Deep learning-based public transport demand forecasting
Derin öğrenme teknikleri ile toplu taşıma talep tahmini
- Tez No: 1016782
- Danışmanlar: DR. ÖĞR. ÜYESİ ŞAZİYE BETÜL ÖZATEŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Veri Bilimi ve Yapay Zeka Enstitüsü
- Ana Bilim Dalı: Veri Bilimi ve Yapay Zeka Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Şehirler giderek daha kalabalık hale geldikçe, verimli toplu taşıma sistemleri daha da önemli hale gelmektedir. Toplu taşımanın dijitalleşmesi büyük miktarda veri üretmekte- dir. Bu veriler, veri odaklı optimizasyon için yeni fırsatlar sunmaktadır. Bu tür verilerin en önemli kullanım alanlarından biri, etkili planlama ve kaynak tahsisi açısından kritik öneme sahip olan talep tahminidir. Ancak geleneksel yöntemler, kentsel ulaşım veri- lerinin karmaşıklığını ele almakta yetersiz kalmaktadır. Bu nedenle, son araştırmalar karmaşık zamansal ve mekânsal örüntüleri yakalayarak daha yüksek doğruluk sağlayan derin öğrenme modellerine odaklanmıştır. Bu tez çalışması, azaltılmış karmaşıklıkla metro yolcu talebi tahmini için tasarlanmış ve PatchTST'nin hafifletilmiş bir varyantı olan Mini-PatchTST'yi tanıtmaktadır. Bu çalışmayı desteklemek amacıyla, İstanbul Büyükşehir Belediyesi'nin açık verileri kul- lanılarak istasyon bazında saatlik metro yolcu akışını içeren yeni bir veri seti oluşturul- muştur. Önerilen yaklaşım; geleneksel istatistiksel yöntemler, makine öğrenmesi model- leri (LightGBM, XGBoost) ve derin öğrenme tabanlı yöntemler (LSTM, PatchTST) ile karşılaştırılmıştır. İstanbul Metro Veri Seti üzerinde elde edilen deneysel sonuçlar, Mini-PatchTST'nin yak- laşık %5–13 oranında RMSE azalımı ve benzer MAE değerleri elde ederek gradient- boosting modellerini geride bıraktığını göstermektedir. Model, %23.42 MAPE değeri ile PatchTST'ye (%33.89) kıyasla belirgin bir iyileşme sunmakta, ancak ağaç tabanlı modellere (%15–16) göre bir miktar daha yüksek yüzde hataya sahiptir. PatchTST mimarisiyle karşılaştırıldığında Mini-PatchTST, RMSE'de yaklaşık %4, MAE'de %10 ve MAPE'de yaklaşık %31 oranında iyileşme sağlamaktadır. LSTM modeli en düşük RMSE ve MAE değerlerine ulaşsa da daha yüksek MAPE değeri ve belirgin şekilde uzun eğitim süresi, Mini-PatchTST'nin doğruluk–verimlilik dengesi açısından daha avanta- jlı olduğunu göstermektedir.Modelin genelleme yeteneğini değerlendirmek amacıyla açık kaynaklı Hangzhou Metro veri seti üzerinde ek deneyler gerçekleştirilmiş; bu deneylerde Mini-PatchTST, önceki çalışmalarda kullanılan modellere kıyasla anlamlı performans artışları elde etmiştir. Elde edilen bulgular, Mini-PatchTST modelinin kısa dönemli toplu taşıma talep tahmini için sağlam ve hesaplama açısından verimli bir çözüm sun- duğunu göstermektedir.
Özet (Çeviri)
As cities grow more crowded, efficient public transport systems become more essential. The digitalization of public transport generates large amounts of data. This data creates new opportunities for data-driven optimization. One key application of such data is demand forecasting, which is essential for effective planning and resource allocation. However, traditional methods struggle to handle the complexity of urban transit data. As a result, recent research has focused on deep learning models which achieve higher accuracy by capturing complex temporal and spatial patterns. This thesis introduces Mini-PatchTST, a lightweight variant of PatchTST, designed for metro passenger demand forecasting with reduced complexity. To support this work, a novel station-level hourly metro passenger flow dataset was constructed using open data from the Istanbul Metropolitan Municipality. The proposed approach is bench- marked against traditional statistical methods, machine learning models such as sta- tistical methods, machine learning models (LightGBM, XGBoost), and deep learning baselines (LSTM, PatchTST). Experimental results on the Istanbul Metro dataset show that Mini-PatchTST outper- forms gradient-boosting models with a 5–13% RMSE reduction while maintaining com- parable MAE. It achieves a MAPE of 23.42%, substantially improving upon PatchTST (33.89%) though remaining slightly higher than tree-based models (15–16%). Compared to the original PatchTST, Mini-PatchTST reduces RMSE by 4%, MAE by 10%, and MAPE by nearly 31%. Although LSTM attains the lowest RMSE and MAE, its higher MAPE and significantly longer training time highlight the superior efficiency–accuracy trade-off of Mini-PatchTST. To assess generalization capability, the model is further evaluated on the open-source Hangzhou Metro dataset, where it yields substantial im- provements over models used in prior studies. The findings indicate that Mini-PatchTST provides a robust, and computationally efficient solution for short-term public transport demand forecasting.
Benzer Tezler
- Derin öğrenme teknikleri kullanılarak raylı sistemler için günlük seyahat talebi tahmin modeli geliştirilmesi
Development of a daily passenger demand prediction model for rail systems using deep learning techniques
HALİL UĞUR ERCAN
Yüksek Lisans
Türkçe
2023
UlaşımEge Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. YALÇIN ALVER
- A novel hybrid method for automatic visual inspection of oil plant facilities using uav and ai-based sensor fusion
İha ve yapay zekâ tabanlı sensör füzyonu kullanarak petrol tesislerinin otomatik görsel denetimi için yeni bir hibrit yöntem
OMAR SABER MUHI MUHI
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
Assoc. Prof. Dr. SEFER KURNAZ
- Билим, илим жана маданият тармагындагы Кыргызстан менен Түркиянын кызматташтыгы (1992-2012 жж.)
Kırgız Cumhuriyeti ile Türkiye Cumhuriyeti arasında eğitim, bilim ve kültürel ilişkiler (1992-2012)
KADRİ AĞGÜN
Doktora
Kırgızca
2016
TarihKyrgyz State Unıversıty Named After I ArabaevTarih Ana Bilim Dalı
PROF. DR. TÖLÖBEK ABDRAHMANOV
- Duygu analizi ve derin öğrenme kullanılarak borsaya kote ulaştırma şirketlerine ait endekslerin tahmin edilmesi
Predicting with sentiment analysis and deep learning of companies which are listed in transportation index in the stock market
TUBA ÇİFCİBAŞI
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara Üniversitesiİş Analitiği Ana Bilim Dalı
DOÇ. DR. ÇAĞRI AKSOY HAZIR
- Toplu ulaşımda sürücü tanıma sistem önerisi: İstanbul minibüs örneği
Driver identification system proposal in public transportation:Case study in İstanbul minibüs
MERVE KARTAL
Yüksek Lisans
Türkçe
2024
UlaşımBandırma Onyedi Eylül ÜniversitesiAkıllı Ulaşım Sistemleri ve Teknolojileri Ana Bilim Dalı
PROF. DR. NECLA TEKTAŞ
PROF. DR. MEHMET TEKTAŞ