ESTIMATION URBAN TRANSPORT PASSENGER NUMBERS USING DATA MINING METHOD DURING THE PANDEMIA: THE SAMPLE OF KAYSERİ

Öz

The pandemic that has taken the whole world by storm in recent months; also affects our country considerably. The pandemic causes crises in many sectors, as well as in the public transportation sector. The number of passengers transported in public transport systems decreases significantly due to the pandemic. In this study, it is aimed to estimate the number of daily passengers to be transported if the pandemic continues. The first case in our country was seen in later dates compared to other countries. Based on the number of cases in the countries, the country with the most similarity will be tried to be determined. In order to calculate this similarity ratio, the correlation analysis method will be used. Based on the number of cases in the determined country, the number of cases in our country will be tried to be estimated for the next days. In estimating the number of cases; Linear Regression and Artificial Neural Networks method will be used with the help of WEKA software. Comparison of the errors of the estimates made by these methods will be made. The number of passengers to be encountered in the coming days will be estimated based on the values of the number of cases obtained by the method with fewer errors.

Anahtar Kelimeler

• Demand
• Pandemia
• Correlation
• Linear Regression
• Artificial Neural Network

PANDEMİ SÜRECİNDE ŞEHİR İÇİ YOLCU TAŞIMA SAYILARININ VERİ MADENCİLİĞİ YÖNTEMİ İLE BELİRLENMESİ: KAYSERİ ÖRNEĞİ

Öz

Son aylarda tüm dünyayı kasıp kavuran pandemi; ülkemizi de oldukça etkilemektedir. Pandemi birçok sektörde krize yol açtığı gibi, toplu taşıma sektöründe de oldukça etkili olmaktadır. Toplu taşıma sistemlerinde taşınan yolcu sayıları, pandemi nedeniyle büyük miktarda azalış göstermektedir. Bu çalışmada, pandeminin devam etmesi durumunda, gerçekleşecek olan taşınacak günlük yolcu sayılarının tahmin edilmesi amaçlanmaktadır. Böylelikle taşıma sistemlerinin daha optimize edilmiş bir şekilde çalışmalarının sağlanacağı düşünülmektedir. Bu durumun da toplu taşıma sektörünün daha verimli sonuçlar elde etmesine olanak sağlaması beklenmektedir. Ülkemizde ilk vaka, diğer ülkelere nazaran daha ilerleyen tarihlerde görülmüştür. İlk vakanın daha önce zamanlarda görüldüğü bazı ülkelerdeki günlük vaka sayıları baz alınarak en fazla benzerlik gösteren ülke korelasyon katsayısı yardımıyla belirlenmeye çalışılmıştır. Korelasyon katsayısına göre belirlenmiş olan ülkenin vaka sayıları temel alınarak sonraki günler için ülkemizdeki vaka sayıları tahmin edilmiştir. Vaka sayılarının tahmin edilmesinde ise; WEKA yazılımı yardımıyla Lineer Regresyon ve Yapay Sinir Ağları yöntemi kullanılmıştır. Kullanılan bu yöntemlerle yapılan tahminlerin hata değerlerinin karşılaştırılması sonucunda Yapay Sinir Ağları ile elde edilen tahminlerin daha doğru sonuçlar verdiği belirlenmiştir. Bu yöntemle elde edilmiş vaka sayısı değerleri baz alınarak gelecek günlerde karşılaşılacak yolcu sayıları tahmin edilmiştir.

Anahtar Kelimeler

• Talep
• Pandemi
• Korelasyon
• Lineer Regresyon
• Yapay Sinir Ağları

Kaynakça

1. Alpaydın, E., Inroduction To Machine Learning. England: The MIT Press Cambridge, 2004.
2. Alataş, B., Sinirsel Ağlar, (www.firat.edu.tr/akademik/fakulteler/muhendislik/bilgisayar/balatas/SinirselAglar.pdf) ,[16.09.2006].
3. Civalek, Ö., Dairesel Plakların Nöro-Fuzzy Tekniği İle Analizi, Dokuz Eylül Üniversitesi Fen ve Mühendislik Dergisi, 1(2), 13-31, 1999.
4. Celebi, D., Bolat, B., Bayraktar, D., Light rail passenger demand forecasting by artificial neural networks, 2009 International Conference on Computers & Industrial Engineering, Troyes, 239-243, 2009, doi: 10.1109/ICCIE.2009.5223851.
5. Dorvlo, S.S., Jervase, J.A., Al-Lawati, A., Solar Radiation Estimation Using Artificial Neural Network, Applied Energy, 71, 307–319, 2002.
6. Hamzaçebi, C., Yapay Sinir Ağları: Tahmin Amaçlı Kullanımı Matlab ve Neurosolutions Uygulamalı, Ekin Yayınevi, Bursa, 1-105, 2011.
7. Jiang,Y. Gao,S., Guan,W., Yin, X., Bass+BL+seasonality forecasting method for demand trends in air rail integrated service, Journal Transportmetrica A: Transport Science, https://doi.org/10.1080/23249935.2020.1799111.
8. Kalogirou, S.A., Artificial Neural Networks in Renewable Energy Systems Applications: A Review, Renewable and Sustainable Energy Reviews, 5, 373–401, 2000.

9. Kalogirou, S. A., Long-Term Performance Prediction of Forced Circulation Solar Domestic Water Heating Systems Using Artificial Neural Networks, Applied Energy, 66, 63–74, 2000.
10. Kalogirou, S.A, Applications of Artificial Neural Networks in Energy Systems: A Review, Energy Conversion&Management, 40: 1073-1087, 1999.
11. Reddy, M.R., Forecasting railway passengers demand using holt-winter method with R statistical tool, International Journal of Advanced Multidisciplinary Scientific Research (IJAMSR), 2(7), 1-8,2019.
12. Rojas, R., Neural Networks-A Systematic Introduction. Berlin: Springer-Verlag, 1996.
13. Sağıroğlu, Ş.; Beşdok E. & Erler, M., Mühendislikte Yapay Zeka Uygulamaları I: Yapay Sinir Ağları. Kayseri: Ufuk Kitap Kıratsiye-Yayıncılık, 2003.
14. Sözen, A., Arcaklıoğlu, E., Özalp, M., Formulation based on Artificial Neural Network of Thermodynamic Properties of Ozone Friendly Refrigerant/Absorbent Couples, Applied Thermal Engineering, 25(11-12): 1808-1820, 2005.
15. Sözen, A., Akçayol, M.A., Modelling (Using Artificial Neural-Networks) the Performance Parameters of a Solar-Driven Ejector-Absorption Cycle, Applied Energy, 79(3): 309-325, 2004.
16. Suryani, E. Chou, S-Y, Chen, C-H., Air passenger demand forecasting and passenger terminal capacity expansion: A system Dynamics framework, Expert Systems with Applications, 37, 2324-2339, 2010.
17. Şen, Z., Yapay Sinir Ağları İlkeleri. İstanbul: Su Vakfı Yayınları, 2004.
18. Tsai,T-H., Lee,C-K., Wei, C-H., Design of dynamic neural networks to forecast short term railway passenger demand, Journal of Eastern Asia Society for Transportation Studies, 6,1651-1666, 2005.
19. Tsai,T-H.,Lee,C-K., Wei, C-H., Neural network based temporal feature models for short-term railway passenger demand forecasting, Expert Systems with Applications, 36(2), 3728-3736, 2009.
20. Wadud,Z., Modeling and forecasting passenger demand for a new domestic airport with limited data, 2214(2214), 59-68,2011.
21. Zhao,S. Mi, X., A novel Hybrid model for short-term high-speed railway passenger demand forecasting, IEEE Access, 7,175681-175692, 2019.