Yapay zeka teknikleri kullanılarak hava durumu değişimlerinin toplu taşım talep tahminine olan etkisi: İstanbul örneği
The impact of weather changes on public transportation demand forecasting using artificial intelligence techniques: The case of Istanbul
- Tez No: 977945
- Danışmanlar: PROF. DR. ALİ PAYIDAR AKGÜNGÖR
- Tez Türü: Doktora
- Konular: Ulaşım, Transportation
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Kırıkkale Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Toplu taşıma sistemlerinin etkin ve sürdürülebilir bir şekilde yönetilebilmesi, yalnızca mevcut altyapının iyileştirilmesini değil, aynı zamanda yolcu talebinin güvenilir biçimde öngörülmesini de gerektirmektedir. Ancak, hızla gelişen ülkelerde nüfus artışı, kentleşme hızı ve ulaşım talebindeki çeşitlilik yolcu talebinin oldukça karmaşık bir yapıya bürünmesine yol açmakta ve bu durum doğru tahminler yapmayı giderek daha da zorlaştırmaktadır. Gerçekçi ve isabetli tahminler elde edebilmek için, mekânsal ve zamansal değişkenlerin yanı sıra hava koşulları gibi dışsal faktörlerin de modele dahil edilmesi gerekmektedir. Literatürdeki mevcut çalışmaların büyük bir kısmı yolcu akışını öngörmek amacıyla çoğunlukla zamansal ve mekânsal ilişkilere odaklanmıştır. Bununla birlikte, toplu taşımacılığın en kritik bileşenleri olan otobüs ve raylı sistemler üzerinde hava durumu faktörünün etkisi literatürde sınırlı ölçüde ele alınmıştır. Ayrıca yapılan araştırmaların önemli bir bölümü yalnızca belirli bölgeler ya da tekil güzergâhlarla sınırlı kalmış, bu nedenle bütüncül bir bakış açısı geliştirilememiştir. Bu çalışmada, hem otobüs hem de raylı sistemlerde yolcu akışını daha doğru biçimde tahmin edebilmek amacıyla, hava koşulları ve okul günleri gibi ek değişkenleri de içeren bir Uzun Kısa Süreli Bellek (LSTM) modeli geliştirilmiştir. Kullanılan değişkenlerin tahmin performansına olan katkısını ortaya koymak için Aşırı gradyan artırma (Extreme Gradient Boosting-XGBoost) tabanlı bir özellik seçimi yöntemi uygulanmış ve bu yöntem sayesinde her bir girdinin göreli önem düzeyi belirlenerek modelin hem doğruluk hem de yorumlanabilirlik kapasitesi artırılmıştır. Her bir hava durumu değişkeninin otobüs ve raylı sistem yolcu akışı üzerindeki etkisi, LSTM modeli aracılığıyla hem güzergâh düzeyinde (Kadıköy–Pendik hattı) hem de bölgesel düzeyde (İstanbul Asya yakası geneli) incelenmiş ve bu sayede farklı mekânsal ölçeklerde yolcu davranışlarının değişim dinamikleri ortaya konmaya çalışılmıştır. Ayrıca, LSTM modelinin performansı, Çift Yönlü Uzun Kısa Süreli Bellek (Bi-LSTM), Kapılı Tekrarlayan Birim (GRU), Çift Yönlü Kapılı Tekrarlayan Birim (Bi-GRU), Tekrarlayan Sinir Ağı (RNN) ve Dışsal Girdili Doğrusal Olmayan Otoregresif Ağ (NARX) olmak üzere toplam beş farklı model ile karşılaştırılmıştır. Bu modeller arasında, NARX zaman serisi modeli en düşük Kök Ortalama Kare Hata (RMSE) ve Ortalama Mutlak Yüzde Hata (MAPE) değerlerini üretmiştir. LSTM modeli ise özellikle otobüs yolcu akışı tahminlerinde NARX'tan sonra en iyi performansı göstermiştir. Hava durumu değişkenlerinin bir önceki saate ait değerlerinin eklenmesiyle birlikte, bölgesel raylı sistem yolcu akışında belirgin bir değişiklik gözlenmemiş, ancak otobüs yolcu akışında RMSE değerinde %2,2 oranında düşüş kaydedilmiştir. Güzergâh düzeyinde yapılan analizlerde ise raylı sistemlerde %2,4, otobüs hatlarında ise %3,69 oranında iyileşme elde edilmiştir. Bu bulgular, hava durumu ile ilgili değişkenlerin özellikle otobüs yolcu akışı tahmininde önemli bir iyileştirme sağladığını ve bu değişkenlerin tahmin modellerine entegre edilmesinin faydalı olduğunu ortaya koymaktadır. Sonuç olarak, bu çalışma hava koşullarının toplu taşıma talebi üzerindeki etkisini ortaya koyarak literatürdeki önemli bir boşluğu doldurmaya çalışmıştır. Hava durumu ile ilgili değişkenlerin tahmin modellerine entegre edilmesinin, özellikle otobüs yolcu akışında tahmin doğruluğunu anlamlı şekilde artırdığı; bu nedenle ulaşım planlamasında ve kısa vadeli operasyonel karar süreçlerinde dikkate alınmasının faydalı olacağı sonucuna ulaşılmıştır.
Özet (Çeviri)
The effective and sustainable management of public transportation systems requires not only the improvement of existing infrastructure but also the reliable forecasting of passenger demand. However, in rapidly developing countries, population growth, the pace of urbanization, and the diversity of transportation needs make passenger demand highly complex, which further complicates accurate forecasting. In order to achieve realistic and reliable predictions, it is necessary to incorporate not only spatial and temporal variables but also external factors such as weather conditions into the model. While most existing studies have primarily focused on spatial and temporal relationships to predict passenger flow, the impact of weather conditions on buses and rail systems, the most critical components of public transportation, has been addressed only to a limited extent in the literature. Moreover, a considerable portion of these studies has been restricted to specific regions or single routes, thereby failing to provide a comprehensive perspective. In this study, a Long Short-Term Memory (LSTM) model was developed to more accurately forecast passenger flow in both bus and rail systems by including additional variables such as weather conditions and school days. To identify the contribution of the variables used to prediction performance, an Extreme Gradient Boosting (XGBoost)-based feature selection method was applied, through which the relative importance of each input was determined, thereby enhancing both the accuracy and interpretability of the model. The effect of each weather variable on bus and rail passenger flow was examined through the LSTM model at both the route level (specific corridors such as the Kadıköy–Pendik line) and the regional level (the Asian side of Istanbul), thus attempting to reveal the dynamics of passenger behavior across different spatial scales. In addition, the performance of the LSTM model was compared with five different deep learning models: Bidirectional Long Short-Term Memory (Bi-LSTM), Gated Recurrent Unit (GRU), Bidirectional Gated Recurrent Unit (Bi-GRU), Recurrent Neural Network (RNN), and Nonlinear Autoregressive Network with Exogenous Inputs (NARX). Among these, the NARX time series model produced the lowest Root Mean Square Error (RMSE) and Mean Absolute Percentage Error (MAPE) values. The LSTM model, on the other hand, demonstrated the second-best performance after NARX, particularly in forecasting bus passenger flow. When the weather variables from the previous hour were incorporated into the models, no significant change was observed in regional rail passenger flow, whereas bus passenger flow recorded a 2.2% decrease in RMSE.At the route level, improvements were observed with a 2.4% decrease in rail systems and a 3.69% decrease in bus lines. These findings demonstrate that weather-related variables provide a significant improvement particularly in bus passenger flow forecasting and that incorporating these variables into prediction models is beneficial. In conclusion, this study attempted to fill an important gap in the literature by revealing the impact of weather conditions on public transportation demand. It was concluded that the integration of weather-related variables into prediction models significantly improves forecasting accuracy, especially in bus passenger flow, and that their consideration would be beneficial in transportation planning and short-term operational decision-making processes.
Benzer Tezler
- Evaluating performance of different remote sensing techniques and various interpolation approaches for soil salinity assessment
Toprak tuzluluğu değerlendirmesi için farklı uzaktan algılama teknikleri ve çeşitli interpolasyon yaklaşımlarının performansının değerlendirilmesi
TAHA GORJI
Doktora
İngilizce
2021
Bilim ve Teknolojiİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. AYŞE GÜL TANIK
- Efficient estimation of Shrinkage parameters in fuzzy Ridge and fuzzy Liu regression models using α-cut-based methods under multicollinearity
Çoklu bağıntı durumunda bulanık Ridge ve bulanık Liu regresyon modellerinde α-kesim tabanlı yöntemler kullanılarak Shrinkage parametrelerinin etkin tahmini
AMMAR HOMAIDA
- Index modulation based designs, error performance and physical layer security analyses for unmanned aerial vehicle networks
İnsansız hava aracı ağları için indis modülasyonu tabanlı tasarımlar, hata performansı ve fiziksel katman güvenlik analizleri
AYŞE BETÜL BÜYÜKŞAR
Doktora
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. İBRAHİM ALTUNBAŞ
- Integration of spatial procedures to combat the desertification in Nineveh governorate, Iraq
Irak'ın Nineveh vilayetinde çölleşme ile mücadele için mekansal yöntemlerin entegrasyonu
BASHAR MUNEER YAHYA YAHYA
Doktora
İngilizce
2019
İnşaat Mühendisliğiİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. DURSUN ZAFER ŞEKER
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK