Türkiye Demiryolu Yolcu Taşıma Talebinin Tahmini

Year 2021, Volume: 9 Issue: 1, 252 - 264, 31.01.2021

Fatma Çakır Hümeyra Bolakar Tosun

https://doi.org/10.29130/dubited.769092

Abstract

Günümüzde yolcu taşımacılığında demiryollarının payı giderek artmaktadır. Yolcu talebinin karşılanması için uygun planlamaların belirlenmesi gereklidir. Kapasiteyi karşılayacak planlamaların oluşturulması hem talebi karşılayacak hem de yatırımlarda uygun kararların alınmasını sağlayacaktır. Bu çalışmada, demiryolu yolcu taşımacılığı üzerinde etkili olan değişkenler kullanılarak demiryolu yolcu sayısının tahmin edilmesi amaçlanmıştır. Yolcu talebinin belirlenmesi için Çok Değişkenli Regresyon (ÇDR) analizi ve Yapay Sinir Ağları (YSA) ile iki farklı model oluşturulmuştur. İki model içinde tahmin değerleri belirlenmiştir. Hata kareleri ortalaması (MSE) ve belirleme katsayısı (R^2), performans kriterlerini, dikkate alarak en uygun tahmin YSA ile elde edilmiştir. Talep tahmininde YSA kaynak olarak kullanılabileceği görüşüne varılmıştır.

Keywords

Demiryolu yolcu taşıma, YSA, ÇDR, MSE

Forecasting of Turkey Railway Passenger Transport Demand

Abstract

Today, the share of railways in passenger transportation is increasing. Appropriate planning is required to meet passenger demand. The creation of plans to meet the capacity will both meet the demand and ensure that appropriate decisions are made in investments. In the study, it’s aimed to estimate the number of rail passenger using variables that affect rail passenger transport. Two different models were created with Multivariate Regression (MR) analysis and Artificial Neural Networks (ANN) to determine passenger demand. Estimation values were determined in two models. Taking the mean of eror squares (MSE) and coefficient of determination (R^2), performance criteria, the most appropriate estimate was obtained with ANN: It’s concluded that ANN can be used as a resource in demand forecasting.

Keywords

Railway passenger demand, ANN, MR, MSE

References

• [1] M. Xie, X. Li, W. Zhou and Y. Fu,. “Forecasting the Short-Term Passenger Flow on High Speed Railway with Neural Networks,” Computational Intelligence and Neuroscience, c. 2014, ss. 1-8, 2014.
• [2] G. Hu, W. Liu, and H. Yang, “A reliability-based Assignment Method for Railway Networks with Heterogeneous Passenger,” Transportation Research Part C: Emerging Technologies, c. 93, ss. 501-524, 2018.
• [3] M. Karahan, “İstatistiksel Tahmin Yöntemleri: Yapay Sinir Ağları Metodu ile Ürün Talep Tahmini Uygulaması,” Doktora Tezi, Selçuk Üniversitesi, 2011.
• [4] B. Kobu, Üretim Yönetimi, 17. Baskı, İstanbul, 2014.
• [5] M. R. Wardman, “Demand for Rail Travel and The Effects of External Factors," Transportation Research Part E: Logistics and Transportation Review, c. 42, s. 3, ss. 129-148, 2006.
• [6] S. P. Yalçın, “Talep Yönetimi, Dağıtımı ve Tedarik Zinciri Performansı Yönetim Uygulamalarının Tedarik Zinciri Performansı Üzerindeki Etkileri,” Yüksek Lisans Tezi, Başkent Üniversitesi, 2013.
• [7] S. Topuz, “İstanbul İlindeki Toplu Taşıma Yolculuk Taleplerinin Yapay Sinir Ağlarıyla Modellenmesi,” Yüksek Lisans Tezi, İstanbul Teknik Üniversitesi, 2008.
• [8] H. F. Bayata, H. N. Sağlamyürek ve O. Ü. Bayrak, “Demiryolu Yolcularının Tutum ve Davranışlarının Farklı İstatistiksel Yöntemler ile Modellenmesi,” Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi, c. 8, s. 2, ss. 141-151, 2018.
• [9] M. Gallo, G.D. Luca, L. D’acierno and M. Botte, “Artificial Neural Networks for Forecasting Passenger Flows on Metro Lines,” Sensors, c. 19, s. 15, ss. 1-14, 2019.
• [10] T.J. Archdeacon, Correlation and regression analysis: a historian’s guide, 1. Edition, America, 1994.
• [11] S. Üreten, Üretim/İşlemler Yönetimi, 5. Baskı, Gazi Kitabevi, Ankara, 2006.
• [12] E. Öztemel, Yapay Sinir Ağları, 1. Baskı, Papatya Yayıncılık, İstanbul, 2003.
• [13] Ç. Elmas, Yapay Zeka Uygulamaları, 1. Baskı, Seçkin Yayıncılık, Ankara, 2007.
• [14] T. Tsai, C. Lee and C. Wei, “Neural Network Based Temporal Feature Models for Short-Term Railway Passenger Demand Forecasting,” Expert Systems with Applications, c. 36, ss. 3728-3736, 2009.
• [15] M. Dougherty, “A Review of Neural Networks Applied to Transport,” Transportation Research Part C: Emerging Technologies, c. 3, s. 4, ss. 247-260,1995.
• [16] M. Yaşar, “Günlük Akışlardaki Boşlukların Yapay Sinir Ağları Kullanılarak Tamamlanması,” Yüksek Lisans Tezi, Pamukkale Üniversitesi, 2004.
• [17] S. Agatonovic-Kustrin and R. Beresford, “Basic Concept of Artificial Neural Network Modeling and Its Application in Pharmaceutical Research,” Journal of Pharmaceutical and Biomedical Analysis, c. 22, ss. 717-727, 2000.
• [18] L. Daniel, T. K. Chaturvedi and L. M. Kolhe, “Dynamic Economic Load Dispatch Using Levenberg Marquardt Algorithm,” Energy Procedia, c. 144, ss. 95-103, 2018.
• [19] S. Mammadli, “Financial Time Series Prediction Using Artificial Neural Network Based on Levenberg- Marquardt Algorithm,” Procedia Computer Science, c. 120, ss. 602-607, 2017.
• [20] R. E. Anderson, B. J. Babin, W. C. Black and J. F. Hair Jr., Multivariate Data Analysis, 7. Edition, Pearson Prentice Hall, America, 2010.
• [21] S. Yavuz, “Regresyon Analizinde Doğrusala Dönüştürme Yöntemleri ve Bir Uygulama,” Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, c. 23, s. 1, ss. 165-179, 2009.