İstanbul'da toplu taşıma araçlarının varış ve kalkış saatlerinin topluluk algoritması kullanılarak tahmin edilmesi
Estimating arrival and departure times of public transportation in İstanbul using ensemble algorithm
- Tez No: 993045
- Danışmanlar: PROF. DR. MUHAMMET GÜL
- Tez Türü: Yüksek Lisans
- Konular: Ulaşım, Transportation
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Akıllı Ulaşım Sistemleri Ana Bilim Dalı
- Bilim Dalı: Akıllı Ulaşım Sistemleri Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışma, önemli trafik sıkışıklığı ve çevresel endişelerle karşı karşıya olan hızla büyüyen bir metropol olan İstanbul'da toplu taşıma için varış ve kalkış saatlerini doğru bir şekilde tahmin etme gibi kritik bir zorluğa değinmektedir. Verimli toplu taşıma sistemleri, kentsel hareketliliği iyileştirmek, sera gazı emisyonlarını azaltmak ve yolcu memnuniyetini artırmak için olmazsa olmazdır. Otobüs seyahat sürelerinin güvenilir tahminleri, yolcu bekleme sürelerini en aza indirebilir ve genel sistem verimliliğini artırabilir. Araştırma, İstanbul Büyükşehir Belediyesi'nin Açık Veri Portalı tarafından sağlanan gerçek dünya verilerini kullanarak İstanbul'un en yoğun otobüs koridorlarından biri olan 500T güzergahına odaklanmaktadır. Seyahat süresi dağılımlarını anlamak ve aykırı değerleri belirlemek için histogram, saçılım grafikleri ve çizgi grafikler gibi keşifsel veri analizi ve görselleştirme teknikleri de dahil olmak üzere veri setinin kapsamlı bir analizi yürütülmüştür. Tanımlayıcı istatistikler, çoğu seyahat süresinin 0,3 ile 0,5 birim arasında kümelendiği ve birkaç önemli aykırı değerin potansiyel olarak trafik gecikmelerinden veya veri anomalilerinden kaynaklandığı sağa eğik bir dağılım ortaya koymuştur. Çalışmanın özü, otobüs seyahat sürelerini tahmin etmek için makine öğrenimi algoritmalarının uygulanmasını içerir. Doğrusal Regresyon, Rastgele Orman ve XGBoost'u içeren tek modeller, öngörücü performansları açısından değerlendirildi. Sonuçlar, Rastgele Orman ve XGBoost modellerinin, özellikle verilerdeki doğrusal olmayan ilişkileri ve karmaşık etkileşimleri ele almada Doğrusal Regresyondan daha iyi performans gösterdiğini gösterdi. XGBoost , karmaşık veri örüntülerini yakalama yeteneğini yansıtan 0,83'lük bir R² puanı ile en yüksek doğruluğu gösterdi. Tahmin doğruluğunu ve model sağlamlığını daha da artırmak için Doğrusal Regresyon, Rastgele Orman ve XGBoost'un güçlü yönlerini birleştiren Oylama Regresyonu olarak bilinen bir topluluk yöntemi uygulandı. Bu topluluk yaklaşımı, 0,107'lik bir Ortalama Mutlak Hata (MAE) ve 0,81'lik bir R² puanı ile üstün performans ölçütleri elde ederek, bireysel modelleri ve ARIMA gibi geleneksel zaman serisi yöntemlerini geride bıraktı. Topluluk modelinin iyileştirilmiş doğruluğu, önyargıyı ve varyansı azaltmak için birden fazla öngörücünün bir araya getirilmesinin faydalarını vurgular. Bu araştırma sınırlı veriye sahip tek bir otobüs güzergahına odaklanmış olsa da bulgular, makine öğrenimi topluluklarının toplu taşıma planlamasını ve yolcu deneyimini geliştirme potansiyelini göstermektedir. Gelecekteki çalışmalar, veri kümelerini birden fazla güzergaha genişletmeyi ve tahmin yeteneklerini daha da iyileştirmek ve gerçek zamanlı trafik koşullarına uyum sağlamak için derin öğrenme ve yapay zeka ajanları gibi gelişmiş teknikleri dahil etmeyi içerebilir.
Özet (Çeviri)
This study addresses the critical challenge of accurately estimating arrival and departure times for public transportation in Istanbul, a rapidly growing metropolis facing significant traffic congestion and environmental concerns. Efficient public transit systems are essential for improving urban mobility, reducing greenhouse gas emissions, and enhancing passenger satisfaction. Reliable predictions of bus travel times can minimize passenger wait times and improve overall system efficiency. The research focuses on route 500T, one of Istanbul's busiest bus corridors, utilizing real-world data provided by the Istanbul Metropolitan Municipality's Open Data Portal. A comprehensive analysis of the dataset was conducted, including exploratory data analysis and visualization techniques such as histograms, scatter plots, and line graphs to understand travel time distributions and identify outliers. Descriptive statistics revealed a right-skewed distribution with most travel times clustered between 0.3 and 0.5 units, and a few significant outliers potentially caused by traffic delays or data anomalies. The core of the study involves applying machine learning algorithms to predict bus travel times. Single models including Linear Regression, Random Forest, and XGBoost were evaluated for their predictive performance. The results indicated that Random Forest and XGBoost models outperformed Linear Regression, particularly in handling non-linear relationships and complex interactions in the data. XGBoost demonstrated the highest accuracy with an R² score of 0.83, reflecting its capability to capture intricate data patterns. To further enhance prediction accuracy and model robustness, an ensemble method known as Voting Regression was implemented, combining the strengths of Linear Regression, Random Forest, and XGBoost. This ensemble approach achieved superior performance metrics, with a Mean Absolute Error (MAE) of 0.107 and an R² score of 0.81, surpassing individual models and traditional time series methods like ARIMA. The ensemble model's improved accuracy underscores the benefits of aggregating multiple predictors to reduce bias and variance. While this research focused on a single bus route with limited data, the findings demonstrate the potential of machine learning ensembles to enhance public transit scheduling and passenger experience. Future work may involve expanding datasets across multiple routes and incorporating advanced techniques such as deep learning and artificial intelligence agents to further improve prediction capabilities and adapt to real-time traffic conditions.
Benzer Tezler
- İç sularda deniz ulaşımının karbon salınımına etkisi üzerine bir analiz: İstanbul ve Marmara Bölgesi örneği
An analysis on the effect of maritime transport on carbon release in inland waters: The case of İstanbul and Marmara Region
HASAN KÖSE
Yüksek Lisans
Türkçe
2019
Deniz Bilimleriİstanbul Teknik ÜniversitesiDeniz Ulaştırma İşletme Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ PELİN BOLAT
- İstanbul servis araçları atıl kapasite araştırması
Idle capacity research of service vehicles in Istanbul
AHMET YILDIRIM
Yüksek Lisans
Türkçe
2018
Şehircilik ve Bölge Planlamaİstanbul Teknik ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
PROF. DR. HÜSEYİN MURAT ÇELİK
- Toplu taşıma araçlarının duraklara varış sürelerinin tahminindeki sapmaları iyileştirmeye yönelik bir veri madenciliği uygulaması (İETT örneği)
A data mining application for improving the deviations in the estimation of time of arrival of public transport vehicles (IETT example)
KADİR KUŞTUL
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMaltepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. EMİN MURAT ESİN
- Multimodal integration of intracity sea transport the case of İstanbul
Şehiriçi deniz taşımacılığının multımodal entegrasyonu İstanbul uygulaması
ÖZGÜR SOY
Doktora
İngilizce
2023
Ulaşımİstanbul Teknik ÜniversitesiDeniz Ulaştırma İşletme Mühendisliği Ana Bilim Dalı
PROF. DR. LEYLA TAVACIOĞLU
- Evolution of paratransit system and its implementations in Turkey: Potential design and technology impact on ameliorating the Dolmuş-Minibus
Paratransit sistemin evrimi ve Türkiye?deki uygulamasi: Dolmuş-Minibüs kavraminin iyileştirilmesinde potansiyel tasarim ve teknoloji etkisi
ARZU HÜSNİYE TOKER ÖZKURT
Yüksek Lisans
İngilizce
2012
Endüstri Ürünleri Tasarımıİstanbul Teknik ÜniversitesiEndüstri Ürünleri Tasarımı Ana Bilim Dalı
PROF. DR. ALPAY ER