:

• LSTM

• Graph Neural Network

• CNN + LSTM hibrit modelleri

Bu modeller trafik yoğunluğunu kısa ve uzun vadeli olarak tahmin edebilir.

Enerji Tüketim Tahmini

Enerji tüketimi verileri günlük ve mevsimsel değişimler gösterir. Bu nedenle zaman serisi analizi oldukça önemlidir.

Deep Learning modelleri özellikle aşağıdaki durumlarda yüksek doğruluk sağlar:

• elektrik talep tahmini

• bina enerji tüketimi

• şehir enerji yönetimi

LSTM ve Transformer modelleri bu alanda en yaygın kullanılan yöntemlerdir.

Afet Erken Uyarı Sistemleri

Afet sistemleri genellikle çok farklı veri kaynaklarını bir araya getirir:

• meteorolojik veriler

• deprem sensörleri

• uydu verileri

• hidrolojik ölçümler

Bu nedenle analiz süreci hem hızlı hem de yüksek doğruluklu olmalıdır. Bu tür sistemlerde genellikle hibrit bir yaklaşım tercih edilir:

• Deep Learning :büyük veri analizi

• ELM: hızlı karar mekanizması

IoT Sensör Anomalisi Tespiti

IoT sensörleri sürekli veri üretir ve bu verilerin gerçek zamanlı olarak analiz edilmesi gerekir.

Bu problem için ELM oldukça uygundur çünkü:

• hızlı eğitim sağlar

• düşük hesaplama gücü gerektirir

• edge cihazlarda çalışabilir

Bu nedenle sensör arızası veya veri anormallikleri hızlı şekilde tespit edilebilir. Akıllı şehir sistemlerinde en etkili yaklaşım genellikle hibrit mimaridir. Bu mimaride iki farklı yapay zekâ yaklaşımı birlikte kullanılır:

Edge katmanı:

• Extreme Learning Machine

• Hızlı anomali tespiti

Bulut katmanı:

• Deep Learning modelleri

• Tahmin ve analiz

Bu mimari sayesinde hem gerçek zamanlı işlem yapılabilir hem de yüksek doğruluk elde edilir.

Akıllı şehir uygulamalarında veri analizi için tek bir algoritma yeterli değildir. Veri tipi ve uygulama gereksinimlerine göre farklı yöntemlerin kullanılması gerekir.

Bu çalışmanın sonuçları şu şekilde özetlenebilir:

• trafik ve enerji tahminlerinde Deep Learning daha yüksek doğruluk sağlar

• IoT sensör anomalisi tespitinde Extreme Learning Machine daha hızlıdır

• afet erken uyarı sistemlerinde hibrit modeller daha etkili sonuç verir

Dolayısıyla akıllı şehir platformları için en uygun çözüm Edge AI ve Cloud AI’nin birlikte kullanıldığı hibrit mimarilerdir.

Bu yaklaşım sayesinde şehir yönetimi daha verimli, hızlı ve veri odaklı hale gelebilir.