RAYLI SİSTEM KULLANIM ORANLARININ AÇIKLANABİLİR YAPAY ZEKA İLE DEĞERLENDİRİLMESİ: KENTSEL HAREKETLİLİK PERSPEKTİFİ

Yıl 2026, Cilt: 21 Sayı: Special Issue on 24th International Business Congress, 316 - 333, 27.03.2026

Mert Erkan Sözen

https://doi.org/10.19168/jyasar.1775868

https://izlik.org/JA84LY54UG

Öz

Raylı sistemlerin kullanım tahminleri, özellikle nüfus yoğunluğu yüksek kentsel alanlarda sürdürülebilir ulaşım planlaması için büyük önem taşımaktadır. Bu tahminler, makine öğrenimi (ML) modelleriyle gerçekleştirilebilmekte ancak bu modellerin "kara kutu" yapısı, açıklanabilirlik sorununu beraberinde getirmektedir. Bu sorunu aşmak için, Açıklanabilir Yapay Zekâ (XAI) tekniklerinden biri olan SHAP (SHapley Additive exPlanations) yöntemi, model çıktılarının şeffaf ve yorumlanabilir olmasını sağlamaktadır. Bu çalışmada, raylı sistem kullanım oranlarını tahmin etmek amacıyla ağaç tabanlı bir topluluk algoritması geliştirilmiş ve modelin çıktıları SHAP ile analiz edilmiştir. Analizde, haftanın günü, özel günler ve yolcu biniş türlerinin günlük dağılımı gibi değişkenler kullanılmıştır. İzmir şehrine ait açık veri seti üzerinde test edilen model, yüksek doğruluk oranları elde etmiştir. SHAP analizi, veri seti içindeki "DİĞER_O" ve "TAM_O" inputlarının modelin tahminlerinde en belirleyici faktörler olduğunu ortaya koyarken, özelliklerin çıktı değişkeni olan “TOPLAM” ile arasındaki etkileşimler de dikkat çekmiştir. Bu sonuçlar, toplu taşıma sistemlerinde "Diğer" kullanıcı gruplarının davranışsal dinamiklerinin daha kapsamlı bir şekilde analiz edilmesi gerektiğini vurgulamaktadır. Bu bulgular, kentsel hareketlilik perspektifine bağlı ulaşım politikalarının geliştirilmesine önemli katkılar sunmaktadır.

Anahtar Kelimeler

Raylı Sistemler , Makine Öğrenmesi , Açıklanabilir Yapay Zeka (XAI) , Yolcu Talebi Tahmini , SHAP (SHapley Additive exPlanations).

Kaynakça

• Borucka, A., Mazurkiewicz, D., & Lagowska , E. (2021). Mathematical Modelling As An Element of Planning Rail Transport Strategies. Transport, 36(4):354-363.
• Chen, E., Zhirui, Y., Wang, C., & Xu, M. (2020). Subway Passenger Flow Prediction for Special Events Using Smart Card Data. IEEE Transactions on Intelligent Transportation Systems, 21(3):1109-1120.
• EUROSAI Project Group. (2023, Mayıs). Un-Sai Country-Level Collaboration On SDG Audits. https://turkiye.un.org/sites/default/files/2023-05/UN-SAI-COUNTRY-LEVEL-SDG-final-final.pdf adresinden alındı
• Jing, Z., & Yin, X. (2020). Neural Network-Based Prediction Model for Passenger Flow in a Large Passenger Station: An Exploratory Study. IEEE Access, 8:36876 - 36884.
• Kusonkhum, W., Srinavin, K., Leungbootnak, N., & Chaitongrat, T. (2022). Using a Machine Learning Approach to Predict the Thailand Underground Train’s Passenger. Hindawi Journal of Advanced Transportation.
• Li, H., Hao, Y., Xie, C., Han, Y., & Wang, Z.-R. (2023). Emerging technologies and policies for carbon–neutral transportation. International Journal of Transportation Science and Technology, 331-332.
• Liu, Y., Liu, Z., & Jia, R. (2019). DeepPF: A deep learning based architecture for metro passenger flow prediction. Transportation Research Part C: Emerging Technologies, 101:18-34.
• Madanu, R., Abbod, M., Hsiao, F.-J., & Chen, W.-T. (2022). Explainable AI (XAI) Applied in Machine Learning for Pain Modeling: A Review. Technologies , 1-15.
• Nar, M., & Araslankaya, S. (2022). Passenger Demand Forecasting For Railway Systems. Open Chemistry, 105-119.
• Proje, B. (2017, Temmuz). İzmir Ulaşım Ana Planı Sonuç Raporu Yönetici Özeti. https://www.izmir.bel.tr/CKYuklenen/dokumanlar_2018/upi_sonuc_ozeti.pdf adresinden alındı
• Sariyer, G., Mangla, S., Sozen, M., Li, G., & Kazancoglu, Y. (2024). Leveraging Explainable Artificial Intelligence In Understanding Public Transportation Usage Dates Dor Dustainable Development. Omega.
• Utku, A., & Kaya, S. (2023). New Deep Learning-Based Passenger Flow Prediction Mode. Transportation Research Record: Journal of the Transportation Research Board, 2677(3): 1-17.
• Zhang, Q., Liu, X., Spurgeon, S., & Yu, D. (2021). A two-layer modelling framework for predicting passenger flow on trains: A case study of London underground trains. Transportation Research Part A: Policy and Practice, 151: 119-139.