SONUÇLAR VE DEĞERLENDİRME

Çalışmada Deniz İşletmeleri, İETT, ÖHO, TCDD’ye ait banliyö hatları ve Ulaşım AŞ’ye ait verilerin yapay sinir ağları ve doğrusal regresyonla elde edilen modelleme sonuçlarına ait korelasyon değerleri ve ortalama kare hataları hesaplanmış, sonuçlar Tablo 6.1 ve Tablo 6.2’de verilmiştir.

Tablolardan da anlaşılabileceği üzere YSA algoritmaları doğrusal regresyona göre daha iyi sonuçlar vermektedir. Doğrusal regresyonla seriyi tahmin için ait bir eğri elde edilirken; YSA ile seriyi temsil eden, minimum ve maksimumlarını büyük ölçüde yakalayabilen yeni bir seri elde edilmektedir.

Yapılan çalışmalar sonrasında en iyi sonuçlar tarihlendirilmiş veriler ile İBGYYSA ile modellemeyle elde edilmiştir. Tarihlendirilmiş ve tatil günleri belirtilmiş verilerle modelleme çoğu zaman tarihlendirilmiş veriler ile modellemeye yakın, bazen de aynı sonuçları vermiştir. Buna sebep olarak 2005 yılı içindeki haftaiçi tatil günlerinin sayısının ihmal edilebilecek derecede az olması gösterilebilir.

Çalışmadan çıkartılabilecek diğer bir sonuç ise İBGYYSA’nın az sayıda veri ile GRYSA ve RTYSA’na göre daha iyi sonuçlar verdiğidir.

Verdiği iyi sonuçların yanı sıra, simülasyonlar sırasında İBGYYSA negatif sonuçlar verebilmektedir. Ayrıca modelin yapısı gereği rastgele atanan ağırlık değerleri sebebiyle İBGYYSA’la iyi sonuç alabilmek için programın pek çok defa çalıştırılması gerekmiştir. GRYSA ve RTYSA ile en iyi simülasyon sonucu ortalama 7 deneme ile elde edilirken, İBGYYSA ile 20 deneme ile sonuca ulaşılmıştır.

Deniz İşletmelerine ait yolculuk talebinin değişiminde o güne ait hava şartlarının önemi diğer türlere göre daha fazla olduğundan, Şekil 4.1’den de anlaşılabileceği gibi hafta içi günler de bile günlük yolculuklar arasında büyük farklılıklar olduğu görülmektedir. Modelleme sonuçları da bunu desteklemektedir.

Tablo 6.1 Modelleme sonuçlarına ait R2 değerleri

Zaman Serileri ile Modelleme

Haftaiçi Verilerini Zaman Serileri ile Modelleme

Tarihlendirilmiş Veriler ile Modelleme

Tarihlendirilmiş, Tatil Günleri Belirtilmiş Veriler ile

Modelleme

R2

İBGYYSA RTYSA GRYSA İBGYYSA RTYSA GRYSA İBGYYSA RTYSA GRYSA İBGYYSA RTYSA GRYSA

Doğrusal Regresyon İle Modelleme Deniz İşl. 0.40 0.50 0.52 0.16 0.22 0.07 0.79 0.58 0.65 0.71 0.58 0.62 0.62 İETT 0.58 0.57 0.68 0.62 0.56 0.75 0.89 0.72 0.72 0.89 0.72 0.87 0.40 ÖHO 0.66 0.51 0.42 0.77 0.63 0.69 0.86 0.66 0.66 0.86 0.66 0.86 0.31 TCDD 0.081 0.05 0.12 0.16 0.19 0.22 0.86 0.47 0.47 0.86 0.79 0.82 0.16 Ulaşım AŞ 0.56 0.37 0.56 0.37 0.29 0.26 0.88 0.62 0.61 0.88 0.62 0.83 0.17

Tablo 6.2 Modelleme sonuçlarına ait ortalama kare hataları değerleri

Zaman Serileri ile

Modelleme Haftaiçi Verilerini Zaman Serileri ile Modelleme Tarihlendirilmiş Veriler ile Modelleme

Tarihlendirilmiş, Tatil Günleri Belirtilmiş Veriler ile

Modelleme OKH

İBGYYSA RTYSA GRYSA İBGYYSA RTYSA GRYSA İBGYYSA RTYSA GRYSA İBGYYSA RTYSA GRYSA

Doğrusal Regresyon İle Modelleme Deniz İşl. 27768 30155 26241 20776 23279 23343 20991 46251 22566 21519 30155 23993 598655553,7 İETT 202287 228848 206771 126407 143692 149882 89495 148643 148643 89495 184862 199642 70888783547 ÖHO 45073 74928 57185 39586 50874 56350 34431 43109 43109 34431 43109 40524 2123889973 TCDD 14821 14425 14842 9796 8898 8530 5382 12039 12039 5382 12039 25338 145807212,9 Ulaşım AŞ 56746 198160 59477 45782 55425 57624 42616 68645 68645 42616 68645 55803 5928331648

ÖHO verilerinde haftaiçi yolculuklar ve haftasonu yolculuklar arasındaki farkın, aylık akbil kullanımının olmaması ve genellikle uzun mesafeli hatlarda çalışıyor olmaları nedeniyle az olması sonucunda, bütün modellemelerde birbirine yakın sonuçlar vermesine yol açtığı görülmüştür.

TCDD yolculuklarında diğer verilerde olduğu gibi periodik bir düzenin olmadığı, bu nedenle özellikle zaman serileriyle modelleme de başarısız sonuçlar verdiği görülmüştür.

Ulaşım AŞ verilerinde yıl boyunca birbirine yakın yolculuk değerleri ve yoğun akbil kullanımı nedeniyle bütün modellemelerde başarılı sayılabilecek sonuçlar vermiştir. Tez çalışmasıyla elde edilen modelleme sonuçlarının toplu taşıma yolculuk taleplerinin kısa süreli tahmininde başarılı sayılabilecek sonuçlar verdiği gözlemlenmiştir.

Modellemelerden elde edilen serilerin gözlenen değerlerle uyumu incelendiğinde modelleme sonuçlarının, gözlenen değerleri iyi ifade ettiği görülmüştür.

Elde edilen modeller toplu taşıma işletmeleri tarafından filo yönetimi, kısa vadeli yatırım planlaması ve bütçe yönetimi gibi çeşitli alanlarda kullanılabilecek niteliktedir.

Bütün ulaşım sistemlerine ait filoların günlük, haftalık, aylık ve mevsimlik taleplerinin belirlenmesi olası hale gelmiştir. Böylece işletmeci filo yönetimini model yardımıyla kolaylıkla gerçekteştirebilecek ve ileriye yönelik tahmin yapabilme şansını elde edebilecektir.

KAYNAKLAR

[1] İ.B.B. , 2002. İstanbul 1. Kentiçi Ulaşım Şurası – Rapor, İ.B.B. Yayını, İstanbul [2] İstanbul Büyükşehir Belediye Başkanlığı, Planlama Ve İmar Daire Başkanlığı,

Şehir Planlama Müdürlüğü, 2003. “İstanbul Metropoliten Alan Bütünü Nüfus Donatı Dağılımının İncelenmesi Ve Öneri Donatılara İlişkin Analitik Etüd İşi, Kentsel Ulaşım Raporu”, s.24 – 25

[3] İstanbul Ulaşım San. Ve Ticaret A.Ş., 2004. İşletme Faaliyet Raporu [4] http://www.ido.gov.tr

[5] Saaty, T.L., 1995. Transportation Planning With Multiple Criteria – The Analytic Hierarchy Process Applications and Progress Review, Journal of Advanced Transportation, 29, Issue 1, 81-126.

[6] Gercek, H. , Karpak, B., Kilincaslan, T., 2004. A Multiple Criteria approach for the evaluation of the rail transit networks in Istanbul, Transportation, 31, Issue 2, 203-228.

[7] Kattan, L., Abdulhai, B., 2006. Noniterative approach to dynamic origin- destination estimation with parallel evollutionary algorithms, Network Modelling 2006: Transportation Research Record, Issue 1964, 201- 210.

[8] Ozuysal, M., Tanyel, S., 2008. Induced Travel Demand In Developing Countries: Study On State Highways In Turkey, Journal Of Urban Planning And Development-ASCE, 134, Issue 2, 78-87.

[9] Painker, K., Jessup, E., Gossard, M.H., Casavant, K., 2007. Demand Forecasting For Rural Transit – Models Applied to Washington State, Transportation Research Record, Issue 1997, 35-40.

[10] Wardman, M., 2004. Demand For Rail Travel And The Effects Of External Factors, Transportation Research Part E: Logistics And Transportation Rewiew, 42, Issue 3, 129-148.

[11] Dougherty, M.S.,1995. A review of neural networks applied to transport, Transp. Res., Part C Emerg. Technol. 3, 247–260.

[12] Smith, B.L. and Demetsky, M.J.,1994. Short-term traffic flow prediction: Neural network approach, Transp. Res. Rec. 1453, 98–104.

[13] Dougherty, M. and Cobbett, M., 1997. Short-term inter-urban traffic forecasts using neural networks, Int. J. Forecast. 13, 21–31.

[14] Yun, S.Y., Namkoong, S., Rho, J.H., Shin, S.W. and Choi, J.U., 1998. A performance evaluation of neural network models in traffic volume forecasting, Math. Comput. Modelling 27, 293–310.

[15] Yasdi, R., 1999. Prediction of road traffic using a neural network approach, Neural Comput. Appl. 8, 135–142.

[16] Zhang, H., Ritchie, S.G. and Lo, Z.P.,1997. Macroscopic modeling of freeway traffic using an artificial neural network, Transp. Res. Rec. 1588, 110– 119.

[17] Chen, H. and Muller, S.G., 2001. Use of sequential learning for short-term traffic flow forecasting, Transp. Res., Part C Emerg. Technol. 9, 319– 336.

[18] Ishak, S., Kotha, P., 2002. Optimization of dynamic neural network performance for short-term traffic predictions, 81st Annual Meeting of Transportation Research Board, Washington DC.

[19] Messai, N., Thomas, P., Lefebvre, D. and El Moudni, A., 2002. Optimal neural networks architectures for the flow-density relationships of traffic models, Math. Comput. Simul. 60, 401–409.

[20] Celikoglu, H.B., Cigizoglu, H.K., 2007. Modelling public transport trips by radial basis function neural networks, Mathematical and Computer Modelling, 45, Issues 3-4, 480-489.

[21] Celikoglu, H.B., Cigizoglu, H.K., 2007. Public transportation trip flow modeling with generalized regression neural networks, Advances in Engineering Software, 38, Issues 2, 71-79.

[22] Teodorovic, D., Vukadionovic, K., 1998. Traffic Control and Transportation Planning: A Fuzzy Sets and Neural Networks Approach, Kluwer Academic Publishers, Boston/Dordrecht/London.

[23] Eberhart, R.C. and Dobbins, R.W., 1990. Neural Network PC tools: A practical Guide. Academic Press, San Diego, 414

[25] Sürel, A., 2005. Genelleştirilmiş Regresyon Yapay Sinir Ağının Su Kaynakları Mühendisliğinde Kullanımı, Yüksek Lisans Tezi, İ.T.Ü. Fen Bilimleri Enstitüsü, İstanbul.

ÖZGEÇMİŞ

Sabahat Topuz, 03.08.1983 tarihinde İstanbul’da doğdu. Orta ve lise öğrenimini gördüğü İstanbul Köy Hizmetleri Anadolu Lisesini 2001 yılında tamamlayarak aynı yıl Yıldız Teknik Üniversitesi İnşaat Mühendisliği bölümüne girdi. 2005 yılında İnşaat Mühendisi olarak mezun olup İstanbul Teknik Üniversitesi Ulaştırma Anabilim Dalı’nda yüksek lisan eğitimine başladı. 2005 yılından beri aynı anabilim dalında araştırma görevlisi olarak çalışmaktadır.