Kentsel raylı ulaşım sistemlerinde enerji tüketimi ve karbon ayak izi tahmini için makine öğrenmesi yaklaşımlarının karşılaştırmalı analizi
A comparative analysis of machine learning approaches for energy consumption and carbon footprint forecasting in urban rail transit systems
- Tez No: 994027
- Danışmanlar: DR. ÖĞR. ÜYESİ SERTAÇ SAVAŞ
- Tez Türü: Yüksek Lisans
- Konular: Mekatronik Mühendisliği, Mechatronics Engineering
- Anahtar Kelimeler: Hafif raylı sistemler, Karbon ayak izi, Makine öğrenmesi, Yapay zeka, Light rail systems, Carbon footprint, Machine learning, Artificial intelligence
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Mekatronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kentsel raylı ulaşım sistemleri, ulaşıma bağlı emisyonları önemli ölçüde azaltma potansiyeline sahip olmakla birlikte elektrik talebi ve buna eşlik eden karbon ayak izinin isabetli tahmini, operasyonların etkin yönetimi ve karbon bütçesinin planlanması açısından önemli bir gerekliliktir. Bu çalışmada, kentsel raylı ulaşım sistemlerinde enerji tüketimi ve karbon ayak izini tahmin etmek üzere beş makine öğrenmesi yaklaşımı tasarlanmış ve karşılaştırmalı olarak değerlendirilmiştir. Beş trafo merkezine ait on yıllık enerji tüketiminin aylık verileri ile bunlara karşılık gelen toplam karbon ayak izi verileri kullanılmıştır. Tahmin çalışmasında SVR, XGBoost, LSTM, ANFIS ve NAR-NN modelleri kullanılmıştır. Modellerin hiperparametreleri 20 iterasyonluk Rastgele Arama yaklaşımı ile optimize edilmiş ve stokastik modeller optimize edilmiş ayarlar kullanılarak 10 kez çalıştırılmıştır. Model performansları RMSE, MAE, MAPE ve R² metrikleri ile değerlendirilmiştir. Tüm trafo merkezlerinde sinir ağı tabanlı modellerin çoğu kez sıfıra yakın veya negatif R² ürettiği yüksek varyanslı zorlu durumlarda bile SVR en güvenilir genelleme performansını sağlamıştır (R²≈0.896–0.993). Karbon ayak izi tahmininde de SVR en yüksek doğruluğu elde etmiş (R²=0.942; MAPE=%3.51), XGBoost ise ikinci sırada yer almıştır. Genel olarak bulgular, sınırlı veri içeren aylık zaman serisi koşullarında, iyi düzenlileştirilmiş klasik makine öğrenmesi modellerinin (özellikle SVR) yüksek veri gereksinimli sinir ağlarına kıyasla daha üstün performans gösterebileceğini ve kentsel raylı ulaşım operasyonlarında enerji arzı planlaması, pik yük yönetimi ve karbon bütçelemesi için pratik fayda sağlayabileceğini ortaya koymuştur.
Özet (Çeviri)
While urban rail transit systems have the potential to significantly reduce transportation-related emissions, accurate forecasting of electricity demand and its associated carbon footprint is a crucial requirement for efficient operational management and carbon budget planning. This study designes and comparatively evaluates five machine learning approaches to estimate energy consumption and carbon footprint in urban rail transit systems. Ten years of monthly energy consumption data and corresponding total carbon footprint data from five substations are used. SVR, XGBoost, LSTM, ANFIS, and NAR-NN models are employed in the forecasting study. The hyperparameters of the models are optimized with a 20-iteration Random Search approach, and stochastic models are run 10 times using the optimized settings. Model performance is evaluated using RMSE, MAE, MAPE, and R² metrics. Even in challenging high-variance situations where neural network-based models often produced near-zero or negative R² values in all substations, SVR provides the most reliable generalization performance (R²≈0.896–0.993). In carbon footprint estimation, SVR achieves the highest accuracy (R²=0.942; MAPE=3.51%), while XGBoost ranking second. Overall, the findings suggest that, under conditions of limited monthly time series data, well-regulated classical machine learning models (especially SVR) can outperform data-intensive neural networks and offer practical benefits for energy supply planning, peak load management, and carbon budgeting in urban rail transit operations.
Benzer Tezler
- Kentsel raylı ulaşım sistemleri için akıllı enerji yönetim algoritması geliştirilmesi
Development of intelligent energy management algorithm for urban rail transportation systems
AHMET YILDIZ
Doktora
Türkçe
2023
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. DR. OKTAY ARIKAN
- Diyarbakır kentiçi ana ulaşım planı ile entegre edilmiş Üniversite-Dağkapı-Karacadağ Caddesi-Urfa Yolu-Silvan Yolu üniversite metrobüs ring sistemi güzergahı önerisi
Diyarbakir is the main urban transport plan has been integrated with the University Dagkapi-Karacadağ Road-Urfa Highway-proposal for the route of the ring system metrobus Silvan Road university
SELVİ ÇOLAK
Yüksek Lisans
Türkçe
2013
Şehircilik ve Bölge PlanlamaBahçeşehir Üniversitesiİnşaat Mühendisliği Bölümü
PROF. DR. MUSTAFA ILICALI
- Kayseri'deki raylı sistem planlaması ve uygulama süreçlerinin irdelenmesi
The investigation of the planning and implementation process of Kayseri railway system
FİKRİYE DİLEK CİNEL
Yüksek Lisans
Türkçe
2010
TrafikGazi ÜniversitesiTrafik Planlaması ve Uygulaması Ana Bilim Dalı (disiplinlerarası)
YRD. DOÇ. EBRU VESİLE ÖCALIR
- Demiryolu taşımacılığında enerji verimliliği için enerji depolama sistemi teknolojilerinin analizi
Analysis of energy storage system technologies forenergy efficiency in rail transportation
HASAN SAİM ÜNAL
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiRaylı Sistemler Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET TURAN SÖYLEMEZ
- Modern raylı ulaşım sistemleri için elektrifikasyon standartları ve tasarım yaklaşımlarının incelenmesi: Bir metro hattının tekno-ekonomik analizi
An investigation of electrification standards and design approaches for modern railway systems: Techno-economic analysis of a metro line
BÜŞRA ÖLMEZ
Yüksek Lisans
Türkçe
2025
UlaşımYıldız Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. DR. BEDRİ KEKEZOĞLU