İstanbul Deniz Yolcu Taşımacılığının Kümeleme Yöntemi ile Analizi

Abstract

Dünya ticaretinde ve deniz kıyısı olan kentlerin ulaşım seçeneklerinde denizyolu taşımacılığı yüksek bir öneme sahiptir. Bu bakımdan İstanbul, Asya ve Avrupa yakasında bulunan iskele konumları ile kent içi deniz taşımacılığında büyük bir avantaja sahiptir. İstanbul deniz ulaşım ağında yolcu taşıması birden çok firma ile her gün tamamlanmaktadır. İstanbul Büyükşehir Belediyesi Açık Veri Portalı’ndan elde edilen veri ile tamamlanan çalışmada gözetimsiz öğrenme yöntemi kullanılarak kent içi taşımadaki örüntüler tespit edilmeye çalışılmıştır. K-means algoritması kullanılarak tamamlanan çalışmada kümeleme analizi yapılmıştır. Aynı zamanda kümeleme çalışması için büyük öneme sahip olan küme sayısı belirleme sorunu farklı yöntemler ile değerlendirilmiştir. Yapılan çalışma sonucunda az sayıda küme sayısı ile analiz yapıldığında taşıyıcı ve yolcu profiline ait bilgilere ulaşılabileceği tahmin edilmiştir. Bununla beraber, yüksek küme sayısı ile analiz yapıldığında taşıyıcıya ait örüntülere ulaşılabileceği sonucuna varılmıştır. Çalışma sonucunda doğrudan iskele bazında yolcu ya da taşıyıcı analizi yapılmak yerine gelecek çalışmalara dayanak olabilecek çıkarımlardan bahsedilmiş ve uygun yaklaşımlar açıklanmıştır.

Keywords

• Deniz Ulaştırma Mühendisliği
• Yolcu Taşımacılığı
• Kümeleme Analizi
• K-means

Analysing Istanbul Maritime Passenger Transport Using Clustering Method

Abstract

Maritime transportation has a high importance in world trade and cities that have ports. In this respect, Istanbul has a great advantage in urban maritime transportation with the help of its pier locations on the Asian and European sides. Passenger transportation of urban network is completed every day by multiple companies in Istanbul. This study aims to achieve possible patterns in urban transportation using the unsupervised learning method with the data obtained from the Istanbul Metropolitan Municipality Open Data Portal. Pattern analysis was completed using the K-means clustering algorithm. Moreover, the problem of determining the number of clusters has been evaluated with different methods. The results showed that information about the liner and passenger profiles could be obtained with small number of clusters. On the other hand, different cluster numbers revealed that liner profiles cloud be analyzed with higher cluster numbers effectively. In the study, passenger or carrier analysis was not carried out only on a pier basis. In addition, possible outcomes or inferences that can be used in future studies are mentioned.

Keywords

• Maritime Transportation Engineering
• Passenger Transport
• Clustering
• K-means

References

1. Aycı, T., & Barlas, B. (2015). İstanbul Şehir Hatları’nın Gemi ve Hat Analizi. GİDB Dergi, (02), 17-30.
2. Cahyana, B. E., Nimran, U., Utami, H. N., & Iqbal, M. (2020). Hybrid cluster analysis of customer segmentation of sea transportation users. Journal of Economics, Finance and Administrative Science, 25(50), 321–337. https://doi.org/10.1108/JEFAS-07-2019-0126/FULL/PDF
3. Erdönmez, E. S., & İncaz, S. (2016). 2018 Yılına Kadar Ab Denizyolu Taşımacılığının Stratejik Hedefleri Ve Önerilerinin Türkiye'ye Yansıması. JOEEP: Journal of Emerging Economies and Policy, 1(1), 111-125.
4. Farahnakian, F., Nicolas, F., Farahnakian, F., Nevalainen, P., Sheikh, J., Heikkonen, J., & Raduly-Baka, C. (2023). A Comprehensive Study of Clustering-Based Techniques for Detecting Abnormal Vessel Behavior. Remote Sensing 2023, Vol. 15, Page 1477, 15(6), 1477. https://doi.org/10.3390/RS15061477
5. Hou, Z. ;, Yan, R. ;, Wang, S., Hou, Z., Yan, R., & Wang, S. (2022). On the K-Means Clustering Model for Performance Enhancement of Port State Control. Journal of Marine Science and Engineering 2022, Vol. 10, Page 1608, 10(11), 1608. https://doi.org/10.3390/JMSE10111608
6. Oral, M. (2008). İstanbul deniz yolu ulaşımının değerlendirilmesi ve öneriler (Yüksek lisans tezi, İstanbul Teknik Üniversitesi)
7. Özer, K. (2009). İstanbul Deniz Otobüsleri'nin Bir Hattında Yolcu Talep Tahmini (Yüksek Lisans Tezi, Marmara Üniversitesi (Türkiye)).
8. Öztürk, A. İ. (2011). Belediyeler ve Deniz Ulaşımı: İstanbul Şehir Hatlarının Belediyeye Devri. Çağdaş Yerel Yönetimler, 20(4), 1–23.

9. Sazak, S. (2019). İstanbul için öneri: Deniz ulaşımında elektrikli taşıt kullanımı ile enerji verimliliği sağlanması (Yüksek lisans tezi, Altınbaş Üniversitesi).
10. Son, W. J., & Cho, I. S. (2022). Analysis of Trends in Mega-Sized Container Ships Using the K-Means Clustering Algorithm. Applied Sciences 2022, Vol. 12, Page 2115, 12(4), 2115. https://doi.org/10.3390/APP12042115
11. Syaoqiyah, S. S., Anisa, A., Selvina, Y. Y. S., Rahmadenti, N. A., & Aria, R. R. (2024). Classification of Domestic Flight Passengers at Main Airports Using the K-Means Clustering Method. IJISTECH (International Journal of Information System and Technology), 8(1), 1–5. https://doi.org/10.30645/IJISTECH.V8I1.340
12. URL-1 https://data.ibb.gov.tr/dataset/istanbul-deniz-iskeleleri-yolcu-sayilari
13. URL-2 https://data.ibb.gov.tr/dataset/deniz-ulasim-hatlari-vektor-verisi
14. Usluer, H. B., Bora, A. G., & Gazioglu, C. (2022). What if the Independenta or Nassia tanker accidents had happened in the Strait of Canakkale (Dardanelle). Ocean Engineering, 260, 111712.
15. Xin, X., Liu, K., Loughney, S., Wang, J., & Yang, Z. (2023). Maritime traffic clustering to capture high-risk multi-ship encounters in complex waters. Reliability Engineering & System Safety, 230, 108936. https://doi.org/10.1016/J.RESS.2022.108936
16. Yucel, E. (2019). Şehir İçi Deniz Yolu Toplu Taşımacılığında Vapur Atama ve Rotalama Optimizasyonu: İstanbul Şehir Hatları Uygulaması. Deu Muhendislik Fakultesi Fen ve Muhendislik, 21(62), 357–368. https://doi.org/10.21205/deufmd.2019216204