Toplu Taşımada Yatırım Kararlarının Veri Madenciliği Yöntemiyle Desteklenmesi

Öz

Akıllı şehir, son zamanlarda ülkemizde ve dünyada önem kazanan bir yaklaşım olarak ön plana çıkmaktadır. Daha iyi yaşam alanları oluşturmak ve hayata değer katan şehirler inşa etmek amacıyla akıllı şehir alanındaki çalışmalar ivme kazanmıştır. Şehirlerde yapılan bu çalışmalar sayesinde sosyal yaşam için sunulan imkân ve fırsatlar da gelişmektedir. Tüm insanlar bu imkân ve fırsatlardan eşit derecede yararlanma hakkına sahiptir ve sosyal yapı içinde gelişerek varlıklarını sürdürebilmelidir. Engelli bireylerin, sosyal yaşamda rolünü alması, sınırlarının genişletilmesi ve yaşamlarını engelsiz sürdürebilmeleri, ulaşılabilir çevre koşullarının sağlanabileceği planlama, tasarım ve engelli bireylerin gereksinimlerinin göz önünde bulundurulduğu uygulamalar ile mümkündür. Bu çalışmada, engelli bireylerin, kamuya ait İzmir ili şehir içi toplu taşıma otobüsleri ile sağlanan ulaşım imkânlarını ve konforlarını artırmaya yönelik yapılması planlanmış teknolojik yatırımların, hangi durak lokasyonlarına ve hangi otobüs hatlarına yapılması gerektiği, akıllı şehir uygulamalarından ve veri madenciliği yönteminden faydalanılarak araştırılmıştır. Akıllı kartlardan alınan veriler, veri madenciliği yöntemleriyle analiz edilerek engelli yolcuların kullandığı otobüs hatları ve duraklar, nitelikleri önceden belirlenmiş üç ayrı sınıfa ayrılmıştır. Planlanan yatırım adetleri göz önünde bulundurularak, yatırımın yapılacağı lokasyon ve hatlar, bu sınıfların niteliklerine göre belirlenmiştir. Veri madenciliği yöntemi ve çok kriterli karar verme yöntemlerinden biri olan Analitik Hiyerarşi Prosesi (AHP) yöntemi kullanılarak oluşturulan ABC sınıflandırmasının, toplu taşıma hizmeti veren kurumun daha sonraki yatırım planlamaları ve periyodik kontrol mekanizmaları için de faydalı olacağı öngörülmektedir.

Anahtar Kelimeler

• ABC sınıflandırması
• AHP
• Akıllı şehir
• Planlama
• Veri madenciliği
• Yatırım

Supporting Investment Decisions in Public Transport with Data Mining Method

Abstract

The smart city has recently come to the fore as an approach that has gained importance in our country and in the world. To create better living spaces and build cities that add value to life, studies in the field of smart cities have gained momentum. Owing to these studies carried out in cities, the opportunities and chances offered for social life are developing as well. All people have the right to benefit from these opportunities and chances equally and they should be able to develop and survive within the social structure. Disabled individuals taking their role in social life, expanding their borders and enabling them to continue their lives unhindered is possible with planning, design and practices that take into account the needs of disabled individuals, where accessible environmental conditions can be provided. In this study, the technological investments planned to be made to increase the transportation opportunities and comfort provided by public transportation buses in İzmir province to which locations and bus lines has been researched by using smart city applications and data mining method. Bus lines and stops used by disabled passengers have been divided into three classes with predetermined qualifications by analyzing the data taken from smart cards according to data mining methods. Considering the planned investment numbers, the locations and lines where the investment will be made are determined according to the characteristics of these classes. The ABC classification that is created by using the data mining method is expected to be useful for the public transport company's further investment planning and periodic control mechanisms.

Keywords

• ABC classification
• AHP
• Smart city
• Planning
• Data mining
• Investment

References

1. Bekiroğlu, M. S. (2002). Peyzaj düzenlemelerinde özürlülerin kullanımları ile ilgili sorunların saptanması. Doktora Tezi, İstanbul Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul.
2. Lee, R. K. W., & Kam, T. S. (2014). Time-series data mining in transportation: A case study on singapore public train commuter travel patterns. International Journal of Engineering and Technology, 6(5), 431–438.
3. You, H., & Yang, X. (2017). Urban expansion in 30 megacities of China: categorizing the driving force profiles to inform the urbanization policy. Land Use Policy, 68, 531–551.
4. Zhang, N., Chen, H., Chen, X., & Chen, J. (2016). Forecasting public transit use by crowdsensing and semantic trajectory mining: Case studies. ISPRS International Journal of Geo-Information, 5, 180–193.
5. Zhuang, P., Shang, Y., & Hua, B. (2009). Statistical methods to estimate vehicle count using traffic cameras, Multidimensional Systems and Signal Processing, 20(2), 121–133.
6. Yılmazdamar, E. (2019). Toplu taşıma kullanan öğrencilerin hareketliliğinin analizi: Bursa örneği. Yüksek Lisans Tezi, Bursa Uludağ Üniversitesi, Sosyal Bilimler Enstitüsü, Bursa.
7. Liu, D. R. & Shih, Y. Y. (2005). Integrating AHP and data mining for product recommendation based on customer lifetime value. Information & Management, 42(3), 387–400.
8. Güçdemir, H., & Selim, H. (2015). Integrating multi-criteria decision making and clustering for business customer segmentation. Industrial Management & Data Systems, 115(6), 1022–1040.

9. Gemici, B. (2012). Veri madenciliği ve bir uygulaması. Doktora Tezi, Dokuz Eylül Üniversitesi, Sosyal Bilimler Enstitüsü, İzmir.
10. Akpınar, H. (2000). Veri tabanlarında bilgi keşfi ve veri madenciliği. İstanbul Üniversitesi İşletme Fakültesi Dergisi, 29(1), 1–22.
11. Evans, S., Lloyd, J., Stoddard, G., Nekeber, J., & Samone, M. (2005). Risk factors for adverse drug events. The Annals of Pharmacotherapy, 39, 1161–1168.
12. Dinçer, E. (2006). Veri madenciliğinde K-Means algoritması ve tıp alanında uygulanması. Yüksek Lisans Tezi, Kocaeli Üniversitesi, Fen Bilimleri Enstitüsü, Kocaeli.
13. Kıyak, E., Timuş, O., & Karayel, M. (2016). Inventory classification with ABC analysis. Journal of Naval Sciences and Engineering, 11(2), 11–24.
14. Chen, J. X. (2012). Multiple criteria abc inventory classification using two virtual items, International Journal of Production Research, 50(6), 1702–1713.
15. Gupta, M. K., & Chandra, P. (2019). HYBCIM: Hypercube based cluster initialization method for k-means, International Journal of Innovative Technology Exploring Engineering, 8(10), 3584–3587.
16. Gülenç, İ. F., & Bilgin, G. A. (2010). Yatırım kararları için bir model önerisi: Ahp yöntemi, Öneri Dergisi, 9(34), 97–107.
17. Özyörük, B., & Özcan, E. C. (2008). Analitik hiyerarşi sürecinin tedarikçi seçiminde uygulanması: Otomotiv sektöründen bir örnek, Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 13(1), 133–144.
18. Saaty, T. L. (2008). Decision making with the analytic hierarchy process, International. Journal of Services Sciences, 1(1), 83–98.