Toplu Ulaşım Sistemlerinde Verimliliğin Artırılması Amacıyla Makine Öğrenmesi Yöntemlerinden Yararlanılması

Year 2024, Volume: 14 Issue: 2, 743 - 754, 01.06.2024

Emre Kuşkapan

https://doi.org/10.21597/jist.1401532

Abstract

Günlük ulaşım için toplu taşıma araçları sıklıkla tercih edilmektedir. Karayolu ulaşımında bu araçlar arasında en çok kullanılan türlerden biri otobüslerdir. Otobüsler, arabalardan çok daha fazla yolcu kapasitesine sahip olduğu için bu taşıtların sürücüleri çok daha fazla sorumluluk almaktadır. Yolculuk esnasında her yolcunun rahat, dakik ve güvenli ulaşımının sağlanması otobüs şoförlerinin sorumluluğundadır. Bu sorumlulukların fazlalığı otobüs şoförlerini psikolojik olarak etkileyebilmektedir. Bununla birlikte yaptıkları işin yorucu olması sebebiyle zaman zaman agresif tavırlar sergileyebilmektedirler. Yolculuk sırasında sürücü ile yolcu arasında çıkabilecek herhangi bir tartışma, çeşitli sorunlara neden olabilmektedir. Otobüslerinin içerisine yerleştirilen çok sayıda kamera ile sürücü ve yolcu davranışları gözlemlenebilmektedir. Bu uygulamanın yapıldığı kentlerden biri olan Erzurum’da Büyükşehir Belediyesi tarafından toplu taşıma otobüslerdeki denetimler raporlanmaktadır. Bu raporlar incelendiğinde kentte son 3 yıl içerisinde otobüs şoförleri ve yolcular arasında toplam 1068 adet tartışmanın olduğu tespit edilmiştir. Bu çalışmada, bu tartışmalar içeriklerine göre 13 kategoriye ayrılarak oluşturulan eğitim setindeki veriler makine öğrenmesi yöntemleriyle analiz edilmiştir. Analiz sonuçlarında naive bayes algoritmasının en başarılı performans ortaya koyduğu görülmüştür. Tüm verilerin bu algoritma ile dağılımı yapıldığında tartışmalarda en fazla pay sahibi olan sürücü ve yolcu kaynaklı problemler ortaya konmuştur. Sonuçlar yorumlandığında toplu taşıma ulaşımının daha verimli şekilde gerçekleşebilmesi ve sürücü-yolcu tartışmalarının azaltılabilmesi için birtakım tavsiyelerde bulunulmuştur.

Keywords

Toplu taşıma, Sürüş güvenliği, Makine öğrenmesi, Sürdürülebilir ulaşım

Utilisation of Machine Learning Methods to Increase Efficiency in Public Transport Systems

Abstract

Public transportation vehicles are frequently preferred for daily transportation. Buses are one of the most common types of these vehicles in road transport. As buses have a much higher passenger capacity than cars, the drivers of these vehicles take on much more responsibility. It is the responsibility of the bus driver to ensure that each passenger is transported comfortably, punctually and safely during the journey. This extra responsibility can have a psychological impact on bus drivers. Due to the tiring nature of their work, they can sometimes exhibit aggressive behaviour. Any argument between the driver and the passenger during the journey can cause various problems. The behaviour of drivers and passengers can be monitored with a large number of cameras installed in the buses. In Erzurum, one of the cities where this practice is used, the Metropolitan Municipality reports the inspections of public transport buses. When these reports were analysed, it was found that there were a total of 1068 arguments between bus drivers and passengers in the last 3 years. These arguments were divided into 13 categories according to their content, and the data in the training set created was analysed using machine learning methods. The results of the analysis showed that the naive Bayes algorithm was the most successful. When all the data was distributed with this algorithm, the problems caused by drivers and passengers, which have the highest proportion of discussions, were revealed. When interpreting the results, some recommendations are made in order to make public transport more efficient and to reduce driver-passenger arguments.

Keywords

Public transportation, Driving safety, Machine learning, Sustainable transportation

References

• Abenoza, R. F., Cats, O., & Susilo, Y. O. (2017). Travel satisfaction with public transport: Determinants, user classes, regional disparities and their evolution. Transportation Research Part A: Policy and Practice, 95, 64-84.
• Cafiso, S., Di Graziano, A. ve Pappalardo, G. (2013). Using the Delphi method to evaluate opinions of public transport managers on bus safety. Safety science, 57, 254-263.
• Chhabra, R., Verma, S. ve Krishna, C. R. (2017). A survey on driver behavior detection techniques for intelligent transportation systems. In 2017 7th International Conference on Cloud Computing, Data Science & Engineering-Confluence (s. 36-41). Noida, India. Erişim adresi: https://ieeexplore.ieee.org/abstract/document/7943120
• Delice, M. (2013). Sürücüyü Öfkelendiren Davranışların ve Sürücülerin Bu Davranışlara Verdiği Tepkilerin İncelenmesi/The Investigation of Factors Causing Anger on Drivers and the Drivers’ Response Against These Factors. Atatürk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 17(2).
• Demircioğlu, A., Baş, S. S. ve Uysal, S. A. (2019). Farklı tipte araç kullanan sürücülerde ağrı, yorgunluk, uyku ve yaşam kalitesinin karşılaştırılması. Journal of Exercise Therapy and Rehabilitation, 6(2), 104-111.
• Dinçer, Y., Özkan, İ. (2023). Çevresel seslerin evrişimsel sinir ağları ile sınıflandırılması. Konya Journal of Engineering Sciences, 11(2), 468-490.
• Erzurum Büyükşehir Belediyesi Ulaşım Daire Başkanlığı. (2021). Toplu taşıma kontrol merkezi. Erişim adresi: https://ulasim.erzurum.bel.tr/.
• Farooq, D. ve Moslem, S. (2019). A fuzzy dynamical approach for examining driver behavior criteria related to road safety. In 2019 smart city symposium Prague (SCSP) (s. 1-7). Prague, Czech Republic. Erişim adresi: https://ieeexplore.ieee.org/abstract/document/8805741
• Farooq, D. ve Moslem, S. (2020). Evaluation and ranking of driver behavior factors related to road safety by applying analytic network process. Periodica Polytechnica Transportation Engineering, 48(2), 189-195.
• Fellesson, M. ve Friman, M. (2008). Perceived satisfaction with public transport service in nine European cities. In Journal of the Transportation Research Forum (s. 92-102). Erişim adresi: http://www.trforum.org/journal
• Hamarat, B. ve Duran, E. (2020). The factors affectıng the drıvers offensıve behavıor ın the traffıc: case of Çanakkale. Journal of Awareness, 5(4), 501.
• Haque, M. M., Oviedo-Trespalacios, O., Sharma, A., ve Zheng, Z. (2021). Examining the driver-pedestrian interaction at pedestrian crossings in the connected environment: A Hazard-based duration modelling approach. Transportation research part A: policy and practice, 150, 33-48.
• Hui, S. ve Jha, G. (2000). Application data mining for customer service support. Information and Management, 38, 1–13.
• Jomnonkwao, S., Uttra, S. ve Ratanavaraha, V. (2021). Analysis of a driving behavior measurement model using a modified driver behavior questionnaire encompassing texting, social media use, and drug and alcohol consumption. Transportation research interdisciplinary perspectives, 9, 100302.
• Kuşkapan, E. ve Çodur, M. Y. (2022). Trafik kazalarının sınıflandırılmasında çok katmanlı algılayıcı, regresyon ve en yakın komşuluk algoritmalarının performans analizi. Politeknik Dergisi, 25(1), 373-380.
• Mallia, L., Lazuras, L., Violani, C. ve Lucidi, F. (2015). Crash risk and aberrant driving behaviors among bus drivers: the role of personality and attitudes towards traffic safety. Accident Analysis & Prevention, 79, 145-151.
• Mihăescu, M. C. (2011). Classification of learners using linear regression. In 2011 federated conference on computer science and information systems (FedCSIS) (s. 717-721). Szczecin, Poland. Erişim adresi: https://ieeexplore.ieee.org/abstract/document/6078214
• Murat, Y. S. ve Cakici, Z. (2017). Comparative Analysis of Public Transport Users' Perception Targeting Sustainable Transportation. In Engineering Tools and Solutions for Sustainable Transportation Planning, 76-98, IGI Global.
• Özdemir, K. (2019). K-En Yakın Komşu Algoritması. Erişim adresi: https://medium.com/batech/k-en-yakın-komşu-algoritması
• Özden, A., Akalın, B. ve Çağdaş, K. (2020). ITS Applications in Public Transportation: What Municipalities Offer to Travelers in Turkey. Journal of Transportation and Logistics, 4(2), 51-64.
• Rosenberger, R. (2019). The experiential niche: Or, on the difference between smartphone and passenger driver distraction. Philosophy & Technology, 32(2), 303-320.
• Sam, E. F., Brijs, K., Daniels, S., Brijs, T. ve Wets, G. (2018). Public bus passenger safety evaluations in Ghana: A phenomenological constructivist exploration. Transportation research part F: traffic psychology and behaviour, 58, 339-350.
• Seth, I. (2020). A survey on driver behavior detection techniques. International Journal of Scientific Research in Science and Technology, 7, 401-404.
• Shatu, F., Yigitcanlar, T. ve Bunker, J. (2019). Objective vs. subjective measures of street environments in pedestrian route choice behaviour: Discrepancy and correlates of non-concordance. Transportation research part A: policy and practice, 126, 1-23.
• Tronsmoen, T. (2010). Associations between driver training, determinants of risky driving behaviour and crash involvement. Safety Science, 48(1), 35-45.
• Useche, S. A., Ortiz, V. G. ve Cendales, B. E. (2017). Stress-related psychosocial factors at work, fatigue, and risky driving behavior in bus rapid transport (BRT) drivers. Accident Analysis & Prevention, 104, 106-114.
• Ülgen, E. K. (2017). Makine Öğrenimi Bölüm-5 (Karar Ağaçları). Erişim adresi: https://medium.com/@k.ulgen90/
• Varmazyar, S., Mortazavi, S. B., Arghami, S. H. ve Hajizadeh, E. (2014). Factor analysis of driver behavior questionnaire (DBQ) in public transportation Bus Company: Investigation of the relationship between DBQ factors and crashes. Scientific Journal of Review, 3(4), 155-165.
• Yıldırım, M., ve Yüksel, C. A. (2017). Sosyal medya ile hisse senedi fiyatının günlük hareket yönü arasındaki ilişkinin incelenmesi: Duygu analizi uygulaması. Uluslararası İktisadi ve İdari İncelemeler Dergisi, 33-44.