TÜRKİYE'DE BİLET FİYATI TAHMİNİNİN DEĞERLENDİRİLMESİ

Abstract

İnsanların hızlı, güvenilir ve konforlu olarak taşınması şehirlerde yaşanabilirlik düzeyini de arttırmaktadır. Ayrıca insanların yaşam kalitesine de etki etmektedir. Bu nedenle ulaşım hizmetlerinin iyileştirilmesi için çalışmaların yapılması gerekmektedir. Ulaşım hizmetlerini analiz etmek için çeşitli modeller geliştirilmiştir ancak her birinin kendine özgü avantajları ve dezavantajları vardır. Günümüzde işletmeler hizmet kalitesini artırmak için yüklü miktarda veri toplamaktadır. Artan rekabet ortamında ayakta durabilmek için topladıkları verileri, müşterilerine ve çalışanlarına değer yaratacak şekilde kullanmak zorundadırlar. Ulaşım hizmetlerini etkileyen birçok faktör vardır. Bu nedenle ulaşım hizmetlerindeki problemleri klasik yöntemlerle çözmek zordur. Çalışmamızın temel amacı otobüs bileti fiyatını doğru belirlemektir. Çalışmamızda ilk olarak basitliği ve çok yönlülüğü nedeniyle popüler olan k-ortalamalar algoritması, daha anlamlı bilgiler keşfetmek için kullanılır. Daha sonra yolcu taşımacılığının en önemli unsurlarından biri olan fiyat, doğrusal regresyon, destek vektör regresyonu, regresyon ağacı, gauss süreç regresyonu, genetik algoritma tabanlı yapay sinir ağı ve topluluk modeli kullanarak tahmin edilmiştir. Bu çalışmanın sonuçları tasarlanan tahmin modellerinin dinamik çevre koşullarındaki beklentileri karşılayabildiğini göstermiştir.

Keywords

• K-ortalamalar algoritması
• Doğrusal regresyon
• Destek vektör regresyonu
• Genetik algoritma tabanlı yapay sinir ağı
• Bilet fiyatı tahmini

ASSESMENT OF TICKET PRICE FORECASTING IN TURKEY

Abstract

Fast, reliable and comfortable transportation of people increases the level of livability in cities. It also influences people's quality of life. Therefore, researches are needed to improve transportation services. Various models are developed to analyze the transportation services but each of which has its own advantages and disadvantages. Today, companies collect large amounts of data to improve their service quality. To survive in competition environment, they must use the collected data in order to create value for their customers and employees. There are many factors that affect the transportation services. Therefore, it is difficult to solve the problems in transportation services using classical methods. The main goal of our study is to determine the bus ticket price accurately. In this study, k-means algorithm, which is popular because of its simplicity and versatility, is firstly used to discover more meaningful information. Then the price, which is one of the most important elements of passenger transportation, is forecasted using six different forecasting model including linear regression, support vector regression, regression tree, gaussian process regression, genetic algorithm based artificial neural network, and ensemble model. The results of this study showed that proposed forecasting models can meet expectations in dynamic environmental conditions.

Keywords

• K-means algorithm
• Linear regression
• Support vector regression
• Genetic algorithm based artificial neural network
• Ticket price forecasting

References

1. Alnıaçık, Ü., & Özbek, V. (2009). Otobüs işletmelerinde hizmet kalitesinin ölçümü-Kandıra Gürkan turizm örneği. International Journal of Economic and Administrative Studies, 1(3), 125–138.
2. Awad M., Khanna R. (2015). Support Vector Regression. In Efficient Learning Machines. Apress.
3. Breiman, L., Friedman, J. H., Olshen, R. A., & Stone, C. J. (1998). Classification and regression trees. Chapman & Hall/CRC.
4. Cameron, A.C., & Windmeijer, F.A.G. (1997). An R-squared measure of goodness of fit for some common nonlinear regression models. Journal of Econometrics, 77(2), 329–342.
5. Çetin, B., Barış, S., & Saroğlu, S. (2011). Türkiye’de karayollarının gelişimine tarihsel bir bakış. Çankırı Karatekin Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi,1(1), 123–150.
6. Göçken, M., Özçalıcı, M., Boru, A., & Dosdoğru, A. T. (2016). Integrating metaheuristics and artificial neural networks for improved stock price prediction. Expert Systems with Applications, 44, 320–331.
7. Gül, H., & Boz, M. (2012). İnternet ortamında pazarlama, online rezervasyon; şehirlerarası otobüs firmaları üzerine bir araştırma. İnternet Uygulamaları ve Yönetimi Dergisi, 3(1), 5–30.
8. Kapluhan, E. (2014). Historical progress and current state of highway transportation in Turkey with respect to transportation geography. The Journal of International Social Research, 7(33), 426–439.

9. Kara, H. (1999). Otobüs işletmelerinde gelir arttırıcı yönetsel stratejiler. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, 2, 195–205.
10. Karakan, H. İ., Türkmen, S., Giritlioğlu, İ., & Kılıç, M. (2016). İstanbul Esenler Otogarı’nda faaliyet gösteren otobüs işletmelerinin web site içeriklerinin analizine yönelik bir çalışma. Journal of Suleyman Demirel University Institute of Social Sciences, 23(1), 291–310.
11. Keçeci, A. (2006). Türkiye’de karayolu taşımacılığı, Dışişleri Bakanlığı Yayınları Uluslararası Ekonomik Sorunlar Dergisi, 20, Retrieved from: http://www.mfa.gov.tr/turkiye_de-karayolu-tasimaciligi-.tr.mfa#
12. Kaufman, L., & Rousseeuw, P. J. (2005). Finding groups in data: an introduction to cluster analysis. Wiley-Interscience (Vol. 33). Wiley-Interscience.
13. Kögmen, Z. (2014). Karayolu taşımacılığının diğer taşımacılık modlarıyla karşılaştırılması ve sağladığı avantajlar. Ulaştırma ve Haberleşme Uzmanlığı Tezi, Ulaştırma, Denizcilik ve Haberleşme Bakanlığı, 2014.
14. Li, C-S., & Chen, M-C. (2014). A data mining based approach for travel time prediction in freeway with non-recurrent congestion. Neurocomputing, 133, 74–83.
15. Li, Y., & Li, Z. (2018). Design and implementation of ticket price forecasting system. In AIP Conference Proceedings, 1967, 040009, https://doi.org/10.1063/1.5039083.
16. Lin, Y., Yang, X., Zou, N., & Jia, L. (2013). Real-time bus arrival time prediction: Case study for Jinan, China. Journal of Transportation Engineering, 139, 1133–1140.
17. Lizotte, D., Wang, T., Bowling, M., & Schuurmans, D. (2007). Automatic gait optimization with gaussian process regression. In IJCAI, 7, 944–949.
18. Ruiz-Abellón, M. C., Gabaldón, A., & Guillamón, A. (2018). Load forecasting for a campus university using ensemble methods based on regression trees. Energies, 11, 2038, 1–22.
19. Seber, G. A. F., & Lee, A. J. (2012). Linear regression analysis. John Wiley & Sons.
20. Sevuktekin, M., Keser, H. Y., Ay, S., & Cetin, I. (2014). Transportation sector in Turkey: future expectations about railway transportation of Turkey. Kafkas Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 5(8), 99–116.
21. Tsai, C-H., Mulley, C., & Clifton, G. (2013). Forecasting public transport demand for the Sydney Greater Metropolitan Area: A comparison of univariate and multivariate methods. In Australasian Transport Research Forum 2013 Proceedings, Brisbane, Australia.
22. Wohlfarth, T., Clémençon, S., Roueff, F., & Casellato, X. (2011). A data-mining approach to travel price forecasting. In 10th International Conference on Machine Learning and Applications and Workshops (ICMLA), Honolulu, United States. www.kgm.gov.tr. (2018, September 5). Retrieved from: http://www.kgm.gov.tr/Sayfalar/KGM/SiteEng/Root/MainPageEnglish.aspx.
23. Ye, S., Huang, X., Teng, Y., & Li, Y. (2018). K-means clustering algorithm based on improved Cuckoo search algorithm and its application. In IEEE 3rd International Conference on Big Data Analysis, 422–426.
24. Yeh, C-Y., Huang, C-W., & Lee, S-J. (2011). A multiple-kernel support vector regression approach for stock market price forecasting. Expert Systems with Applications, 38, 2177–2186.
25. Yu, S., Shang, C., Yu, Y., Zhang, S., & Yu, W. (2016). Prediction of bus passenger trip flow based on artificial neural network. Advances in Mechanical Engineering, 8(10), 1–7.
26. Zhao, W-L., Deng, C-H., & Ngo, C-W. (2018). K-means: A revisit. Neurocomputing, 291, 195–206.
27. Zhou, Z-H. (2012). Ensemble methods: foundations and algorithms. Chapman and Hall/CRC.