MAKİNE ÖĞRENMESİ İLE PAYLAŞIMLI BİSİKLET KULLANIMINA AİT TALEP TAHMİNİ: KONYA ÖRNEĞİ

Sürdürülebilirlik kavramının her geçen gün öneminin arttığı çağımızda geleneksel ulaşım araçlarının yerine çevreye daha duyarlı alternatif yöntemler araştırılmaktadır. Bu yenilikçi çözümlerden birisi karbon emisyonsuz ulaşımı sağlayan paylaşımlı bisiklet kullanımıdır. Paylaşımlı bisiklet kullanımı, ulaşımda karbon ayak izini büyük ölçüde azaltmakta, ayrıca şehir içi trafik yoğunluğunu önleyerek çevresel sürdürülebilirliğe katkı sağlamaktadır. Ekonomik açıdan uygun fiyatlı ve erişilebilir olması nedeniyle de sıklıkla tercih edilen paylaşımlı bisikletler son yıllarda pek çok ülkede yaygın bir şekilde kullanılmaktadır. Paylaşımlı bisiklet sistemlerinden en yüksek faydayı sağlamak adına arz ve talep dengesi kurmak için etkin bir talep tahmin prosedürü geliştirilmelidir. Bu amaçla yapılan çalışmada Türkiye’nin en uzun bisiklet yoluna sahip olan Konya ilinde 2022-2023 yıllarına ait paylaşımlı bisiklet kullanım verileri incelenmiştir. Öncelikle verilere ait saatlik ve günlük bazda tanıtıcı istatistikler verilerek veriler özetlenmiş, ardından tahmin modellerinde kullanılan değişkenler tanımlanmıştır. Paylaşımlı bisiklet kullanımına olan talebin tahmininde Çoklu Doğrusal Regresyon (ÇDR), Ridge Regresyon (RR), Elastik Net (EN), Rassal Orman (RO), Karar Ağaçları (KA), Destek Vektör Makineleri (DVM) ve Yapay Sinir Ağları (YSA) kullanılmıştır. Geliştirilen günlük ve saatlik talep tahmin modelleri ve kullanılan makine öğrenme algoritmaları determinasyon katsayısı (R2), ortalama mutlak hata (MAE), ortalama hata karesi (MSE) ve kök ortalama hata karesi (RMSE) performans ölçütlerine göre karşılaştırılmıştır. Günlük verilerin değişken olarak kullanıldığı model, incelenen tüm performans ölçütlerine göre saatlik verilerin kullanıldığı modele göre üstünlük sağlamıştır. Algoritmalar karşılaştırıldığında saatlik veriler için en iyi performansa sahip teknik YSA iken, günlük veriler için ise en iyi performansı veren teknik RO olarak belirlenmiştir.

As the concept of sustainability increases day by day, eco-friendly techniques are researched instead of traditional transportation vehicles. One of these innovative solutions is the bike-sharing system, which provides carbon-emission-free transportation. The system greatly reduces the carbon footprint and also contributes to environmental sustainability by preventing urban traffic congestion. Bike-sharing systems, which are frequently preferred because they are economically affordable and accessible, have been widely used in many countries recently. An effective demand forecasting procedure should be developed to balance supply and demand. In the study for this purpose, bike sharing data for the years 2022–2023 in Konya, which has the longest bicycle path in Turkey, is examined. First, the data are summarized with descriptive statistics on an hourly and daily basis, and then the variables used in the forecasting models are defined. Multiple Linear Regression (MLR), Ridge Regression (RR), Elastic Net (EN), Random Forest (RF), Decision Trees (DT), Support Vector Machines (SVM), and Artificial Neural Networks (ANN) are used to estimate the actual demand. The hourly and daily demand forecasting models and the machine learning algorithms used are compared according to the coefficient of determination (R2), mean absolute error (MAE), mean square error (MSE), and root mean square error (RMSE). The model in which daily data is used is superior to the hourly model in all performance measures examined. When the algorithms are compared, the best technique for the hourly model is found to be ANN, while it is determined to be RF for the daily model.