DEMAND FORECASTING FOR BIKE SHARING SYSTEMS BY MACHINE LEARNING: A CASE STUDY IN KONYA

Yıl 2024, Cilt: 32 Sayı: 3, 1470 - 1484

Gözde Can Atasagun , Ece Çetin Yağmur

https://doi.org/10.31796/ogummf.1477372

Öz

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.

Anahtar Kelimeler

Bike-sharing systems, Machine learning, Artificial neural networks, Random forest, Demand forecasting

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

Öz

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.

Anahtar Kelimeler

Paylaşımlı bisiklet sistemleri, Makine öğrenmesi, Yapay sinir ağları, Rassal orman, Talep tahmini

Kaynakça

• AAR Bike. Erişim Adresi: https://aarbike.com.tr/istasyonlar/ (Erişim Tarihi: 09.01.2024)
• Bordagaray, M., Dell’Olio, L., Fonzone, A., & Ibeas, Á., (2016). Capturing the conditions that introduce systematic variation in bike-sharing travel behavior using data mining techniques. Transportation Research Part C: Emerging Technologies, 71, 231-248. https://doi.org/10.1016/j.trc.2016.07.009
• Candan, S. (2003). Ulaşım sistemlerinin bütünleştirilmesi açısından Ankara uygulamalarının değerlendirilmesi ve geliştirme önerileri (Yüksek Lisans Tezi). Gazi Üniversitesi Fen Bilimler Enstitüsü, Ankara.
• Chibwe, J., Heydari, S., Imani, A. F., & Scurtu, A. (2021). An exploratory analysis of the trend in the demand for the London bike-sharing system: From London Olympics to Covid-19 pandemic. Sustainable Cities and Society, 69, 102871. https://doi.org/10.1016/j.scs.2021.102871
• DeMaio, P. (2009). Bike-sharing: History, impacts, models of provision, and future. Journal of Public Transportation, 12(4), 41-56. http://doi.org/10.5038/2375-0901.12.4.3
• Eren, E., Katanalp, B. Y., Yıldırım, Z. B. ve Uz, V. E. (2018). Türkiye’deki bisiklet paylaşım programları, SETSCI-Conference Proceedings, 1507-1513.
• Ergül Aydın, Z., İçmen Erdem, B., & Erzurum Ciçek, Z. I. (2023). Prediction bike-sharing demand with gradient boosting methods. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 29(8), 824-832. https://doi.org/10.5505/pajes.2023.39959
• Fishman, E., Washington, S., & Haworth, N. (2013). Bike share: a synthesis of the literature. Transport Reviews, 33(2), 148-165. https://doi.org/10.1080/01441647.2013.775612
• Hoerl, A. E. & Kennard, R. W. (1970). Ridge regression: Biased estimation for nonorthogonal problems. Technometrics, 12(1), 55-67. https://doi.org/10.1080/00401706.1970.10488634
• İleri, K. (2024). Yarasa algoritması ile optimize edilmiş GBM modeli kullanarak mevsim bazlı bisiklet kiralama sayılarının tahmini. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 39(4), 2631-2642. https://doi.org/10.17341/gazimmfd.1362302
• Jahanshahi, D., Van Wee, B., & Kharazmi, O. A. (2019). Investigating factors affecting bicycle sharing system acceptability in a developing country: The case of Mashhad, Iran. Case Studies on Transport Policy, 7(2), 239-249. https://doi.org/10.1016/j.cstp.2019.03.002
• Jiang, W. (2022). Bike sharing usage prediction with deep learning: A survey. Neural Computing Applications, 34(18), 15369-15385. https://doi.org/10.1007/s00521-022-07380-5
• Karagöz, B. (2019). Yerel yöneticilerin bisiklet ulaşımına bakış açısı: Konya örneği (Yüksek Lisans Tezi). Konya Teknik Üniversitesi Lisansüstü Eğitim Enstitüsü, Konya.
• Konya Açık Veri Portalı. Erişim Adresi: https://acikveri.konya.bel.tr/dataset/kiralik-bisiklet-kullanim-verileri (Erişim Tarihi: 09.01.2024)
• Lin, L., He, Z., & Peeta, S. (2018). Predicting station-level hourly demand in a large-scale bike-sharing network: A graph convolutional neural network approach. Transportation Research Part C: Emerging Technologies, 97, 258-276. https://doi.org/10.1016/j.trc.2018.10.011
• Lorasokkay, M. A. ve Ağırdır, M. L. (2011). Konya kentiçi ulaşımda bisiklet. Engineering Sciences, 6(4), 870-881. Erişim adresi: https://dergipark.org.tr/tr/download/article-file/186142
• Madak, N. ve Bardakçı, A. (2021). İstasyonsuz bisiklet paylaşım sistemlerinin yükselişi ve düşüşü üzerine. Pamukkale Üniversitesi İşletme Araştırmaları Dergisi, 8(2), 668-689. https://doi.org/10.47097/piar.1026156
• McBain, C. & Caulfield, B. (2018). An analysis of the factors influencing journey time variation in the cork public bike system. Sustainable Cities and Society, 42, 641-649. https://doi.org/10.1016/j.scs.2017.09.030
• Midgley, P. & Affairs, S. (2011). Bicycle-sharing schemes: enhancing sustainable mobility in urban areas. United Nations, Department of Economic, 8, 1-12.
• Morton, C. (2018). Appraising the market for bicycle sharing schemes: Perceived service quality, satisfaction, and behavioural intention in London. Case Studies on Transport Policy, 6(1), 102-111. https://doi.org/10.1016/j.cstp.2017.11.003
• NTV. Konya'da sadece bisikletliler için tasarlanan tramvay yolculuğa başladı. (2020). Erişim Adresi: https://www.ntv.com.tr/galeri/seyahat/konyada-sadece-bisikletliler-icin-tasarlanan-tramvay-yolculuga-basladi,o2C70nJLvUm812BHRrCBtA/Ne04gVqc70yTU9R_tseSuA (Erişim Tarihi: 25.12.2023)
• Pan, Y., Zheng, R. C. Zhang, J., & Yao, X., (2019). Predicting bike sharing demand using recurrent neural networks. Procedia Computer Science, 147, 562-566. https://doi.org/10.1016/j.procs.2019.01.217
• Pucher, J. & Buehler, R. (2008). Cycling for everyone: lessons from Europe. Transportation Research Record, 2074(1), 58-65. https://doi.org/10.3141/2074-08
• Sathishkumar, V. E., Park, J., & Cho, Y. (2020). Using data mining techniques for bike sharing demand prediction in metropolitan city. Computer Communications, 153, 353-366. https://doi.org/10.1016/j.comcom.2020.02.007
• Sathishkumar, V. E. & Yongyun, C. (2020). A rule-based model for Seoul bike sharing demand prediction using weather data. European Journal of Remote Sensing, 53(sup1), 166-183. https://doi.org/10.1080/22797254.2020.1725789
• Sathishkumar, V. E. & Yongyun, C. (2024). Season wise bike sharing demand analysis using random forest algorithm. Computational Intelligence, 40(1), e12287. https://doi.org/10.1111/coin.12287
• Shaheen, S. A., Cohen, A. P., & Martin, E. W. (2013). Public bikesharing in North America: Early operator understanding and emerging trends. Transportation Research Record, 2387(1), 83-92. https://doi.org/10.3141/2387-10
• Shaheen, S. A., Guzman, S., & Zhang, H. (2010). Bikesharing in Europe, the Americas, and Asia: Past, present, and future, Transportation Research Record, 2143 (1), 159-167. https://doi.org/10.3141/2143-20
• Si, H., Shi, J.-g., Wu, G., Chen, J., & Zhao, X. (2019). Mapping the bike sharing research published from 2010 to 2018: A scientometric review. Journal of Cleaner Production, 213, 415-427. https://doi.org/10.1016/j.jclepro.2018.12.157
• Wang, B. & Kim, I. (2018). Short-term prediction for bike-sharing service using machine learning. Transportation Research Procedia, 34, 171-178. https://doi.org/10.1016/j.trpro.2018.11.029
• Xu, C., Ji, J., & Liu, P. (2018). The station-free sharing bike demand forecasting with a deep learning approach and large-scale datasets. Transportation Research Part C: Emerging Technologies, 95, 47-60. https://doi.org/10.1016/j.trc.2018.07.013
• Zhang, J., Meng, M., Koh, P. P., & Wong, Y. D. (2021). Life duration of bike sharing systems. Case Studies on Transport Policy, 9(2), 674-680. https://doi.org/10.1016/j.cstp.2021.03.005
• Zhao, J., Deng, W., & Song, Y. (2014). Ridership and effectiveness of bikesharing: The effects of urban features and system characteristics on daily use and turnover rate of public bikes in China. Transport Policy, 35, 253-264. https://doi.org/10.1016/j.tranpol.2014.06.008
• Zhao, N., Zhang, X., Banks, M. S., & Xiong, M. (2018). Bicycle sharing in China: Past, present, and future. SAIS 2018 Proceedings, 11.
• Zou, H. & Hastie, T. (2005). Regularization and variable selection via the elastic net. Journal of the Royal Statistical Society Series B: Statistical Methodology, 67(2), 301-320. https://doi.org/10.1111/j.1467-9868.2005.00503.x