Kentsel katı atık toplama rotalarının graf tabanlı pekiştirmeli öğrenme ile optimizasyonu Kadıköy ilçesi örneği
Optimization of urban solid waste collection routes through graph-based reinforcement learning: The case of Kadikoy district
- Tez No: 997276
- Danışmanlar: PROF. DR. DURSUN ZAFER ŞEKER
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Jeodezi ve Fotogrametri, Science and Technology, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilişim Uygulamaları Ana Bilim Dalı
- Bilim Dalı: Coğrafi Bilgi Teknolojileri Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kentleşme ve sanayileşmenin hızla artması, buna paralel olarak nüfusun belirli alanlarda yoğunlaşması ve tüketim alışkanlıklarının çeşitlenmesi, kentsel alanlarda üretilen katı atık miktarının hem hacim hem de bileşim açısından sürekli olarak artmasına neden olmaktadır. Özellikle büyükşehirlerde bu artış, belediyelerin katı atık toplama, taşıma ve bertaraf süreçlerini giderek daha karmaşık, maliyetli ve yönetilmesi zor bir hale getirmektedir. Katı atık yönetimi, belediyelerin yıllık operasyonel bütçeleri içerisinde önemli bir paya sahip olup; bu sürecin etkin ve bütüncül biçimde yönetilememesi durumunda yalnızca ekonomik kayıplar değil, aynı zamanda çevresel bozulmalar ve toplumsal yaşam kalitesinde düşüş gibi çok boyutlu sorunlar ortaya çıkmaktadır. Plansız veya verimsiz yürütülen katı atık toplama faaliyetleri, yakıt tüketiminin artmasına, sera gazı fve karbon emisyonlarının yükselmesine, gürültü ve hava kirliliğinin artmasına ve dolayısıyla kentsel çevre kalitesinin olumsuz yönde etkilenmesine neden olmaktadır. Katı atık toplama süreçlerinin etkinliği büyük ölçüde rota planlaması, araç kapasitesi, toplama sıklığı ve trafik koşulları gibi operasyonel değişkenlerin doğru ve dengeli biçimde yönetilmesine bağlıdır. Ancak geleneksel katı atık toplama sistemlerinde rota planlaması çoğunlukla sabit programlara, tarihsel alışkanlıklara ve saha personelinin bireysel deneyimine dayalı kararlar üzerinden yürütülmektedir. Bu yaklaşım, operasyonel açıdan pratik olmakla birlikte, kentsel alanların dinamik yapısını ve zamana bağlı değişkenlerini yeterince yansıtamamaktadır. Özellikle gün içerisinde ve haftanın farklı zaman dilimlerinde değişkenlik gösteren trafik yoğunluğu ile farklı kentsel fonksiyonlara sahip alanlardaki atık oluşum miktarlarının mekânsal ve zamansal heterojenliği, bu tür statik planlama yaklaşımları tarafından büyük ölçüde göz ardı edilmektedir. Konut, ticaret, eğitim, sağlık ve rekreasyon alanlarının iç içe geçtiği yoğun kent dokularında, atık oluşum talebi yalnızca nüfus yoğunluğuna bağlı olarak değil; alanın fonksiyonel kullanımına, günün saatine ve haftalık döngülere bağlı olarak da önemli ölçüde değişkenlik göstermektedir. Örneğin ticari alanlarda atık oluşumu mesai saatlerinde yoğunlaşırken, konut alanlarında sabah ve akşam saatlerinde artış gösterebilmektedir. Bu durum, sabit rota ve sabit zamanlı toplama anlayışıyla oluşturulan sistemlerin kısa sürede verimsiz hale gelmesine, gereksiz araç hareketlerine ve hizmet kalitesinin düşmesine yol açmaktadır. Dolayısıyla katı atık toplama süreçlerinin, kentsel sistemlerin bu dinamik yapısını dikkate alacak şekilde yeniden ele alınması gerekmektedir. Bu bağlamda, katı atık toplama süreçlerinin daha esnek, veri temelli ve uyarlanabilir yaklaşımlarla ele alınması gerekliliği giderek daha fazla önem kazanmaktadır. Son yıllarda coğrafi bilgi sistemleri (CBS), kentsel hizmetlerin mekânsal analizinde güçlü bir araç olarak öne çıkmış; katı atık yönetimi alanında veri entegrasyonu, analiz ve görselleştirme amacıyla yaygın biçimde kullanılmaya başlanmıştır. CBS tabanlı yaklaşımlar, yol ağları, bina dağılımları, nüfus yoğunluğu ve farklı kentsel fonksiyonlara ilişkin mekânsal verilerin birlikte değerlendirilmesine olanak tanıyarak, kentsel hizmetlerin daha gerçekçi biçimde analiz edilmesini mümkün kılmaktadır. Ancak literatürdeki birçok çalışmada CBS çoğunlukla bir karar destek ve haritalama aracı olarak ele alınmakta; rota optimizasyonu ve talep değerlendirme süreçleri genellikle sınırlı sayıda deterministik veya sezgisel yöntemle desteklenmektedir. Oysa kentsel ulaşım ağlarının karmaşık ve çok katmanlı yapısı ile katı atık toplama probleminin çok değişkenli doğası, değişkenler arasındaki ilişkilerin doğrusal olmayan biçimde ele alınmasını gerektirmektedir. Trafik yoğunluğu, talep değişkenliği, araç kapasitesi ve hizmet öncelikleri gibi unsurlar arasındaki etkileşimler, klasik yöntemlerle tam anlamıyla temsil edilememektedir. Bu nedenle, son yıllarda literatürde makine öğrenmesi ve pekiştirmeli öğrenme gibi veri güdümlü ve öğrenme temelli yaklaşımların, kentsel hizmet optimizasyonu problemlerinde kullanımına yönelik ilgi artmaktadır. Bu yaklaşımlar, karmaşık ilişkileri öğrenebilme ve değişen koşullara uyum sağlayabilme potansiyelleri nedeniyle, geleneksel yöntemlere kıyasla önemli avantajlar sunmaktadır. Bu çalışma, kentsel katı atık toplama sürecini yalnızca bir rota planlama problemi olarak ele almak yerine; maliyet, talep, öncelik ve trafik değişkenlerini birlikte içeren çok kriterli bir optimizasyon problemi olarak ele almaktadır. Çalışma kapsamında Kadıköy ilçesi örnek alan olarak seçilmiş ve ilçenin yol ağı, kentsel mekân ile olan ilişkisini daha iyi temsil edebilmek amacıyla graf tabanlı bir yapı ile modellenmiştir. Yol ağı üzerindeki düğümler ve kenarlar, yön bilgisi, yol türü, şerit sayısı ve trafik yoğunluğu gibi öznitelikler ile zenginleştirilmiş; böylece kentsel ulaşım sisteminin mekânsal ve işlevsel özelliklerini yansıtan gerçekçi bir ağ temsili oluşturulmuştur. Atık oluşum talebinin mekânsal olarak daha doğru biçimde modellenebilmesi amacıyla yapı katmanı ve ilgi noktası (POI) verilerinden yararlanılmıştır. Yapı katmanında yer alan bağımsız bölüm bilgileri, nüfusun bina ölçeğinde daha hassas biçimde dağıtılmasına olanak tanırken; POI verileri, konut dışı kullanımlara bağlı olarak oluşan atık miktarlarının modele dahil edilmesini sağlamıştır. Bu sayede farklı kentsel fonksiyonlara sahip alanların atık üretim potansiyelleri, yalnızca nüfus temelli yaklaşımlara bağlı kalmadan modele entegre edilmiştir. Atık oluşum talebi ve konteyner önceliklerinin belirlenmesinde makine öğrenmesi yaklaşımlarından yararlanılmış; elde edilen talep ve öncelik değerleri, rota kararlarını yönlendiren temel girdiler olarak ele alınmıştır. Rota oluşturma süreci ise deneyim temelli öğrenmeye dayanan pekiştirmeli öğrenme yaklaşımı ile desteklenmiştir. Bu kapsamda geliştirilen model, ajan-temelli bir yapı içerisinde, farklı trafik senaryoları ve kapasite kısıtları altında öğrenme sürecini gerçekleştirmiştir. Ajanın karar alma sürecinde yol maliyetleri, trafik koşulları, konteyner talep ve öncelik değerleri ile araç kapasitesi birlikte değerlendirilmiş; böylece önceden tanımlı sabit kurallara dayanmayan, çevresel koşullara uyum sağlayabilen adaptif bir rota üretim süreci hedeflenmiştir. Tüm analizler, coğrafi bilgi sistemleri ortamında bütünleştirilerek mekânsal doğruluk, uygulanabilirlik ve sonuçların görselleştirilebilirliği açısından değerlendirilmiştir. Çalışma sonucunda elde edilen bulgular, trafik değişkenlerinin ve öğrenme temelli yaklaşımların modele dahil edilmesinin katı atık toplama rotalarının genel etkinliğini artırdığını göstermektedir. Trafik farkındalığı içeren senaryolarda, özellikle trafik yoğunluğunun görece dengeli olduğu zaman dilimlerinde toplam seyahat süresi ve maliyet değerlerinde belirgin iyileşmeler sağlandığı gözlemlenmiştir. Bununla birlikte, trafiğin yoğun olduğu saat ve bölgelerde modelin yüksek yoğunluklu yol kesimlerinden kaçınma eğilimi sergilemesi nedeniyle bazı senaryolarda toplam maliyet değerlerinin arttığı tespit edilmiştir. Bu durum, trafik değişkeninin rota optimizasyonu üzerindeki çift yönlü etkisini ortaya koymakta ve modelin karar davranışının kentsel koşullara duyarlı biçimde değiştiğini göstermektedir. Elde edilen sonuçlar, graf tabanlı modelleme ile makine öğrenmesi ve pekiştirmeli öğrenme yaklaşımlarının birlikte kullanılmasının, kentsel katı atık toplama planlaması için uygulanabilir, esnek ve güçlü bir karar destek çerçevesi sunduğunu ortaya koymaktadır. Bu bağlamda çalışma, belediyelerin katı atık toplama süreçlerinde kaynak kullanımını optimize etmelerine, operasyonel maliyetleri azaltmalarına ve çevresel sürdürülebilirlik hedeflerini desteklemelerine katkı sağlamayı amaçlamaktadır. Ayrıca geliştirilen yaklaşımın, farklı kentsel alanlara ve benzer nitelikteki diğer kentsel hizmet problemlerine uyarlanabilir bir yöntemsel çerçeve sunduğu değerlendirilmektedir.
Özet (Çeviri)
Rapid urbanization and industrialization, together with population concentration in specific urban areas and increasingly diverse consumption patterns, have led to a continuous growth in both the volume and composition of municipal solid waste. This trend poses significant challenges for municipalities, particularly in large metropolitan areas, where solid waste collection and transportation systems are becoming progressively more complex and costly. As solid waste management constitutes a substantial share of municipal operational budgets, inefficiencies in collection processes may result not only in economic losses but also in environmental degradation and negative impacts on urban quality of life. Poorly planned or inefficient waste collection operations increase fuel consumption, greenhouse gas emissions, air and noise pollution, thereby undermining sustainability objectives in urban environments. The effectiveness of municipal solid waste collection largely depends on the proper management of operational factors such as route planning, vehicle capacity, collection frequency, and traffic conditions. However, in many cities, collection routes are still designed using fixed schedules and experience-based decisions derived from historical practices. While such approaches may be operationally simple, they fail to capture the dynamic nature of urban systems. Traffic congestion varies significantly over time, and waste generation patterns exhibit pronounced spatial and temporal heterogeneity, particularly in dense urban areas where residential, commercial, educational, and recreational land uses coexist. Waste generation demand in these areas may fluctuate considerably throughout the day and across different days of the week, rendering static routing strategies increasingly inefficient and leading to unnecessary vehicle movements and reduced service performance. In this context, there is a growing need for flexible, data-driven, and adaptive approaches to solid waste collection planning. Geographic Information Systems (GIS) have become an essential tool for spatial analysis in urban service management and are widely used in solid waste studies for data integration, visualization, and decision support. GIS-based approaches enable the joint evaluation of road networks, building distributions, population density, and land-use characteristics. Nevertheless, much of the existing literature treats GIS primarily as a mapping and decision-support platform, while route optimization and demand assessment are often addressed using limited deterministic or heuristic techniques. Given the complex and multi-layered structure of urban transportation networks and the multi-variable nature of solid waste collection problems, such methods are insufficient to fully represent non-linear interactions among demand, traffic, and operational constraints. This study approaches municipal solid waste collection not merely as a routing problem, but as a multi-criteria optimization problem that simultaneously incorporates cost, demand, service priority, and traffic-related variables. The proposed framework integrates graph-based modeling, machine learning, and reinforcement learning within a GIS environment to develop an adaptive and traffic-aware routing system. The Kadıköy district of Istanbul was selected as the case study area due to its dense urban fabric, mixed land-use structure, and complex road network characteristics. Within the framework, the urban road network was modeled as a directed graph to better represent spatial and functional relationships within the city. Nodes and edges were enriched with attributes such as road type, directionality, number of lanes, and traffic intensity, allowing for a realistic representation of urban mobility conditions. To model spatial variations in waste generation more accurately, building data containing information on independent housing units and points of interest (POI) representing non-residential land uses were incorporated. This integration enabled the estimation of waste generation demand beyond purely population-based assumptions and allowed functional diversity within the urban environment to be explicitly considered. Machine learning techniques were employed to estimate waste generation demand and container service priorities based on spatial and functional characteristics. These demand and priority values were treated as dynamic decision-driving inputs rather than static parameters. Route generation was supported by a reinforcement learning (RL) approach formulated as an agent-based learning process. The agent operates within the graph-based environment and sequentially selects containers to visit, aiming to minimize total travel cost while satisfying vehicle capacity constraints and prioritizing high-demand locations. The reward function was designed to balance multiple objectives, including travel cost, demand fulfillment, service priority, and penalties for capacity violations. Traffic conditions were explicitly incorporated into the cost structure of the environment through traffic-aware cost functions, enabling the agent to learn routing strategies that account for real-world congestion patterns. Multiple scenarios were evaluated to compare traffic-aware and traffic-agnostic models. All analyses were conducted within an integrated GIS workflow to ensure spatial consistency, operational feasibility, and effective visualization of results. The results demonstrate that incorporating traffic variables and learning-based approaches significantly improves the overall efficiency of solid waste collection routes. In scenarios where traffic variability was moderate, traffic-aware models generally achieved lower total travel costs and improved routing performance compared to baseline models relying solely on geometric road distances. The generated routes were found to be spatially feasible and operationally applicable within the urban road network. However, in periods and areas of severe congestion, the agent exhibited a tendency to avoid heavily trafficked road segments, which in some cases led to longer travel distances and increased total cost. This behavior highlights the dual effect of traffic awareness in route optimization and underscores the sensitivity of learning-based models to urban traffic dynamics. Overall, the findings indicate that the combined use of graph-based modeling, machine learning, and reinforcement learning provides a robust and flexible decision-support framework for municipal solid waste collection planning. The proposed approach moves beyond static, experience-based routing strategies by enabling adaptive, data-driven decision-making that responds to spatial demand patterns and dynamic traffic conditions. From a practical perspective, the framework offers municipalities a powerful tool to optimize resource utilization, reduce operational costs, and support environmental sustainability goals. Moreover, the methodology is transferable and can be adapted to other urban service routing problems characterized by complex networks and dynamic constraints.
Benzer Tezler
- Scheduling the municipal solid waste collection with a gıs-based clustering approach: A case study of çiğli district
Cbs tabanlı kümeleme yaklaşımıyla belediye katı atık toplama planlaması: Çiğli ilçesi örneği
HASAN İHSAN KALELİ
Doktora
İngilizce
2026
Şehircilik ve Bölge Planlamaİzmir Katip Çelebi ÜniversitesiKentsel Dönüşüm Ana Bilim Dalı
DOÇ. DR. SEDAT YALÇINKAYA
- Kentsel katı atık tesisi yer seçimi ve atık toplama sistemi için coğrafi bilgi sistemi tabanlı çok ölçütlü karar analizi
A GIS-based multi criteria decision analysis for the municipal solid waste landfill site selection and collection system
BARIŞ ÖZKAN
Doktora
Türkçe
2018
Endüstri ve Endüstri MühendisliğiEskişehir Osmangazi ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. İNCİ SARIÇİÇEK
- Sinop ili kentsel katı atık toplama ve taşıma optimizasyonu
Optimization of municipal solid waste collection and transportation route in Si̇nop
CEM ŞAHİN
Yüksek Lisans
Türkçe
2014
Çevre MühendisliğiOndokuz Mayıs ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
DOÇ. DR. NURDAN GAMZE TURAN
- Sürdürülebilir bir kentsel katı atık yönetiminde mevcut durumun tespiti, çoklu toplama ve bertaraf süreçlerinin yaşam döngüsü analizi ile değerlendirilmesi
Determination of the current situation in a sustainable urban solid waste management, evaluation of multiple collection and disposal processes with life cycle analysis
YASİN ASLAN
Doktora
Türkçe
2026
Çevre MühendisliğiOndokuz Mayıs ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
PROF. DR. AYŞE KULEYİN
- Ordu ı̇lı̇nde kentsel katı atık yönetı̇mı̇ ve sıfır atık stratejı̇sı̇nı̇n değerlendı̇rı̇lmesi
Municipal solid waste management and evaluation of zero waste strategy i̇n Ordu
CANSU BAŞKÖY BEKTAŞ
Yüksek Lisans
Türkçe
2024
Çevre MühendisliğiOndokuz Mayıs ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
PROF. DR. NURDAN GAMZE TURAN