Deep learning-based public transport demand forecasting
Derin öğrenme teknikleri ile toplu taşıma talep tahmini
- Tez No: 1016782
- Danışmanlar: DR. ÖĞR. ÜYESİ ŞAZİYE BETÜL ÖZATEŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Veri Bilimi ve Yapay Zeka Enstitüsü
- Ana Bilim Dalı: Veri Bilimi ve Yapay Zeka Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Şehirler giderek daha kalabalık hale geldikçe, verimli toplu taşıma sistemleri daha da önemli hale gelmektedir. Toplu taşımanın dijitalleşmesi büyük miktarda veri üretmekte- dir. Bu veriler, veri odaklı optimizasyon için yeni fırsatlar sunmaktadır. Bu tür verilerin en önemli kullanım alanlarından biri, etkili planlama ve kaynak tahsisi açısından kritik öneme sahip olan talep tahminidir. Ancak geleneksel yöntemler, kentsel ulaşım veri- lerinin karmaşıklığını ele almakta yetersiz kalmaktadır. Bu nedenle, son araştırmalar karmaşık zamansal ve mekânsal örüntüleri yakalayarak daha yüksek doğruluk sağlayan derin öğrenme modellerine odaklanmıştır. Bu tez çalışması, azaltılmış karmaşıklıkla metro yolcu talebi tahmini için tasarlanmış ve PatchTST'nin hafifletilmiş bir varyantı olan Mini-PatchTST'yi tanıtmaktadır. Bu çalışmayı desteklemek amacıyla, İstanbul Büyükşehir Belediyesi'nin açık verileri kul- lanılarak istasyon bazında saatlik metro yolcu akışını içeren yeni bir veri seti oluşturul- muştur. Önerilen yaklaşım; geleneksel istatistiksel yöntemler, makine öğrenmesi model- leri (LightGBM, XGBoost) ve derin öğrenme tabanlı yöntemler (LSTM, PatchTST) ile karşılaştırılmıştır. İstanbul Metro Veri Seti üzerinde elde edilen deneysel sonuçlar, Mini-PatchTST'nin yak- laşık %5–13 oranında RMSE azalımı ve benzer MAE değerleri elde ederek gradient- boosting modellerini geride bıraktığını göstermektedir. Model, %23.42 MAPE değeri ile PatchTST'ye (%33.89) kıyasla belirgin bir iyileşme sunmakta, ancak ağaç tabanlı modellere (%15–16) göre bir miktar daha yüksek yüzde hataya sahiptir. PatchTST mimarisiyle karşılaştırıldığında Mini-PatchTST, RMSE'de yaklaşık %4, MAE'de %10 ve MAPE'de yaklaşık %31 oranında iyileşme sağlamaktadır. LSTM modeli en düşük RMSE ve MAE değerlerine ulaşsa da daha yüksek MAPE değeri ve belirgin şekilde uzun eğitim süresi, Mini-PatchTST'nin doğruluk–verimlilik dengesi açısından daha avanta- jlı olduğunu göstermektedir.Modelin genelleme yeteneğini değerlendirmek amacıyla açık kaynaklı Hangzhou Metro veri seti üzerinde ek deneyler gerçekleştirilmiş; bu deneylerde Mini-PatchTST, önceki çalışmalarda kullanılan modellere kıyasla anlamlı performans artışları elde etmiştir. Elde edilen bulgular, Mini-PatchTST modelinin kısa dönemli toplu taşıma talep tahmini için sağlam ve hesaplama açısından verimli bir çözüm sun- duğunu göstermektedir.
Özet (Çeviri)
As cities grow more crowded, efficient public transport systems become more essential. The digitalization of public transport generates large amounts of data. This data creates new opportunities for data-driven optimization. One key application of such data is demand forecasting, which is essential for effective planning and resource allocation. However, traditional methods struggle to handle the complexity of urban transit data. As a result, recent research has focused on deep learning models which achieve higher accuracy by capturing complex temporal and spatial patterns. This thesis introduces Mini-PatchTST, a lightweight variant of PatchTST, designed for metro passenger demand forecasting with reduced complexity. To support this work, a novel station-level hourly metro passenger flow dataset was constructed using open data from the Istanbul Metropolitan Municipality. The proposed approach is bench- marked against traditional statistical methods, machine learning models such as sta- tistical methods, machine learning models (LightGBM, XGBoost), and deep learning baselines (LSTM, PatchTST). Experimental results on the Istanbul Metro dataset show that Mini-PatchTST outper- forms gradient-boosting models with a 5–13% RMSE reduction while maintaining com- parable MAE. It achieves a MAPE of 23.42%, substantially improving upon PatchTST (33.89%) though remaining slightly higher than tree-based models (15–16%). Compared to the original PatchTST, Mini-PatchTST reduces RMSE by 4%, MAE by 10%, and MAPE by nearly 31%. Although LSTM attains the lowest RMSE and MAE, its higher MAPE and significantly longer training time highlight the superior efficiency–accuracy trade-off of Mini-PatchTST. To assess generalization capability, the model is further evaluated on the open-source Hangzhou Metro dataset, where it yields substantial im- provements over models used in prior studies. The findings indicate that Mini-PatchTST provides a robust, and computationally efficient solution for short-term public transport demand forecasting.
Benzer Tezler
- Derin öğrenme teknikleri kullanılarak raylı sistemler için günlük seyahat talebi tahmin modeli geliştirilmesi
Development of a daily passenger demand prediction model for rail systems using deep learning techniques
HALİL UĞUR ERCAN
Yüksek Lisans
Türkçe
2023
UlaşımEge Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. YALÇIN ALVER
- Dondurularak saklamanın tavuk etinin bazı kalite özellikleri üzerine etkisi
Başlık çevirisi yok
Ö.EVREN ATASOY
Yüksek Lisans
Türkçe
1987
Gıda MühendisliğiEge ÜniversitesiGıda Mühendisliği Ana Bilim Dalı
DR. SUMRU TÖMEK
- Finite element investigation of beams of variable cross section
Başlık çevirisi yok
CAN BALKAYA
Yüksek Lisans
İngilizce
1987
İnşaat MühendisliğiOrta Doğu Teknik ÜniversitesiPROF. DR. ERGİN ÇITIPITIOĞLU
- Uygun sulama yönteminin seçimine ekonomik faktörlerin etkisi
Effect of economical factors on the selection of irrigation methods
YASEMİN ALTINORAK
Yüksek Lisans
Türkçe
1987
ZiraatAnkara ÜniversitesiKültürteknik Ana Bilim Dalı
YRD. DOÇ. DR. OSMAN YILDIRIM