TOPLU TAŞIMA İŞLETMELERİNDE AKILLI ULAŞIM SİSTEM VERİLERİNİN BÜYÜK VERİ TEKNOLOJİLERİ İLE DESTEKLENMİŞ İŞ ZEKÂSI MİMARİSİNDE UYGULANMASI: BİR LİTERATÜR İNCELEMESİ

Yıl 2022, Cilt: 12 Sayı: 1, 89 - 105, 16.08.2022

Muhammet Kutlu Şengül , Çiğdem Tarhan , Vahap Tecim

https://doi.org/10.47147/ksuiibf.1137192

Öz

Nüfus artışlarına ve özel araç sayılarının artmasına rağmen mevcut kaynakların kısıtlı kalması sorunuyla yüz yüze kalan şehir yönetimleri ulaşım, sağlık, afet, eğitim, su, çevre temizliği, altyapı, güvenlik, konut hizmetleri gibi birçok alanda yönetimsel olarak mücadele etmektedirler. İlgili alanlarda ihtiyaç doğrultusunda beklentilerin etkin bir şekilde karşılanması akıllı şehir kavramı ile elzem çözümsel yaklaşımlar sunmakta ve olanaklar sağlamaktadır. Akıllı şehir modeli ekonomik, ergonomik, yaşam kalitesini arttıran, çevreye duyarlı, gerçek zamanlı, akıllı, sürdürülebilir, değer katan, açık fikirli, katılımcı şehir yönetimlerinin oluşturulmasında bir vizyon olarak görülmektedir. Akıllı şehir yaklaşımı ile şehir yönetimin de verinin çeşitli sistemlerle, sensörlerle, akıllı kartlarla, mobil cihazlarla vb, nesnelerin interneti (IoT) elde edilmesi, kontol takip merkezleri oluşturulması, verinin saklanması ve bilgiye ve karar mekanizmalarına dönüştürülmesi aşamalarında rol alacak bütünsel yaklaşımlar kabul edilmektedir. Gerek ulusal çapta gerekse küresel çapta akıllı şehir bilinci ve uygulamaları gün be gün artmakta gerekli stratejiler belirlenmekte ve yönetimsel olarak kaçınılmaz bir uygulama süreci haline gelmektedir. Akıllı şehirlerin yönetiminde tüm paydaşlar ile kollektif bir şekilde yönetişimin sağlanması ve etkin kararların alınması amacıyla strateji yönetimi, politika yönetimi, bütüncül hizmet yönetimi, iş yönetimi ayrılmaz bir bütün halinde değerlendirilmektedir. Akıllı şehir eko-sistemin de tüm paydaşların koordine olması gereken, hayati önem arz eden bir uygulamada akıllı ulaşım sistemleridir. Bilgi ve iletişim destekli, çoğulcu, doğacı, güvenli, bütünleşik ulaşım olanakları sunan akıllı ulaşım sistemleri, akıllı şehir üzerindeki tam olarak etkilerin açıklayıcı bir şekilde ortaya konulması rolü ve etkilerinin belirlenmesi sürdürülebilir, verimli, akıllı şehir yönetimleri için önemlidir. Kalabalıklaşan, çevre kirliliği artan, ulaşım problemlerinin arttığı, yakıt ve motorlu araç masraflarının çoğaldığı, motorlu taşıtların insan sağlığına zarar vermeyi arttırdığı, zaman verimliliğinin düştüğü şehirlerde akıllı ulaşımın, akıllı şehirlerin yönetilmesinde yüksek katsayılı katma değer üreten bir değişken olduğu aşikardır. Her ne kadar ilk bakışta akıllı ulaşımda toplu ulaşımın yaygın kullanımı, yaya, bisiklet odaklı yeşil, sürdürülebilir çözümler ilk sırayı alsa da akıllı ulaşım ve akıllı toplu taşıma sistemlerinin doğru bir şekilde işletmelere uygulanabilmesi için yönetim bilişim sistemleri çerçevesinde entegre altyapı sistemlerin kurulması, güncel en uygun sistemlerin kullanılması (IoT, büyük veri teknolojileri, iş zekâsı uygulamaları ve veri tabanı vb), sürdürülmesi, karar destek sistemleriyle uygulanması, bilişim alt yapısının doğru kurgulanması gerekmektedir. Diğer yandan; yaya, bisiklet gibi alternatif doğacı yöntemlerin verimli ve bütünleşik, güvenli bir şekilde sürdürülebilir bir hizmet sunması için optimizasyon çalışmalarına, iş zekâsı sistemlerine daha geniş çerçevede düşünüldüğünde bütünleşik karar destek sistemlerine ihtiyaç duyulmaktadır. Akıllı şehirlerin yönetimi, akıllı insanlar ve akıllı sistemler ile gerçekleşeceği, bunun akıllı ulaşım sistemleriyle ve akıllı toplu ulaşım sistemlerinin veri odaklı işletmeler ile aktif, bütünleşik açık fikirli çalışan paydaşlarla destekleneceği genel anlamda kabul edilmektedir. Bu çalışmada toplu taşıma işletmelerinde akıllı ulaşım sistem verilerinin büyük veri teknolojileri ile desteklenmiş iş zekâsının mimarisinde uygulanması konusu literatür taraması yapılarak incelenmiştir.

Anahtar Kelimeler

Akıllı Ulaşım Sistemleri, Yönetim Bilişim Sistemleri, İş Zekâsı, Akıllı Toplu Taşıma, Büyük Veri Analitiği

Kaynakça

• Belissent, Jennifer, (2010), “Getting Clever About Smart Cities: New Opportunities Require New Business Models”, Forrester Research. ss. 3-5. Erişim adresi: https://www.forrester.com/report/Getting+Clever+About+Smart+Cities+New+Opportunities+Require+New+Business+Models/-/E-RES56701.
• Bertman, Jeff, (2020), “Modernizing the Analytics and Data Science Lifecycle for the Scalable Enterprise: The SEAL Method”, Erişim adresi: https://medium.com/@techbreeze/modernizing-the-analytics-and-data-science-lifecycle-for-the-scalable-enterprise-the-seal-method-873aa136cc74
• Chen, Cynthia, Ma, Jingtao, Susilo, Yusak, Liu, Yu ve Wang, Menglin, (2016), “The promises of big data and small data for travel behavior (aka human mobility) analysis”, Transportation Research Part C: Emerging Technologies, Vol. 68, ss.285–299. doi:10.1016/j.trc.2016.04.005.
• Chen, Che-Ming, Liang, Chia-Ching ve Chu, Chih-Peng, (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, Hsinchun, Chiang, Roger, H. L., ve Storey, Veda. C., (2012), “Business Intelligence and Analytics: From Big Data to Big Impact”, MIS Quarterly, 36(4), 1165–1188. https://doi.org/10.2307/41703503.
• Claiborne, Jay ve Gupta, Ashish, (2018), “Machine Learning Classifiers for Predicting Transit Fraud”, AMCIS 2018 Proceedings, 37. https://aisel.aisnet.org/amcis2018/DataScience/Presentations/37.
• Davidson, Adam, (2016), “Big Data Exhaust for Origin-Destination Surveys: Using Mobile TripPlanning Data for Simple Surveying”, Proceedings of the 95th Annual Meeting of the Transportation Research Board.
• Dietterich, Thomas, G., (2000), “Ensemble Methods in Machine Learning”, Multiple Classifier Systems. MCS 2000. Lecture Notes in Computer Science, vol 1857. Springer, Berlin, Heidelberg. https://doi.org/10.1007/3-540-45014-9_1.
• Huber, Steffen, Wiemer, Hajo, Schneider, Dorothea, Ihlenfeldt, Steffen, (2019), “DMME: Data mining methodology for engineering applications – a holistic extension to the CRISP-DM model”, Procedia CIRP. Volume 79, Pages 403-408, ISSN 2212-8271, https://doi.org/10.1016/j.procir.2019.02.106.
• Kee, Chee Yau, Wong, Li-Pei, Khader, Ahamad Tajudin ve Hassan, Fadratul Hafinaz, (2017), “Multi-label classification of estimated time of arrival with ensemble neural networks in bus transportation network”, 2017 2nd IEEE International Conference on Intelligent Transportation Engineering (ICITE) (pp. 150-154).
• Korkmaz, Ece Sema, Efe, Serhat Berat, Özer, İlyas, (2021), “Toplu Taşıma Sefer Optimizasyonu için Kullanılan Akıllı Ulaşım Sistemleri Teknolojileri”, International Symposium of Scientific Research and Innovative Studies, 22-25 February 2021.
• Li, Yang, Wang, Xudong, Sun, Shuo, Ma, Xiaolei ve Lu, Guangquan, (2017), “Forecasting short-term subway passenger flow under special events scenarios using multiscale radial basis function networks”, Transportation Research Part C: Emerging Technologies, 77, 306–328. doi:10.1016/j.trc.2017.02.005.
• Liu, Lijuan ve Chen, Rung-Ching, (2017), “A novel passenger flow prediction model using deep learning methods”, Transportation Research Part C-Emerging Technologies, 84, 74–91. doi:10.1016/j.trc.2017.08.001.
• Lu, Chaoru, Dong, Jing, Houchin, Andrew ve Liu, Chenhui, (2019), “Incorporating the standstill distance and time headway distributions into freeway car-following models and an application to estimating freeway travel time reliability”, Journal of Intelligent Transportation Systems. 1-20. DOI: 10.1080/15472450.2019.1683450.
• Luo, Xing-Gang, Zhang, Hong-Bo, Zhang, Zhong-Liang., Yu, Yang ve Li, Ke, (2019), “A New Framework of Intelligent Public Transportation System Based on the Internet of Things”, IEEE Access, vol. 7, pp. 55290-55304, 2019, doi: 10.1109/ACCESS.2019.2913288. Maktoubian, Jamal, (2017), “Proposing a streaming Big Data analytics (SBDA) platform for condition based maintenance (CBM) and monitoring transportation systems”, EAI Endorsed Transactions on Scalable Information Systems, 4(13).
• Prasad, Kalli Srinivasa ve Ramakrishna, Seelam, (2014), “An efficient traffic forecasting system based on spatial data and decision trees”, Int. Arab J. Inf. Technol., 11(2), 186-194. SETA, (2021), Akıllı Şehirler, Değişen Şehir Yönetimi ve Türkiye. Erişim adresi https://www.setav.org/rapor-akilli-sehirler-degisen-sehir-yonetimi-ve-turkiye/ (10.06.2021).
• Tektaş, Mehmet ve Tektaş, Necla, (2019), “Akıllı ulaşım sistemleri uygulamalarının sektörlere göre dağılımı”, Akıllı Ulaşım Sistemleri ve Uygulamaları Dergisi, 2 (1), 32-41. Erişim adresi: https://dergipark.org.tr/en/pub/jitsa/issue/44655/547872.
• Tu, Wei, Cao, Rui, Yue, Yang, Zhou, Baoding, Li, Qiuping ve Li, Qingquan, (2018), “Spatial variations in urban public ridership derived from GPS trajectories and smart card data”, Journal of Transport Geography, 69, 45–57. doi:10.1016/j.jtrangeo.2018.04.013.
• UN-Habitat. (2013). Planning and Design for Sustainable Urban Mobility: Global Report On Human Settlements 2013. Routledge, New York, ISBN: 978-0-415-72318-3. Erişim adresi https://unhabitat.org/planning-and-design-for-sustainable-urban-mobility-global-report-on-human-settlements-2013.
• Yu, Haitao, Xiao, Randong, Du, Yong ve He, Zhiying, (2013), “A bus-arrival time prediction model based on historical traffic patterns”, 2013 International Conference on Computer Sciences and Applications, pp. 345-349, doi: 10.1109/CSA.2013.87.
• Zhou, Lianjie, Chen, Nengcheng, Yuan, Sai ve Chen, Zeqiang, (2016), “An efficient method of sharing mass Spatio-temporal trajectory data based on Cloudera Impala for traffic distribution mapping in an urban city”, Sensors. 16(11), 1813. doi:10.3390/s16111813.
• Zhu, Li, Yu, Fei Richard, Wang, Yige, Ning, Bin, Tang, Tao, (2018), “Big Data Analytics in Intelligent Transportation Systems: A Survey”, IEEE Transactions on Intelligent Transportation Systems, vol. 20, no. 1, pp. 383-398, doi: 10.1109/TITS.2018.2815678.