Journals / Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi / 2020 / Cilt: 11 - Sayı: 2

Optimum taşıt sayısının belirlenmesinde yapay sinir ağları ile çok değişkenli regresyon tekniklerinin karşılaştırılması

Pages
771–782
Publication Date
2020-06-15
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Purequadratic regresyon yöntemi kullanılarak oluşturulan model yapay sinir ağları ve çok değişkenli lineer regresyon modeline göre daha iyi sonuç vermektedir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Toplu taşıma faaliyetinde bulunan işleticilerin, verimli ve sürdürülebilir bir yapıda olması için toplu taşıma taşıt sayısının optimum düzeyde olması gerekmektedir.
📊
Key Findings & Data:Bu amaçla 6 adet bağımsız değişken kullanılmaktadır.
💡
Conclusion & Impact:Purequadratic regresyon yöntemi kullanılarak oluşturulan model yapay sinir ağları ve çok değişkenli lineer regresyon modeline göre daha iyi sonuç vermektedir.
🔬Design:Modeling & Simulation
📍Scope:6 adet
⚙️Variables:Toplu taşıma · Optimum taşıt sayısı · Yapay sinir ağları

Özet

Toplu taşıma faaliyetinde bulunan işleticilerin, verimli ve sürdürülebilir bir yapıda olması için toplu taşıma taşıt sayısının optimum düzeyde olması gerekmektedir. Bu çalışmada, yapay zeka tekniklerinden olan yapay sinir ağları kullanılarak toplu taşımacılık güzergahlarında kullanılacak optimum taşıt sayısı tahmin edilmektedir. Bu amaçla 6 adet bağımsız değişken kullanılmaktadır. Bu bağımsız değişkenler; mevcut taşıt sayısı, tur sayısı, hat uzunluğu, taşıtların günlük yaptığı toplam kilometre, günlük taşınan yolcu sayısı ve kilometre başına yolcu sayısıdır. Bağımlı değişkenimiz, optimizasyon sonrası taşıt sayısı olmak üzere bir tanedir. 16 ayrı hattan alınan verilerle, bu değişkenlerden oluşan veri seti meydana getirilmektedir. Levenberg-Marquardt eğitim algoritması, tek bir gizli katmana ve tansig transfer fonksiyonuna sahip on nörona uygulanmaktadır. Bu model en iyi sonuçları vermektedir. Bu sonuçlara göre, en iyi yapay sinir ağları modelinin korelasyonu 0,92, yüzde hataların ortalaması %27,25 ve hataların karelerinin ortalaması 25,91 değerlerine sahip olmaktadır. Yapay sinir ağları modelinin istatistiksel metotlarla karşılaştırılması amacıyla çok değişkenli lineer regresyon modelleri oluşturulmaktadır. Bu amaçla lineer ve purequadratic regresyon çeşitleri kullanılmaktadır. Çok değişkenli lineer regresyon yöntemlerinin modellerinde, aynı bağımlı ve bağımsız değişkenler yer almaktadır. Regresyon analizleri sonucunda lineer regresyon modelinin korelasyonu 0,97, yüzde hataların ortalaması % 24,45 ve hataların karelerinin ortalaması 4,14 çıkmaktadır. Purequadratic regresyon modelinde ise korelasyon 0,99, yüzde hataların ortalaması %7,32 ve hataların kareleri ortalaması değeri 0,08 olarak hesaplanmaktadır. Purequadratic regresyon yöntemi kullanılarak oluşturulan model yapay sinir ağları ve çok değişkenli lineer regresyon modeline göre daha iyi sonuç vermektedir.

🔖

Cite This Article

CANSIZ, Ö. F., ÖZTEKİN, N., ERGİNER, İ. (2020). Optimum taşıt sayısının belirlenmesinde yapay sinir ağları ile çok değişkenli regresyon tekniklerinin karşılaştırılması. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, Cilt: 11 - Sayı: 2, 771–782. https://ajindex.com/articles/655900

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (6)

  1. Bora, A.Y., ‘Kent içi otobüs taşımacılığında talep tahmini’, Eylül 2009, 70 sayfa Cansız, Ö.F., Çalışıcı, M., Miroğlu, M.M., ‘Use of artificial neural network to esti mate number of persons fatally injured in motor vehicle accidents’, World Scientific and Engineering Academy and Society (WSEAS), Proceedings of the 3rd International Conference on Applied Mathematics, Simulation, Modelling, Circuits, Systems and Signals, sayfa:136-142 (2009/12/29) Cansiz, O. F. (2011). Improvements in estimating a fatal accidents model formed byan artificial neural network. Simulation, 87(6), 512-522.
  2. Cansız, Ö.F., Easa, S.M., ‘International Journal of Engineering and Applied Sciences 7:1 2011’
  3. Cansız, Ö.F., Askar, D.D., ‘International Journal of Advanced Engineering Research and Science (IJAERS) [Vol-5, Issue-6, Jun- 2018]’ https://dx.doi.org/10.22161/ijaers.5.6.10 ISSN: 2349-6495(P) | 2456-1908(O) Cansız, Ö.F., Polat, M.İ., ‘International Journal of Advanced Engineering Research and Science (IJAERS) [Vol-5, Issue-5, May- 2018]’ https://dx.doi.org/10.22161/ijaers.5.5.13 ISSN: 2349-6495(P) | 2456-1908(O), Demirci, M.,Üneş, F., Bahadırlı, Z. M., Taşar, B., Varçin, H., & Kaya, Y. Z. Determination of Groundwater Level Fluctuations by Artificial Neural Networks. Doğan, G., & Özuysal, M. (2017). Toplu ulaşımda bekleme süresini etkileyen faktörlerin incelenmesi: güvenilirlik, yolcu bilgilendirme sistemi ve fiziksel koşullar. İMO Teknik Dergi, 28(3), 7927-7954.
  4. Kalpakçı, A., (2013). ‘Ara toplu taşım sistemlerinin şehir içi otobüs sistemleri ile entegrasyou, İzmir Örneği’Temmuz 2013, 171 sayfa Tolon, M., Tosunoğlu, N.G., ‘Tüketici tatmin verilerinin analizi’, Gazi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi 10 / 2 (2008). 247-259
  5. Üneş, F., Demirci, M., & Kişi, Ö. (2015). Prediction of millers ferry dam reservoir level in usa using artificial neural network. Periodica Polytechnica Civil Engineering, 59(3), 309-318.
  6. Üneş, F., & Demirci, M.Taşar, B., Kaya, Y. Z., Varçin, H., Üneş, F., & Demirci, M. (2017). Forecasting of suspended sediment in rivers using artificial neural networks approach. International Journal of Advanced Engineering Research and Science, 4(12).