AI Summary & Key Takeaways
AI InsightTaking the mean of eror squares (MSE) and coefficient of determination (R^2), performance criteria, the most appropriate estimate was obtained with ANN: It’s concluded that ANN can be used as a resource in demand forecasting.
📌 3 Key Takeaways
Abstract
Today, the share of railways in passenger transportation is increasing. Appropriate planning is required to meet passenger demand. The creation of plans to meet the capacity will both meet the demand and ensure that appropriate decisions are made in investments. In the study, it’s aimed to estimate the number of rail passenger using variables that affect rail passenger transport. Two different models were created with Multivariate Regression (MR) analysis and Artificial Neural Networks (ANN) to determine passenger demand. Estimation values were determined in two models. Taking the mean of eror squares (MSE) and coefficient of determination (R^2), performance criteria, the most appropriate estimate was obtained with ANN: It’s concluded that ANN can be used as a resource in demand forecasting.
Özet
Günümüzde yolcu taşımacılığında demiryollarının payı giderek artmaktadır. Yolcu talebinin karşılanması için uygun planlamaların belirlenmesi gereklidir. Kapasiteyi karşılayacak planlamaların oluşturulması hem talebi karşılayacak hem de yatırımlarda uygun kararların alınmasını sağlayacaktır. Bu çalışmada, demiryolu yolcu taşımacılığı üzerinde etkili olan değişkenler kullanılarak demiryolu yolcu sayısının tahmin edilmesi amaçlanmıştır. Yolcu talebinin belirlenmesi için Çok Değişkenli Regresyon (ÇDR) analizi ve Yapay Sinir Ağları (YSA) ile iki farklı model oluşturulmuştur. İki model içinde tahmin değerleri belirlenmiştir. Hata kareleri ortalaması (MSE) ve belirleme katsayısı (R^2), performans kriterlerini, dikkate alarak en uygun tahmin YSA ile elde edilmiştir. Talep tahmininde YSA kaynak olarak kullanılabileceği görüşüne varılmıştır.