Evaluating travel mode decisions and transport models in understanding transit equity: The case of greater Toronto and Hamilton area
Toplu taşımada eşitliği anlamaya yönelik olarak yolculuk türü kararlarının ve ulaşım modellerının değerlendirilmesi: Büyük Toronto alanı ve Hamilton bölgesi vaka çalışması
- Tez No: 736783
- Danışmanlar: DOÇ. DR. EDA BEYAZIT İNCE, DOÇ. DR. STEVEN FARBER
- Tez Türü: Doktora
- Konular: Şehircilik ve Bölge Planlama, Urban and Regional Planning
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Şehir ve Bölge Planlama Ana Bilim Dalı
- Bilim Dalı: Şehir ve Bölge Planlama Bilim Dalı
- Sayfa Sayısı: 169
Özet
Son yıllarda, ulaşım alanına eşitlik konularının dahil edildiği ve ulaşım projelerinin ve politikalarının değerlendirilmesinde eşitlik temelli analizlerin yaygın bir şekilde yer aldığı görülmektedir. Bu yaklaşımlar temel olarak eşitlik göstergeleri ile yolculuk davranışı analizini ve ulaşım yatırımlarının bireyler üzerindeki sosyoekonomik etkilerini içermektedir. Buna göre ulaşım yatırımlarının maliyet ve faydaları değerlendirilmektedir. Ayrıca, yolcuların davranışları, günlük aktivite kalıpları ve seyahat türü kararları, yolculuk zincirleri analizi yoluyla tahmin edilmektedir. Bu değerlendirmeler, bireylerin yolculuk ihtiyaçları ve kısıtlamaları hakkında geniş bir perspektif sunabilir. Ayrıca, farklı ulaşım yatırımlarının toplumu nasıl etkilediğini anlama konusunda ulaşım planlayıcıları ve politika yapıcılar için değerli bilgiler sunarlar. Bu nedenle, yetkililerin ve plancıların çeşitli çevresel sorunları ele almak için adil ulaşım politikaları ve seyahat talebi yönetimi geliştirmelerini sağlar. Bu tez, farklı sosyoekonomik grupların günlük gezilerini nasıl planladıklarını anlamaya odaklanmakta ve bireylerin aktivite katılımını artırmayı ve seyahat engellerini hafifletmeyi amaçlayan ulaşım yatırımlarına nasıl yanıt verdiklerine ilişkin önemli bulguları rapor etmektedir. Çalışma ayrıca seyahat davranışı ve ulaşım türü kullanım modellerini değerlendirmekte ve Kanada'nın en büyük ve en hızlı büyüyen bölgelerinden biri olan Greater Toronto ve Hamilton Bölgesi'nde (GTHA) seyahat davranışı tahmini için makine öğrenmesi (machine learning) algoritmalarının potansiyelini araştırmaktadır. Bu çalışma için kullanılan birincil veri kaynağı, Greater Golden Horseshoe Bölgesi'nde yürütülen bir günlük yolculuk günlüğünü içeren büyük örneklemli bir hane halkı seyahat anketi olan 2016 Ulaştırma Yarını Anketi (Transportation Tomorrow Survey - TTS) veri setidir. TTS verileri, 1986'da başlatılan ve her beş yılda bir toplanan devam eden bir veri toplama programının bir parçasıdır. Bu bölgesel anket, seyahat talep yönetimi için yapılmıştır ve ulaşım planlama programları ve modelleri için kullanılabilir. İlk adımda, bu çalışma, bir yolculuk zinciri analizi birimi olarak toplu bir etkinlik türü ve seyahat türü biçimini kullanarak, gelir ve araç sahipliği düzeylerinin yolcuların etkinlik modellerini ve seyahat kararlarını nasıl belirlediğini araştırmaktadır. Yolculuk zinciri analizi için kural tabanlı yaklaşımların öznelliğini azaltmak için varsayımsız bir kümeleme çerçevesi kullanılır. Bu yaklaşım, homojen aktivite kalıpları kümelerini çıkarır. İkincisi, düşük gelirli topluluklardaki toplu taşıma iyileştirmelerinin etkileri, toplu taşıma yatırımlarının yolculuk türü kullanımını değiştirebileceği ve daha fazla toplu taşıma ve daha az otomobil yolculuğu üretebileceği varsayımına dayalı olarak araştırılmaktadır. Bu tür bir analiz, katmanlı regresyon modelleri kullanılarak toplu taşıma kullanımı ile toplu taşıma erişilebilirliği iyileştirmeleri arasındaki ilişkiyi araştırmaktadır. Son olarak, seyahat davranışı modellerinin etkileri, politika oluşturma ve ulaşım planlamasındaki öngörülü performansları açısından değerlendirilmektedir. Bu çalışma, model seçiminin geçiş kullanımının tahminini nasıl etkilediğini araştırmakta ve geleneksel ve Makine Öğrenmesi (ML) algoritmalarının tahmin performansını karşılaştırmaktadır. Ardından, erişilebilirliği iyileştirdikten sonra hassas haneler tarafından oluşturulan toplu taşıma yolculukların mekansal dağılımını ve öngörülen faaliyetleri karşılaştırarak toplu taşıma yatırım politikasını değerlendirmektedir. Bu çalışmanın bulguları, gelir ve araç sahipliği düzeylerinin yolculuk kararlarını etkilediğini ve hareketlilik modellerini değiştirdiğini ortaya koymaktadır. Bulgular, kadınların gelir durumlarından veya araba sahibi olmalarından bağımsız olarak, günlük yolculuk zincirlerinde sıklıkla topplu taşıma kullandıklarını göstermektedir. Düşük gelirli arabasız bireyler arasında, günlük yolculukların çoğu, kadınların erkeklerden daha sık olarak toplu taşıma veya araba ile yolcu olarak gerçekleştirilen bakım hareketliliğini içerir. Düşük gelirli otomobil sahibi gruplar alt örneğinde, kadınlar iş yolculukları için hala toplu taşıma araçlarını kullanırken, erkekler işe gidip gelmek için düzenli olarak haneye ait olan otomobili kullanmaktadır. Kadınların ortak özel aracı olan ailelerde otomobile erişimden daha az yararlandığını doğrulamaktadır. Otomobilsiz yüksek gelirli hanelerdeki erkek bireyler, yüksek yoğunluklu ve daha erişilebilir mahallelerde yaşadıklarında, günlük yolculukları için toplu taşıma ve aktif ulaşımı entegre ederek kullanmaktadır. Ayrıca, düşük gelirli topluluklardaki toplu taşıma iyileştirmelerinin değerlendirilmesi, yetişkin başına bir veya daha fazla otomobil bulunan düşük gelirli hanelerin toplu taşıma erişilebilirliği ile toplu taşıma kullanımı arasında en esnek ilişkiye sahip olduğunu göstermektedir; toplu taşıma iyileşirse, toplu taşımayı kullanmaları olasıdır. Bununla birlikte, ulaşımın zayıf olduğu araç odaklı bölgelerde, düşük gelirli hanelerin toplu taşıma kullanımı, araba sahipliği arttıkça keskin bir şekilde düşmektedir. Bu durum, düşük gelirli otomobil sahibi hanelerin, araçlarına sahip olur olmaz çok fazla bağımlı hale gelebileceğini ima etmektedir. Ayrıca, erişilebilirlikteki değişikliklerin toplu taşıma yolculuk üretimini nasıl etkilediğini araştıran duyarlılık analizi, bölgedeki erişilebilirlik kazanımlarının, ulaşım iyileştirildiğinde, otomobil eksikliği olan haneler arasında toplu taşıma yolcu sayısını artırmak için daha fazla fırsat sağladığını vurgulamaktadır. Bu nedenle, analiz, bireyleri toplu taşımaya katılmaya ve bölgede genel toplu taşıma yolculuğunu artırmaya yönelik öneriler sunmaktadır. Model seçimi göz önüne alındığında, sonuçlar, ML algoritmalarının diğer tüm istatistiksel modellerden daha iyi performans gösterdiğini ve yorumlanabilirlikten ödün vermeden seyahat davranışı tahminlerini geliştirmek için büyük potansiyele sahip olduğunu göstermektedir. Rastgele Orman algoritması (RF), XGBoost (XGB) ve Sinir Ağları (NN) sınıflandırıcıları ve regresörleri, diğer algoritmalardan önemli ölçüde daha iyi performans göstermektedir. Bunlar arasında RF, tahmin performansına göre düşük gelirli ailelerin transit talebini tahmin etmek için en doğru yaklaşımdır. Ancak, toplu taşıma kullanıcılarının davranışlarını tahmin ederken istatistiksel modeller zayıf performans gösterir. Ayrıca, toplu taşıma iyileştirmelerinden sonra yeni oluşturulan toplu taşıma yolculuklarının mekansal dağılımı aynı değildir; bu nedenle, geleneksel modeller sosyal, mekansal ve çevresel sorunları ele alırken farklı, muhtemelen yanlış bir politika önerisine ulaşabilir. Ayrıca, ML modellerine modelden bağımsız yorumlama araçlarının uygulanması, bu tekniklerin her modelin bir“kara kutu”olması gereken temel sürecini ortaya çıkarabileceğini göstermektedir. Sonuç olarak, ML modelleri doğruluk ve yorumlanabilirlikte önemli bir gelişme göstermektedir. Bulgular, bireylerin yolculuk kararlarını ve tercihlerini güvenilir bir modelle anlamanın ve tahmin etmenin, politika yapıcıların düşük gelirli insanlara fayda sağlayan ve toplumdaki toplu taşıma eşitsizliğini azaltan uygun bir toplu taşıma çerçevesi oluşturmasına olanak tanıdığına işaret etmektedir. Bu çalışma, bireylerin yolculuk davranışlarını gelir ve araç sahibi olma düzeyleri açısından değerlendirmenin büyük şehirlerde ulaşım planlamasına yeni ve farklı bir bakış açısı kazandırabileceğini düşündürmektedir. Genel olarak, çevresel, ekonomik ve sosyal hedefleri karşılayan adil bir ulaşım yatırımı, farklı sosyoekonomik grupların seyahat gereksinimlerinin ve davranışlarının kapsamlı bir şekilde anlaşılmasını gerektirir. Bulguların, plancılara yol göstererek, bireylerin aktivitelere katılımı artıran ve çevresel etkileri azaltan ulaşım politikalarını ve stratejilerini yeniden düşünmelerine yardımcı olacağı ümit edilmektedir.
Özet (Çeviri)
In recent decades, the incorporation of equity considerations in the transportation domain and the equity analysis of transport projects and policies are rapidly increasing. These approaches mainly include travel behaviour analysis with equity indicators and the socioeconomic impacts of transport investments on individuals. Accordingly, the cost and benefits of transport investments for residents are evaluated. Moreover, travellers' travel behaviour, daily activity patterns, and travel mode decisions are estimated through their trip chains analysis. These assessments can offer a broad perspective on individuals' travel needs and constraints. They also offer valuable insight for transportation planners and policymakers in understanding how different transport investments impact society. Therefore, they enable authorities and planners to develop equitable transport policies and travel demand management to address various environmental problems. This dissertation focuses on understanding how different socioeconomic groups plan their daily trips and reports important findings on their responses to transport investments, aiming to improve individuals' activity participation and alleviate travel barriers. The study also evaluates travel behaviour and mode use models and investigates the potential of machine learning algorithms for travel behaviour prediction in the Greater Toronto and Hamilton Area (GTHA), one of the largest and fastest-growing regions in Canada. The primary data source used for this study is the 2016 Transportation Tomorrow Survey (TTS) dataset, a large-sample household travel survey including a one-day household travel diary conducted in the Greater Golden Horseshoe Area. The TTS data is a part of an ongoing data collection program started in 1986 and is collected every five years. This regional survey is conducted to travel demand management, and it can use for transportation planning programs and models. In the first step, this study explores how income and car-ownership levels determine activity patterns and travel decisions of travellers using an aggregated form of activity type and travel mode as a unit of trip chain analysis. A presumption-free clustering framework is leveraged to mitigate the subjectivity of rule-based approaches for trip chain analysis. This approach extracts the homogeneous clusters of activity patterns. Second, the impacts of transit improvements in low-income communities are explored based on the assumption that transit investments could result in changing travel mode use and generating more transit and fewer car trips. Such analysis is performed by exploring the association between transit use and transit accessibility improvements using stratified regression models. Lastly, the effects of travel behaviour models are evaluated in terms of their predictive performance in policy-making and transportation planning. This study investigates how the model selection affects the prediction of transit use and compares the predictive performance of traditional and Machine Learning (ML) algorithms. Then, it evaluates a transit investment policy by contrasting the predicted activities and the spatial distribution of transit trips generated by the vulnerable households after improving accessibility. The findings of this study reveal that income and car-ownership levels influence a traveller's travel decisions and change their mobility patterns. The findings show that females, regardless of income or car ownership, frequently take transit in their daily trip chains. Among low-income carless individuals, most of their daily trips include the mobility of care, where women more often than men play this traditional role in a household by either public transit or a car as a passenger. In the low-income car-owner subsample, females still use public transit for their work trips, whereas males regularly use the household's car to commute to work. It confirms that women benefit less from having access to a car in families with a shared private vehicle. Males of wealthy carless households integrate public transit and active transportation for their daily trips when they live in high-density and more accessible neighbourhoods. Furthermore, evaluating transit improvements in low-income communities shows that low-income households with one or more cars per adult have the most elastic relationship between transit accessibility and transit use; they are more likely to be transit riders if transit improves. However, in auto-centric areas with poor transit, the transit use of low-income households drops off sharply as car ownership increases. It implies that low-income car-owning households might become too reliant on their vehicles as soon as they own them. Moreover, the sensitivity analysis exploring how changes to accessibility affect transit trip generation highlights that the accessibility gains in the region provide more opportunity for increasing transit ridership among car-deficit households when transit is improved. Therefore, the analysis suggests some insight into engaging individuals in taking transit and resulting in overall transit ridership in the region. Given the model selection, the results show that ML algorithms outperform all other statistical models and have great potential for enhancing travel behaviour predictions without sacrificing interpretability. Random Forest (RF), XGBoost (XGB), and Neural Networks (NN) classifiers and regressors significantly outperform other algorithms. Among them, RF is the most accurate approach for predicting low-income families' transit demand according to its predictive performance. However, statistical models perform poorly when forecasting transit users' behaviours. Further, the spatial distribution of newly generated transit trips after transit improvements is not identical; thus, traditional models may arrive at a different, probably inaccurate, policy recommendation in addressing social, spatial, and environmental problems. Moreover, applying model-agnostic interpretation tools to ML models shows that these techniques can uncover each model's underlying process, which was supposed to be a“black box”. All in all, ML models demonstrate significant improvement in accuracy and interpretability. The findings point out that understanding and estimating individuals' travel decisions and preferences with a reliable model enables policymakers to establish an appropriate transit framework that benefits low-income people and alleviates transit inequality in society. This study suggests that evaluating individuals' travel behaviour in terms of their income and car-ownership levels may give a new and different outlook on transport planning in metropolitan cities. Overall, a fair transportation investment that meets environmental, economic, and social goals necessitates a thorough understanding of different socioeconomic groups' travel requirements and responses. The findings help planners rethink transport policies and strategies that increase activity participation and reduce environmental impacts.
Benzer Tezler
- Kentsel doku ile otomobil bağımlılığı ilişkisinin sürdürülebilir ulaşım açısından değerlendirilmesi
Evaluation of the relationship between urban pattern and car dependency in terms of sustainable urban mobility
KÜBRA KALOŞ ERDOĞAN
Yüksek Lisans
Türkçe
2024
Şehircilik ve Bölge Planlamaİstanbul Teknik ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
DOÇ. DR. HASAN SERDAR KAYA
- Logit türel dağılım modeli kalibrasyonu: İstanbul için bir değerlendirme
Logit modal-split model calibration: An evaluation for İstanbul
HİLMİ BERK ÇELİKOĞLU
Yüksek Lisans
Türkçe
2002
İnşaat Mühendisliğiİstanbul Teknik ÜniversitesiUlaştırma Ana Bilim Dalı
PROF. DR. HALUK GERÇEK
- Türkiye'de yapılan ara toplu taşıma (minibüs) sistemlerinden toplu taşıma (otobüs) sistemlerine dönüşüm ve ülkemiz için yönetmelik önerisi hazırlanması
Transformation from paratransit (minibus) systems in turkey to public transportation (bus) systems and preparing a regulation proposal for our country
MUSTAFA BEKTAŞ
Yüksek Lisans
Türkçe
2022
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. MURAT ERGÜN
- Derin öğrenme ile günlük aktivite ve seyahat türlerini birlikte tanıma
Activity recognition and transport mode detection using deep learning
JEMSHIT ISKANDEROV
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET AMAÇ GÜVENSAN
- Taşımacılık modelleri, uluslararası taşımacılık konusuna yaklaşımlar ve bir uygulama
Transportation models, approaches to international transportation and an application
BAHAR ORTAATİLLA
Yüksek Lisans
Türkçe
1994
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiDOÇ.DR. FÜSUN ÜLENGİN