Şehir İçi Otobüs Taşımacılığında Kısa Dönemli Yolcu Sayısı Tahmini

Yıl 2022, Cilt: 5 Sayı: 2, 133 - 145, 29.10.2022

Ece Sema Korkmaz , İlyas Özer , Serhat Berat Efe

https://doi.org/10.51513/jitsa.1172352

Öz

Tüm dünyada yaşanan teknolojik gelişmelerin etkisiyle Akıllı Ulaşım Sistemleri önemli bir pazar alanı oluşturmuştur ve bu da ülkeler arasında rekabet ortamı oluşmasına sebep olmuştur. Bu çalışmada, toplu ulaşım araçlarıyla erişim konusunda yaşanan problemlerin minimize edilmesi amacıyla akıllı ulaşım sistemleri teknolojileri ve yapay zekâ teknolojileri birlikte kullanılmıştır. Bu kapsamda öncelikle BURULAŞ’tan alınan ve 2019 yılı ocak ve haziran ayları arasında gerçekleşen yolculukları kapsayan veriler büyük boyutlu veriler Microsoft SQL Server ve Spyder programları aracılığıyla analiz edilmiştir. Bu kapsamında 2019 yılı ocak ve haziran ayları içerisinde gerçekleşen Bursa Uludağ Üniversitesi varışlı yolculuklar bilet ve hat tiplerine göre belirli takvim günleri baz alınarak ay, gün, saat kriterlerine göre analiz edilmiştir. Analiz sonucunda hangi hattı en çok hangi bilet tipinin hangi zamanda kullandığı bilgisi elde edilmiştir. Elde edilen bu farklı hat ve bilet tiplerine ait yolcu sayısı verileri, Spyder aracılığıyla yolcu sayısı tahmini (forecasting) yapmak için kullanılmıştır. Böylelikle Bursa Uludağ Üniversitesi varışlı istenilen otobüs hatlarına ait farklı zamanlardaki yolcu sayısı tahminleri elde edilmiştir.

Anahtar Kelimeler

Ulaşım, Trafik, Akıllı Ulaşım, Akıllı Ulaşım Sistemleri, Teknoloji, Yapay Zekâ, Makine Öğrenmesi

Destekleyen Kurum

Bandırma Onyedi Eylül Üniversitesi Bilimsel Araştırma Projeleri Koordinasyon Birimi

Proje Numarası

BAP-20-1010-002.

Teşekkür

Çalışma kapsamında kullanılan verileri sağladıkları için Bursa Ulaşım Toplu Taşım İşletmeciliği Turizm Sanayi ve Ticaret A.Ş’ye teşekkür ederiz.

Kaynakça

• Andersen J., and Sutcliffe S. (2000). Intelligent Transport Systems (ITS) - An Overview. IFAC Proc. 33(18), 99–106, doi: 10.1016/s1474-6670(17)37129-x.
• B. P. A.Ş. (2018). Bursa Ulaşım Ana Planı Final Raporu 2035.
• Chen, C. M., Liang, C. C., and Chu, C. P. (2020). Long-Term Travel Time Prediction Using Gradient Boosting. J. Intell. Transp. Syst. Technol. Planning, Oper., 24(2), 109–124, doi: 10.1080/15472450.2018.1542304.
• Chen, Q. (2014) Global Optimization for Bus Line Timetable Setting Problem. Discret. Dyn. Nat. Soc., 2014, 1-9, doi: 10.1155/2014/636937.
• Do, L. N. N., Taherifar, N., and Vu H. L. (2019). Survey of Neural Network-Based Models for Short-Term Traffic State Prediction. Wiley Interdiscip. Rev. Data Min. Knowl. Discov., 9(1), 1–24, doi: 10.1002/widm.1285.
• Fonzone, A., Schmöcker, J. D., and Liu, R. (2015). A Model of Bus Bunching under Reliability-based Passenger Arrival Patterns. Transp. Res. Procedia, 7, 276–299, doi: 10.1016/j.trpro.2015.06.015.
• Gkiotsalitis, K., and Alesiani, F. (2019). Robust Timetable Optimization for Bus Lines Subject to Resource and Regulatory Constraints. Transp. Res. Part E Logist. Transp. Rev., 128, 30–51, doi: 10.1016/j.tre.2019.05.016.
• Gorur, K., Ozer, C.K., Ozer, I., Karaca, A.C., Çetin, O., and Koçak, İ. (2022). Species-Level Microfossil Prediction for Globotruncana genus Using Machine Learning Models. Arab J Sci Eng., https://doi.org/10.1007/s13369-022-06822-5.
• Gültepe, Y. (2019). Makine Öğrenmesi Algoritmaları ile Hava Kirliliği Tahmini Üzerine Karşılaştırmalı Bir Değerlendirme. Eur. J. Sci. Technol., 16, 8–15, doi: 10.31590/ejosat.530347.
• Hollander, Y. and Liu, R. (2008). Estimation of the Distribution of Travel Times by Repeated Simulation. Transp. Res. Part C Emerg. Technol., 16(2), 212–231, doi: 10.1016/j.trc.2007.07.005.
• Kane, S. N., Mishra, A., and Dutta, A. K. (2016). Preface: International Conference on Recent Trends in Physics (ICRTP 2016). J. Phys. Conf. Ser., 755(1), doi: 10.1088/1742-6596/755/1/011001.
• Khadhir, A., Anil Kumar, B., and Vanajakshi, L. D. (2021). Analysis of Global Positioning System Used Bus Travel Time Data and Its Use for Advanced Public Transportation System Applications. J. Intell. Transp. Syst. Technol. Planning, Oper., 25(1), 58–76, doi: 10.1080/15472450.2020.1754818.
• Kingma, D. P. and Ba, J. L. (2015). Adam: A method for stochastic optimization. 3rd International Conference on Learning Representations, ICLR 2015 - Conference Track Proceedings, pp. 1–15.
• Ma Q., Li S., Zhang H., Yuan Y., and Yang L. (2021). Robust Optimal Predictive Control for Real-Time Bus Regulation Strategy with Passenger Demand Uncertainties in Urban Rapid Transit. Transp. Res. Part C Emerg. Technol., 127, 103086, doi: 10.1016/j.trc.2021.103086.
• Nagy, A. M. and Simon, V. (2018) Survey on Traffic Prediction in Smart Cities. Pervasive Mob. Comput., 50, 148–163, doi: 10.1016/j.pmcj.2018.07.004.
• Ozbay, H., and Dalcali, A. (2021). Effects of COVID-19 on electric energy consumption in Turkey and ANN-based short-term forecasting. Turkish Journal of Electrical Engineering and Computer Sciences, 29(1), 78–97. https://doi.org/10.3906/ELK-2006-29.
• Ozer, I., Efe, S. B., and Ozbay, H. (2021). CNN / Bi-LSTM-based deep learning algorithm for classification of power quality disturbances by using spectrogram images. International Transactions on Electrical Energy Systems, 31(12), 1–16. https://doi.org/10.1002/2050-7038.13204
• Ozer, I., Efe, S. B., and Ozbay, H. (2021). A combined deep learning application for short term load forecasting. Alexandria Engineering Journal, 60(4), 3807–3818. https://doi.org/10.1016/j.aej.2021.02.050
• Ozer, I., Ozer, Z., and Findik, O. (2017). Lanczos kernel based spectrogram image features for sound classification. Procedia Computer Science, 111(2015), 137–144, https://doi.org/10.1016/j.procs.2017.06.020
• Ozer, I., Ozer, Z., and Findik, O. (2018). Noise robust sound event classification with convolutional neural network. Neurocomputing, 272, 505–512.
• Ozer, Z., Ozer, I., and Findik, O. (2018). Diacritic restoration of Turkish tweets with word2vec. Engineering Science and Technology, an International Journal, 21(6), 1120–1127. https://doi.org/10.1016/j.jestch.2018.09.002
• Özkul, M. (2019). Metin Madenciliği̇ Yöntemi̇ ile Akıllı Ulaşım Sistemleri Algısının Duygu Analizi ile Ölçülmesi. Bandırma Onyedi Eylül Üniversitesi Sosyal Bilimler Enstitüsü, YL Tezi.
• Tang, J., Yang, Y., Hao, W., Liu, F., and Wang, Y. (2021). A Data-Driven Timetable Optimization of Urban Bus Line Based on Multi-Objective Genetic Algorithm. IEEE Trans. Intell. Transp. Syst., 22(4), 2417–2429, doi: 10.1109/TITS.2020.3025031.
• T.C. Ulaştırma ve Altyapı Bakanlığı. (2020). Ulusal Akıllı Ulaşım Sistemleri Strateji Belgesi ve 2020-2023 Eylem Planı, 15–18.
• Tektaş, M., Korkmaz K., and Erdal H. (2016). Akıllı Ulaşım Sistemlerinin Geleceği (Ekonomik ve Çevresel Faydaları). ICOMEP, International Congress of Management Economy and Policy, 1–16.
• Tektaş, M., and Tektaş N. (2019). Akıllı Ulaşım Sistemleri (AUS) Uygulamalarının Sektörlere Göre Dağılımı. Akıllı Ulaşım Sist. ve Uygulamaları Dergisi, 2(1), 32-41.
• Toncharoen, R. and Piantanakulchai, M. (2018). Traffic State Prediction Using Convolutional Neural Network. Proceeding 15th Int. Jt. Conf. Comput. Sci. Softw. Eng. JCSSE, 2–7, doi: 10.1109/JCSSE.2018.8457359.
• Wang, Y., Zhang, D., Hu, L., Yang, Y., and Lee, L. H. (2017). A Data-Driven and Optimal Bus Scheduling Model with Time-Dependent Traffic and Demand. IEEE Trans. Intell. Transp. Syst., 18(9), 2443–2452, doi: 10.1109/TITS.2016.2644725.
• Watkins, K. E., Ferris, B., Borning, A., Rutherford, G. S., and Layton, D. (2011). Where Is My Bus? Impact of Mobile Real-Time Information on the Perceived and Actual Wait Time of Transit Riders. Transp. Res. Part A Policy Pract., 45(8), 839–848, doi: 10.1016/j.tra.2011.06.010.