TOPLU TAŞIMA YOLCU TALEBİNİN SARIMA VE PROPHET YÖNTEMLERİ İLE TAHMİNİ

Yıl 2023, Cilt: 34 Sayı: 3, 334 - 356, 31.12.2023

Gizem Küçüker Özlem Uzun Araz

https://doi.org/10.46465/endustrimuhendisligi.1281645

Öz

Taşıma sistemlerinde yolcu talebinin bilinmesi; rotaların belirlenmesi, sefer saatlerinin ve sıklığının planlanması, çalışan sayısının optimize edilmesi gibi birçok operasyon faaliyeti için hayati bir görevdir. Bununla birlikte talebin düzensizliği, trend ve mevsimsellik bileşenlerini barındırması, tahmin edilebilmesini zor bir hale sokmaktadır. Son zamanlarda geleneksel talep tahmin yöntemlerinin yanı sıra modern yapay zekâ teknikleri de kullanılmaya başlanmıştır. Bu çalışmada, literatürde sıklıkla tercih edilen Box-Jenkins metodolojisinden SARIMA yöntemi ile 2017’de Facebook tarafından geliştirilen Prophet yönteminin toplu taşıma araçlarındaki yolcu sayısı tahminindeki performanslarının karşılaştırılması ve yöntemlerin değerlendirilmesi amaçlanmıştır. İki yöntem kullanılarak başarılı birer tahmin modeli geliştirilmiştir. Modelleme sonucunda SARIMA ve Prophet yöntemlerinin MAPE değerleri sırasıyla 0,11 ve 0,13 olarak hesaplanmıştır.

Anahtar Kelimeler

Talep tahmini, Box-Jenkins, Prophet

FORECASTING PUBLIC TRANSPORTATION PASSENGER DEMAND WITH SARIMA AND PROPHET METHODS

Öz

In transport systems, knowing passenger demand is a vital task for many operational activities, such as determining routes, planning schedules, and frequency, and optimizing the number of employees. However, the demand's irregularity, trend, and seasonality components make it challenging to forecast. Recently, modern artificial intelligence techniques have been used in addition to traditional demand forecasting methods. This study aims to compare the performance of the SARIMA method, which is one of the most preferred Box-Jenkins methodologies in the literature, and the Prophet method developed by Facebook in 2017, in forecasting the number of passengers in public transportation vehicles and to evaluate the methods. Two successful forecasting models were developed using the two methods. As a result of the modeling, the MAPE values of SARIMA and Prophet methods were calculated as 0.11 and 0.13, respectively.

Anahtar Kelimeler

Demand forecasting, Box-Jenkins, Prophet

Kaynakça

• Akgül, I. (2003). Zaman serilerinin analizi ve ARIMA modelleri. İstanbul: DER Yayınevi.
• Küçük Yılmaz, A., Kafalı, H., Işık, Y., Yaman, K., Özen, M., Küçük, F. (2019). Hava taşımacılığı. Eskişehir: Açıköğretim Fakültesi Yayını, No: 2204.
• Gerede, E., Orhan, G., Orhan, İ., Erdoğan, D., Ateş, S.S. (2019) Havayolu işletmelerinde operasyonel planlama. Eskişehir: Açıköğretim Fakültesi Yayını, No: 2649.
• Bozkurt, H. (2013). Zaman serileri analizi. Bursa: Ekin Yayınevi.
• Chicco, D., Warrens, M.J. & Jurman, G. (2021). The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation. PeerJ Comput. Doi: https://doi.org/10.7717/peerj-cs.623
• Dantas, T., Oliveira, F. & Repolho, H. (2017). Air transportation demand forecast through Bagging Holt Winters methods. Journal of Air Transport Management, 59, 116-123. Doi: https://doi.org/10.1016/j.jairtraman.2016.12.006
• Halyal, S., Mulangi, R. H. & Harsha, M. M. (2022). Forecasting public transit passenger demand: with neural networks using APC data. Case Studies on Transport Policy, 10, 965–975. Doi: https://doi.org/10.1016/j.cstp.2022.03.011
• Jin, F., Li, Y., Sun, S. & Li, H. (2020). Forecasting air passenger demand with a new hybrid ensemble approach. Journal of Air Transport Management, 83. Doi: https://doi.org/10.1016/j.jairtraman.2019.101744
• Koç, İ. (2017). Türkiye’de iç hatlarda havayolu yolcu taleplerinin yapay sinir ağları kullanarak tahmini (Yüksek Lisans Tezi). İstanbul Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul.
• Kovačić, Z. (1995). The time series analysis. University of Belgrade. Faculty of Economics, Belgrade. Liyanage, S., Abduljabbar, R., Dia, H. & Tsai, P. (2022). AI-based neural network models for bus passenger demand forecasting using smart card data. Journal of Urban Management, 11, 365–380. Doi: https://doi.org/10.1016/j.jum.2022.05.002
• Navratil, M. & Kolkova, A. (2019). Decomposition and forecasting time series in business economy using Prophet forecasting model. Central European Business Review, 8(4). Doi: https://doi.org/10.18267/j.cebr.221
• Nurmi, N. (2021). Forecasting airport passenger traffic in the era of COVID-19 pandemic (Yüksek Lisans Tezi). Lappeenranta-Lahtı University of Technology, School of Business and Management, Finlandiya.
• Phyoe, S.M., Guo, R. & Zhong, Z.W. (2016). An air traffic forecasting study and simulation. Matter: International Journal of Science and Technology, 2(3), 55-69. Doi: https://doi.org/10.20319/Mijst.2016.23.5569
• Srisaeng, P., Baxter, G., Richardson, S. & Wild, G. (2015). A forecasting tool for predicting Australia’s domestic airline passenger demand using a genetic algorithm. Journal of Aerospace Technology and Management, 7(4), 476-489. Doi: https://doi.org/10.5028/jatm.v7i4/475
• Taylor, S.J. & Letham, B. (2017). Forecasting at scale. PeerJ Preprints. Doi: https://doi.org/10.7287/peerj.preprints.3190v2
• Wei, Y. & Chen, M. (2012). Forecasting the short-term metro passenger flow with empirical mode decomposition and neural networks. Transportation Research, Part C 21, 148–162. Doi: https://doi.org/10.1016/j.trc.2011.06.009
• Wen, K., Zhao, G., He, B., Ma, J. & Zhang, H. (2022). A decomposition-based forecasting method with transfer learning for railway short-term passenger flow in holidays. Expert Systems with Applications, 189. Doi: https://doi.org/10.1016/j.eswa.2021.116102
• Zhang, G. P. (2003). Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, 50, 159 – 175. Doi: https://doi.org/10.1016/S0925-2312(01)00702-0
• Zhao, N., Liu, Y., Vanos, J. & Cao, G. (2018). Day-of-week and seasonal patterns of pm2.5 concentrations over the United States: time-series analyses using the Prophet procedure. Atmospheric Environment, 192, 116–127. Doi: https://doi.org/10.1016/j.atmosenv.2018.08.050
• Facebook, Prophet, Forecasting at scale. Erişim adresi: https://facebook.github.io/prophet/ (Erişim tarihi: 02/02/2023)
• Balıkesir Büyükşehir Belediyesi, Açık Veri Platformu, BTT-günlük taşınan yolcu sayıları. Erişim adresi: https://acikveri.balikesir.bel.tr/Veriler/ VeriSetiTabloGorunum?vsadi=asis-gunluk-yolcu(Erişim tarihi: 20/09/2022)
• T.C. Çevre, Şehircilik ve İklim Değişikliği Bakanlığı, Çevresel göstergeler. Erişim adresi: https://cevreselgostergeler.csb.gov.tr/ (Erişim tarihi: 04/04/2023)
• Balıkesir Büyükşehir Belediyesi, Otobüs ve güzergâh bilgisi. Erişim adresi: https://www.balikesirulasim.com.tr/hat/ERDEK-BANDIRMA (Erişim tarihi: 10/04/2023)