Prediction of Carbon Footprint for Railway Transport Sector by Using Artificial Neural Network (ANN) Technique supported by principal component analysis (PCA)

Öz

One of the biggest problems of today is environmental pollutants and their effects. When the sources of environmental pollutants are examined, many sectors are under examination. One of these sectors is the transportation sector with 19% emission share in all sectors. When the modes of the transportation sector are examined, the most polluting is road transportation. Therefore, the general policy of the countries is to focus on rail and maritime transport, which saves fuel consumption in both freight and passenger transport. Along with saving in fuel consumption, CO2 emissions also decrease. In this study, change of railway transport mode share are examined for Turkey and prediction models are created by using artificial neural networks (ANN) method for rail transport CO2 emission. In the prediction models, six variables are examined: length of railways, the number of passengers, freight amount, train-kilometer, passenger-kilometer and ton-kilometer for railway transportation. The models are created according to the combinations of input variables with 2, 3, 4, 5 and 6 combinations. New inputs are created by using principal component analysis (PCA) in order to both increase performance and predict the effects of the six variables used in the model. As a result of the performance evaluation of the models, the best prediction model is NPFA which have 2 variables. Mean Square Error (MSE), Mean percentage error (MPE) and coefficient of correlation (R) performance values of the model are 6.48 × 10-5, 0.125% and 99.65%, respectively. In addition, PCA has significant effects on models.

Anahtar Kelimeler

• Railway emission
• principle component analysis
• artificial neural network

Türkiye Demiryolları Karbon Ayak İzinin Temel Bileşen Analizi Destekli Yapay Sinir Ağları Yöntemi ile Tahmini

Öz

Günümüzün en büyük problemlerinden birisi çevresel kirleticiler ve etkileridir. Çevresel kirleticilerin tabanına inildiğinde birçok sektör inceleme altına alınmaktadır. Bu sektörlerden biriside tüm sektörler içindeki %19 pay ile ulaştırma sektörüdür. Ulaştırma sektörünün kolları incelendiğinde en fazla kirletici karayolu taşımacılığıdır. Bu nedenle ülkelerin genel politikası hem yük hem de yolcu taşımacılığında yakıt tüketimi tasarrufu sağlayan demiryolu ve denizyolu taşımacılığına yönelimdir. Yakıt tüketiminde tasarrufla birlikte CO2 emisyonlarında da azalım meydana gelmektedir. Bu çalışmada Türkiye için demiryolu ulaşım modu kullanımının yıllara göre değişimi incelenmekte ve demiryolu taşımacılığı CO2 salınımı için yapay sinir ağları (YSA) metodu kullanılarak tahmin modelleri oluşturulmaktadır. Tahmin modellerinde, demiryolu taşımacılığı için demiryolu hattı uzunluğu, yolcu sayısı, taşınan yük miktarı, tren-kilometre, yolcu-kilometre ve ton-kilometre girdi verilerini oluşturmaktadır. Modeller girdilerin 2, 3, 4, 5 ve 6’lı kombinasyonlarına göre oluşturulmaktadır. Tahmin modellerinin hem performansın arttırılması hem de kullanılan altı değişkenin etkisinin de modele girdirilmesi amacıyla temel bileşen analizi (TBA) ile yeni girdiler oluşturulmaktadır. Modellerin performans değerlendirmesi sonucu en iyi tahmin modeli 2 değişkenli NPFA çıkmaktadır. Modelin hataların karesinin ortalaması (HKO), ortalama yüzde hata (OYH) ve korelasyon katsayısı (R) performans değerleri sırasıyla 6,48×10-5, %0,125 ve %99,65’tir. Ayrıca TBA nın modeller üzerine kayda değer etkileri görülmektedir.

Anahtar Kelimeler

• Demiryolu emisyon
• temel bileşen analizi
• yapay sinir ağları

Kaynakça

1. Anonim, 2018. Demiryolları Uzunluğu, Yük Taşımaları, Tren, Yolcu ve Ton Kilometre, http://www.tuik.gov.tr/PreTablo.do?alt_id=1051 (Erişim Tarihi: 28.01.2020)
2. Anonim, 2018. Turkish Greenhouse Gas Inventory 1990 – 2017, https://unfccc.int/process-and-meetings/transparency-and-reporting/reporting-and-review-under-the-convention/greenhouse-gas-inventories-annex-i-parties/national-inventory-submissions-2019 (Erişim Tarihi: 02.02.2020)
3. Dal K, Cansiz OF, Ornek M, Turedi Y, 2019. Prediction of Footing Settlements With Geogrid Reinforcement and Eccentricity. Geosynthetics International, 26(3): 1-12.
4. Deniz T, 2016. Türkiye’de Ulaşım Sektöründe Yaşanan Değişimler ve Mevcut Durum. Eastern Geographical Review, 20(36).
5. Dincer F, Elbir T, 2007. Estimating National Exhaust Emissions from Railway Vehicles in Turkey. Science of the Total Environment, 374(1): 127-134.
6. Karayiannis N, Venetsanopoulos AN, 2013. Artificial Neural Networks: Learning Algorithms, Performance Evaluation and Applications. Springer Science and Business Media, 209: 1-439.
7. Oreskes N, 2004. The Scientific Consensus on Climate Change. Science, 306: 1686.
8. Soruşbay C, 2007. Karayolu Ulaşımından Kaynaklanan Karbondioksit Emisyonlarının Çevreye Etkisi ve Kontrolü. Mühendis ve Makine, 48(564): 22-26.

9. Tolon M, Tosunoğlu NG, 2008. Tüketici Tatmini Verilerinin Analizi: Yapay Sinir Ağlari Ve Regresyon Analizi Karşilaştirmasi. Gazi Universitesi Iktisadi ve Idari Bilimler Fakultesi Dergisi, 10(2).
10. Xiao LY, Dridi M, El Hassani,AH, Fei HY, Lin WL, 2018. An İmproved Cuckoo Search for A Patient Transportation Problem with Consideration of Reducing Transport Emissions. Sustainability, 10: 1-19.
11. Van Fan Y, Perry S, Klemes JJ, Lee CT, 2018. A Review on Air Emissions Assessment: Transportation. Journal of Cleaner Production, 194: 673-684.
12. Yazar I, Yavuz HS, Çay MA, 2009. Temel Bileşen Analizi Yönteminin ve Bazı Klasik ve Robust Uyarlamalarının Yüz Tanıma Uygulamaları. Eskişehir Osmangazi Üniversitesi Mühendislik ve Mimarlık Fakültesi Dergisi, 22(1): 49-63.
13. Zhang R, ve Li P, 2016. Calculation of External Costs of Road And Railway Freight Transportation And Internalization. In Transportation Research Board 95th Annual Meeting, 16: 2507-2522.