Seyahat Süresi Değişkenliğinin ve Güvenilirliğinin İstatistiksel Analizi

Yıl 2020, , 445 - 454, 26.08.2020

Sibel Sertok , Berk Anbaroğlu , Özgür Yeniay

https://doi.org/10.19113/sdufenbed.703277

Öz

Şehir içi ulaşım ağlarında bir noktadan başka bir noktaya yapılan yolculukların seyahat sürelerinin istatistiksel olarak modellenmesi ve bunların güvenirliğinin analiz edilmesi büyük önem arz etmektedir. Gerçekleştirilen kimi çalışmalarda seyahat süresini modellemek için normal dağılım gibi teorik olarak uygun olmayan dağılımlar tercih edilmiştir. Bunun yanında birçok çalışma haftanın günleri hafta içi ve hafta sonu olmak üzere iki farklı sınıfta değerlendirmektedir. Gelişen sensör teknolojileri ile elde edilen büyük ulaşım verisi üzerinden seyahat sürelerinin istatiksel dağılımı ve güvenirliği gibi şehir hayatına etki eden faktörler analiz edilebilmektedir. Bu çalışmada New York şehrine ait açık ulaşım verisi analiz edilerek, birçok çalışmanın varsaydığı hafta içi-hafta sonu ayrımının gerçekçi olmayabileceği ve bir gün içindeki farklı zaman dilimlerinde istatistiksel sonuçların farklı çıkabileceği tespit edilmiştir. John F. Kennedy ve LaGuardia havalimanları arasında 07:00-19:00 arasında gerçekleşen taksi yolculuklarının seyahat süresi değişkenliği ve dağılımları incelendiğinde, seyahat sürelerinin Log-Lojistik (3P) dağılımına uyduğu tespit edilmiştir. Bu dağılım Salı ve Çarşamba günleri baskın dağılım değildir ve bu günlerde seyahat süresi güvenilirliğinin düşük olduğu zaman dilimlerinin bulunduğu tespit edilmiştir.

Anahtar Kelimeler

Büyük veri, Seyahat süresi dağılımı, Seyahat süresi güvenilirliği, Veri tabanı yönetim sistemleri

Destekleyen Kurum

TÜBİTAK

Proje Numarası

118Y282

Teşekkür

Bu çalışma TÜBİTAK 118Y282 numaralı proje tarafından desteklenmiştir.

Analysis of Travel Time Variability and Reliability in Big Taxi Data

Öz

Many cities are dealing with traffic problems. One of emerging of these problems is that travel times are longer than estimated values. Variability in travel times leads to disruptions in supply chain and delayed passengers, amongst others. Variability of travel time is a phenomenon dependent on time and space. Determining this variability is important for transportation planning in traffic-intensive times and regions. Such a quest requires big geospatial data. The taxi dataset of New York City has been openly distributed since 2009, which describes each taxi trip with attributes such as the pickup and dropoff location and time, total cost of the trip and number of passengers. The aim of this article is to determine the travel time variability and distributions between John F. Kennedy and LaGuardia airports using the openly available taxi dataset involving approximately 140 million trips that occurred in 2015. The journeys, which take place every day of the week and between 07:00 and 19:00, are analyzed at 15 minute intervals. Log-Normal, Log-Normal (3P), Log-Logistics, Log-Logistics (3P), Weibull, Gamma and Burr distributions were examined. 95% of travel time, buffer time index and planned time index were used as the travel time reliability measurements. According to the results obtained, travel times are consistent with Log-Logistics (3P) distribution. This distribution is not the dominant distribution on Tuesdays and Wednesdays and it has been found that there are times when travel time reliability is low.

Anahtar Kelimeler

Big data, Travel time distribution, Travel time reliability, Database management systems

Proje Numarası

118Y282

Kaynakça

• [1] Taylor, M. A. P. 1982. Travel Time Variability-The Case of Two Public Modes. Transportation Science, 16, 507–521.
• [2] Mazloumi, E., Currie, G., Rose, G. 2010. Using GPS Data to Gain Insight into Public Transport Travel Time Variability. Journal of Transportation Engineering, 136, 623–631.
• [3] Kieu, L.-M., Bhaskar, A., Chung, E. 2015. Public Transport Travel-Time Variability Definitions and Monitoring. Journal of Transportation Engineering, 141, 04014068.
• [4] Chen, P., Tong, R., Lu, G., Wang, Y. 2018. Exploring Travel Time Distribution and Variability Patterns Using Probe Vehicle Data: Case Study in Beijing. Journal of Advanced Transportation. 1–13.
• [5] Singh, V. P., Guo, H., Yu, F. X. 1993. Parameter estimation for 3-parameter log-logistic distribution (LLD3) by Pome. Stochastic Hydrology and Hydraulics, 7, 163–177.
• [6] Durán-Hormazábal, E., Tirachini, A. 2016. Estimation of travel time variability for cars, buses, metro and door-to-door public transport trips in Santiago, Chile. Research in Transportation Economics, 59, 26–39.
• [7] Taylor, M. A. P., Susilawati. 2012. Modelling Travel Time Reliability with the Burr Distribution. Procedia- Social and Behavioral Sciences, 54, 75–83.
• [8] Özuysal, M., Çalışkanelli, S. P., Tanyel, S. 2016. A discussion on the dwell time values at bus stops. Pamukkale University Journal of Engineering Sciences, 22, 460–467.
• [9] Yazici, M. A., Kamga, C., Mouskos, K. C. 2012. Analysis of Travel Time Reliability in New York City Based on Day-of-Week and Time-of-Day Periods. Transportation Research Record: Journal of the Transportation Research Board, 2308, 83–95.
• [10] Higatani, A., Kitazawa, T., Tanabe, J., Suga, Y., Sekhar, R., Asakura, Y. 2009. Empirical Analysis of Travel Time Reliability Measures in Hanshin Expressway Network. Journal of Intelligent Transportation Systems, 13, 28–38.
• [11] Pu, W. 2011. Analytic Relationships between Travel Time Reliability Measures. Transportation Research Record: Journal of the Transportation Research Board, 2254, 122–130.
• [12] Van Lint, J. W. C., Van Zuylen, H. J., Tu, H. 2008. Travel time unreliability on freeways: Why measures based on variance tell only half the story. Transportation Research Part A: Policy and Practice, 42, 258–277.
• [13] Hochmair, H. H. 2016. Spatiotemporal Pattern Analysis of Taxi Trips in New York City. Transportation Research Record: Journal of the Transportation Research Board, 2542, 45–56. [14] Demir, E., Saatçioğlu, Ö., İmrol, F. 2016. Uluslararası Dergilerde Yayımlanan Eğitim Araştırmalarının Normallik Varsayımları Açısından İncelenmesi, 19s.
• [15] Fowlkes, E. B., Srivastava, V. K., Giles, D. E. A., Walker-Smith, M., Basford, K. E. Lognormal Distributions, 408s.
• [16] Lima, S. R., Cordeiro, G. M., Lima, S. R., Cordeiro, G. M. 2017. The Extended Log-Logistic Distribution: Properties and Application. Anais da Academia Brasileira de Ciências, 89, 3–17.
• [17] Lai, C.-D., Murthy, D. N., Xie, M. 2006. Weibull Distributions and Their Applications. In Springer Handbook of Engineering Statistics, ed. Pham, H., pp 63–78. Springer London, London. doi:10.1007/978-1-84628-288-1_3.
• [18] Demirci Biçer, H., Biçer, C. 2017. Gamma ve Weibull Dağılımları Arasında Kullback-Leibler Uzaklığına Dayalı Ayrım. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 17, 500-505.
• [19] Mert, İ., Karakuş, C. Burr Dağılımı Kullanılarak Rüzgâr Enerjisi Potansiyeli Tahmini, 8s.
• [20] Das, J., Nath, D. 2016. Burr Distribution as an Actuarial Risk Model and the Computation of Some of Its Actuarial Quantities Related to the Probability of Ruin. Journal of Mathematical Finance, 6, 213–231.
• [21] About TLC- TLC. Available from https://www1.nyc.gov/site/tlc/about/tlc-trip-record-data.page (Erişim Tarihi: 30.05.2020).