SavedAdd your journal

Journals / Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi / 2022 / Cilt: 13 - Sayı: 3

Gerçek Hayat Verileriyle Makine Öğrenmesi Algoritmalarına Dayalı Otobüs Durak Süresi Tahmini

Kevser ŞAHİNBAŞ
Pages
421–428
Publication Date
2022-09-30
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)

Karşılaştırmalı çalışmalar, YSA'nın daha doğru tahmin sonuçları sağladığını ve bir duraktan diğer durağa geçme süresi dağılımındaki belirsizlikleri daha etkin bir şekilde tahmin etme eğiliminde olduğunu göstermektedir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Toplu taşıma sistemleri, gelişmekte olan ülkelerde ve nüfus yoğunluğunun yüksek olduğu bölgelerde büyük bir önem arz etmektedir.
📊
Key Findings & Data:Çalışma sırasında analiz edilen 522B hattı gidiş yönü verilerin tamamı gerçek verilerdir.
💡
Conclusion & Impact:Karşılaştırmalı çalışmalar, YSA'nın daha doğru tahmin sonuçları sağladığını ve bir duraktan diğer durağa geçme süresi dağılımındaki belirsizlikleri daha etkin bir şekilde tahmin etme eğiliminde olduğunu göstermektedir.
🔬Design:Lab & Field Experiment
📍Scope:2021 Verileri
⚙️Variables:tahmin · otobüs varış süresi · toplu taşıma

Özet

Toplu taşıma sistemleri, gelişmekte olan ülkelerde ve nüfus yoğunluğunun yüksek olduğu bölgelerde büyük bir önem arz etmektedir. Yüksek popülasyona sahip şehirlerde kent içi aktif ulaşım süreçlerinin ve buna yönelik ihtiyaçların giderek yoğunlaştığı gözlemlenmektedir. Bu gereksinimden doğan araç sayısı fazlalığı ve yoğun trafik, büyük bir zaman dilimini kapsayarak günlük yaşantımızın önemli bir parçası haline gelmiştir. Bu sebeple ulaşım sistemleri yönetimi, toplu taşımacılık planlaması, planlamaların sürekli revize halinde olması ve kontrolü, kalabalık kentlerdeki günlük hayat akışında en önemli ihtiyaçlardan biridir. Bu çalışma, karayolu toplu taşımada kilit nokta olan otobüs verilerine dayanmaktadır. Çalışmanın amacı, İstanbul’da belirli bir hatta yapılan seferlerin yolculuk süre verilerinin analizi, duraklar arası sürenin ve durağa varış saati verilerinin analiz edilmesi ve gelecek günlere yönelik tahmin yapılmasıdır. Çalışma sırasında analiz edilen 522B hattı gidiş yönü verilerin tamamı gerçek verilerdir. Bu güzergaha ait veri seti 2021 yılının Temmuz ve Ağustos ayları bazında incelenmiştir. Makine öğrenmesi algoritmalarından Yapay Sinir Ağları (YSA) ve Destek Vektör Regresyon (SVR) yöntemlerinin, çeşitli trafik koşulları altında tahminler gerçekleştirirken oldukça rekabetçi olduğu ortaya çıkmaktadır. Karşılaştırmalı çalışmalar, YSA'nın daha doğru tahmin sonuçları sağladığını ve bir duraktan diğer durağa geçme süresi dağılımındaki belirsizlikleri daha etkin bir şekilde tahmin etme eğiliminde olduğunu göstermektedir.

🔖

Cite This Article

ŞAHİNBAŞ, K. (2022). Gerçek Hayat Verileriyle Makine Öğrenmesi Algoritmalarına Dayalı Otobüs Durak Süresi Tahmini. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, Cilt: 13 - Sayı: 3, 421–428. https://ajindex.com/articles/858757

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (16)

  1. G. Temelcan, G. Sistem optimal bulanık trafik atama probleminin optimizasyonu, 2020
  2. B. T. Palamutçuoğlu, Şehir içi toplu taşıma planlamasında akıllı kart veri madenciliği ile sefer sıklığı optimizasyonu, 2020
  3. I.J. Chien, Y. Ding, Wei, C. “Dynamic bus arrival time prediction with artificial neural networks”, J. Transp. Eng., 128 (5), 429–438, 2002
  4. R. Jeong, R. Rilett, “Bus arrival time prediction using artificial neural network model”. In Proceedings. The 7th international IEEE conference on intelligent transportation systems (IEEE Cat. No. 04TH8749) (pp. 988-993). IEEE, 2004
  5. H. Liu, K. Zhang, R., He, J., Li, “A neural network model for travel time prediction”, in: Proc IEEE Conf Intell Comput Intell Syst (ICIS), Vol. 1, pp. 752–756, 2009
  6. M. Chen, X., Liu, J. Xia, S.I. Chien, A dynamic bus-arrival time prediction model based on APC data, Comput.-Aided Civ. Inf., 19 (5), 364–376, 2004
  7. Y. Lin, X. Yang, N. Zou & L. Jia. “Real-time bus arrival time prediction: case study for Jinan, China”. Journal of Transportation Engineering, 139(11), 1133-1140, 2013
  8. B. Yu, H. Wang, W. Shan, B. Yao,. Prediction of bus travel time using random forests based on near neighbors, Comput.-Aided Civ. Inf., 33 (4) (2018) 333–350, 2018
  9. B. Yu, Z. Yang, J. Lin. “Bus arrival time prediction using support vector machines”, J. Intell. Transp. S 10 (4), 151–158, 2006
  10. D. S. Huang. The Study of Data Mining Methods for Gene Expression Profiles, 2009
  11. C. Bai, Z. Peng, Q. Lu, J. Sun. “Dynamic bus travel time prediction models on road with multiple bus routes”, Comput. Intell. Neurosci. (432389), 2015
  12. J. Patnaik, S. Chien, Bladikas, A. “Estimation of bus arrival times using APC data”, J. Public Transp, 7 (1), 1–20, 2004
  13. Y. Zhou, L. Yao, Y. Chen, Y. Gong, J. Lai. “Bus arrival time calculation model based on smart card data”, J. Comput. 74 (8), 1634–1638, 2017
  14. B Yu, Z. Z., Yang, K. Chen,, B. Yu,” Hybrid model for prediction of bus arrival times at next station”, J. Adv. Transp. 44 (3), 193–204, 2010
  15. S Zhong, J. Hu, S. Ke, X. Wang, J. Zhao, B. Yao, (2015). “A hybrid model based on support vector machine for bus travel-time prediction”, Promet - Traffic – Traffico, 27 (4), 291–300, 2015
  16. J. Pang, J. Huang, Y. Du, H. Yu, Q. Huang, & B. Yin,.”Learning to predict bus arrival time from heterogeneous measurements via recurrent neural network”. IEEE Transactions on Intelligent Transportation Systems, 20(9), 3283-3293, 20