Determination of Bus Station Violations with Spatial-Temporal Data Mining Method

Abstract

Buses are one of the most important components of public transportation, which is frequently used in daily life in cities with high population density. Many people who use buses for transportation experience problems such as being late for work or being home late due to daily life planning due to bus station violations. People who have this problem usually create a complaint request through the relevant municipality's call center or website with information such as station and route number. The relevant municipality examines the request and determines whether there is a real violation of the station and if there is the station violation, it imposes sanctions on the driver who uses the vehicle according to the determined rules. This situation is determined if there is a real citizen waiting at the station and the relevant citizen creates a request, and there is a grievance on the part of the citizen and dissatisfaction with the relevant municipal services as a result. In order to prevent these problems, it is important that the bus station violations are detected before any complaint is requested and the necessary actions are taken to prevent the station violation from being repeated. Detection of bus station violations is a difficult problem due to the GPS signals sent by the devices on the bus showing the wrong location or not sending the GPS signals regularly. In the literature, association rule-based methods, one of the data mining methods, are used to detect bus station violations. In this study, an association rule-based spatio-temporal data mining method is proposed to detect bus station violations. The performance of the proposed method has been compared with the association rule based spatial data mining method on real data. In this study, route data of 800 different bus routes belonging to Kayseri Metropolitan Municipality, spatial-temporal GPS data of vehicles operating on these routes and location data of 6482 bus stations were used. Experimental results show that the association rule-based spatial-temporal data mining approach gives more consistent and accurate results than the spatial data mining approach.

Keywords

• Spatial data
• Spatio-temporal data mining
• Bus station violation

Mekân-Zamansal Veri Madenciliği Yöntemi ile Otobüs Durak İhlallerinin Tespiti

Abstract

Otobüsler, nüfus yoğunluğunun fazla olduğu şehirlerde günlük hayatta sıklıkla kullanılan toplu taşımacılığının en önemli bileşenlerinden birisidir. Ulaşım için otobüsleri kullanan birçok insan otobüs durak ihlalinden dolayı günlük hayat planlamasında işe geç kalma veya eve geç kalma gibi problemler yaşamaktadır. Bu problemi yaşayan insanlar genellikle ilgili belediyenin çağrı merkezi veya web sitesi üzerinden durak numarası ve otobüs hattı gibi bilgiler ile şikâyet talebi oluşturur. İlgili belediye talebi inceleyerek gerçekte bir durak ihlali olup olmadığını tespit eder ve durak ihlali varsa ona göre aracı kullanan şoföre belirlenen kurallar çerçevesinde yaptırım uygular. Bu durum, durakta bekleyen gerçek bir vatandaş var ise ve ilgili vatandaş talep oluşturursa tespit edilmekte ve vatandaş tarafında da bir mağduriyet ve onun sonucunda ilgili belediye hizmetlerinden memnuniyetsizlik oluşmaktadır. Bu sorunların oluşmaması için otobüs durak ihlallerinin herhangi bir şikâyet talebi gelmeden tespit edilmesi ve durak ihlalinin tekrarlanmaması için gerekli işlemlerin yapılması önem arz etmektedir. Otobüs durak ihlalinin tespiti otobüste bulunan cihazların gönderdiği GPS sinyallerinin yanlış konumu göstermesi veya GPS sinyallerini düzenli olarak göndermemesinden kaynaklı zor bir problemdir. Literatürde otobüs durak ihlallerinin tespiti için veri madenciliği yöntemlerinden birliktelik kuralı tabanlı yöntemler kullanılmaktadır. Bu çalışmada, otobüs durak ihlallerinin tespiti için birliktelik kuralı tabanlı mekân-zamansal veri madenciliği yöntemi önerilmiştir. Önerilen yöntemin performansı gerçek veriler üzerinde birliktelik kuralı tabanlı mekânsal veri madenciliği yöntemi ile karşılaştırılmıştır. Bu çalışmada, Kayseri Büyükşehir Belediyesine ait 800 adet farklı otobüs hattının güzergâh verileri, bu hatlarda çalışan araçların mekân-zamansal GPS verileri ve 6482 adet otobüs durağının konum verileri kullanılmıştır. Deneysel sonuçlar, birliktelik kuralı tabanlı mekân-zamansal veri madenciliği yaklaşımının mekânsal veri madenciliği yaklaşımına göre daha tutarlı ve doğru sonuçlar verdiğini göstermiştir.

Keywords

• Mekânsal veriler
• Mekân-zamansal veri madenciliği
• Otobüs durak ihlali

References

1. Aflori, C., & Craus, M. (2007). Grid implementation of the Apriori algorithm. Advances in engineering software, 38(5), 295-300.
2. Compieta, P., Di Martino, S., Bertolotto, M., Ferrucci, F., & Kechadi, T. (2007). Exploratory spatio-temporal data mining and visualization. Journal of Visual Languages & Computing, 18(3), 255-279.
3. Doğan, G., Özuysal, M. (2017). Toplu Ulaşımda Bekleme Süresini Etkileyen Faktörlerin İncelenmesi: Güvenilirlik, Yolcu Bilgilendirme Sistemi ve Fiziksel Koşullar. Teknik Dergi, 28 (3), 7927-7954. DOI: 10.18400/tekderg.307513
4. Kargupta, H. (2013). U.S. Patent No. 8,478,514. Washington, DC: U.S. Patent and Trademark Office.
5. Koperski, K., & Han, J. (1995, August). Discovery of spatial association rules in geographic information databases. In International Symposium on Spatial Databases (pp. 47-66). Springer, Berlin, Heidelberg.
6. Mitsa, T. (2010). Temporal data mining. CRC Press.
7. Samerei, S. A., Aghabayk, K., Mohammadi, A., & Shiwakoti, N. (2020). Data mining approach to model bus crash severity in Australia. Journal of Safety Research.
8. Shekhar, S., Vatsavai, R. R., & Celik, M. (2008). Spatial and spatiotemporal data mining: Recent advances. Data mining: next generation challenges and future directions, 1-34.

9. Tasyurek, M., & Celik, M. (2020). RNN-GWR: A geographically weighted regression approach for frequently updated data. Neurocomputing, 399, 258-270.
10. Taşyürek, M., Çelik, M. (2020). Akıllı Durak Sistemindeki Araç Seyahat Sürelerinin Birleşik Yapay Sinir Ağları Kullanarak Tahmini. Avrupa Bilim ve Teknoloji Dergisi, Ejosat Special Issue 2020 (ARACONF), 72-79. DOI: 10.31590/ejosat.araconf10
11. Taşyürek, M. & Çelik, M. (2020). Hava Sıcaklık Değerlerinin Coğrafi ve Rakım Ağırlıklı Regresyon Yöntemi ile Tahmin Edilmesi. Avrupa Bilim ve Teknoloji Dergisi, Ejosat Special Issue 2020 (HORA), 81-86. DOI: 10.31590/ejosat.779074
12. Taşyürek, M., & Çelik, M. (2021). FastGTWR: Hızlı coğrafi ve zamansal ağırlıklı regresyon yaklaşımı. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 36(2), 715-726.
13. Xydas, S., Marmaras, C. E., Cipcigan, L. M., Hassan, A. S., & Jenkins, N. (2013). Electric vehicle load forecasting using data mining methods.
14. Yabing, J. (2013). Research of an improved apriori algorithm in data mining association rules. International Journal of Computer and Communication Engineering, 2(1), 25.
15. Yuan, X. (2017, March). An improved Apriori algorithm for mining association rules. In AIP conference proceedings (Vol. 1820, No. 1, p. 080005). AIP Publishing LLC.