İSTANBUL TEKNİK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ İSTANBUL İLİNDEKİ TOPLU TAŞIMA YOLCULUK TALEPLERİNİN YAPAY SİNİR AĞLARIYLA MODELLENMESİ

Transkript

1 İSTANBUL TEKNİK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ İSTANBUL İLİNDEKİ TOPLU TAŞIMA YOLCULUK TALEPLERİNİN YAPAY SİNİR AĞLARIYLA MODELLENMESİ YÜKSEK LİSANS TEZİ İnş. Müh. Sabahat TOPUZ Anabilim Dalı: İNŞAAT MÜHENDİSLİĞİ Programı: ULAŞTIRMA MÜHENDİSLİĞİ HAZİRAN 28

2 İSTANBUL TEKNİK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ İSTANBUL İLİNDEKİ TOPLU TAŞIMA YOLCULUK TALEPLERİNİN YAPAY SİNİR AĞLARIYLA MODELLENMESİ YÜKSEK LİSANS TEZİ İnş. Müh. Sabahat TOPUZ ( ) Tezin Enstitüye Verildiği Tarih : 28 Nisan 28 Tezin Savunulduğu Tarih : 9 Haziran 28 Tez Danışmanı : Diğer Jüri Üyeleri: Yrd.Doç.Dr. Murat ERGÜN Prof.Dr. Kerem CIĞIZOĞLU Öğr.Gör.Dr. Mustafa GÜRSOY (Y.T.Ü.) HAZİRAN 28

3 ÖNSÖZ Yüksek lisans eğitimim ve tez çalışmam boyunca benden yardımını bir an olsun esirgemeyen danışman hocam sayın Yard.Doç.Dr. Murat Ergün e, Çok sevdiğim mesleğim Ulaştırma Mühendisliğini seçmeme sebep olan değerli hocam Prof.Dr. Aydın Erel e, Başarımda büyük emeği bulunan, her zaman, her koşulda yanımda olup bana güç veren çok sevgili aileme, En iyi dostum ve eşim Can Arda Kiremitçi ye Sonsuz teşekkürlerimi sunarım. Mayıs 28 Sabahat TOPUZ ii

4 İÇİNDEKİLER İÇİNDEKİLER KISALTMALAR TABLO LİSTESİ ŞEKİL LİSTESİ ÖZET SUMMARY iii v vi viii xiii xv 1. GİRİŞ 1 2. İSTANBUL TOPLU TAŞIMA SİSTEMLERİ Lastik Tekerlekli Toplu Taşıma Sistemi Raylı Sistemler Banliyö Hatları Cadde Tramvayı Hafif Metro (LRT) Metro Nostaljik Tramvay Füniküler Sitem (Tünel) Teleferik Denizyolu Sistemleri YAPAY SİNİR AĞLARI İleri Beslemeli Geriye Yayılım Yapay Sinir Ağları Radyal Tabanlı Yapay Sinir Ağları Genelleştirilmiş Regresyon Yapay Sinir Ağları YAPAY SİNİR AĞLARI İLE MODELLEME Deniz İşletmelerinden Elde Edilen Verilerin Modellenmesi Zaman Serisi İle Modelleme Zaman Serisi İle Hafta İçi Günleri Modellenmesi Tarihlendirilmiş Veriler İle Modelleme Tarihlendirilmiş, Tatil Günleri Belirtilmiş Veriler İle Modelleme İETT den Elde Edilen Verilerin Modellenmesi Zaman Serisi İle Modelleme Zaman Serisi İle Hafta İçi Günleri Modellenmesi Tarihlendirilmiş Veriler İle Modelleme Tarihlendirilmiş, Tatil Günleri Belirtilmiş Veriler İle Modelleme Özel Halk Otobüsleri nden Elde Edilen Verilerin Modellenmesi Zaman Serisi İle Modelleme Zaman Serisi İle Hafta İçi Günleri Modellenmesi Tarihlendirilmiş Veriler İle Modelleme Tarihlendirilmiş, Tatil Günleri Belirtilmiş Veriler İle Modelleme TCDD den Elde Edilen Verilerin Modellenmesi Zaman Serisi İle Modelleme Zaman Serisi İle Hafta İçi Günleri Modellenmesi 73 iii

5 4.4.3 Tarihlendirilmiş Veriler İle Modelleme Tarihlendirilmiş, Tatil Günleri Belirtilmiş Veriler İle Modelleme Ulaşım AŞ den Elde Edilen Verilerin Modellenmesi Zaman Serisi İle Modelleme Zaman Serisi İle Hafta İçi Günleri Modellenmesi Tarihlendirilmiş Veriler İle Modelleme Tarihlendirilmiş, Tatil Günleri Belirtilmiş Veriler İle Modelleme İSTATİSTİKSEL YÖNTEM İLE MODELLEME Deniz İşletmelerine Ait Verilerin Doğrusal Regresyonla Modellenmesi İETT ye Ait Verilerin Doğrusal Regresyonla Modellenmesi ÖHO ne Ait Verilerin Doğrusal Regresyonla Modellenmesi TCDD ye Ait Verilerin Doğrusal Regresyonla Modellenmesi Ulaşım AŞ ye Ait Verilerin Doğrusal Regresyonla Modellenmesi SONUÇLAR VE DEĞERLENDİRME 16 KAYNAKLAR 115 ÖZGEÇMİŞ 118 iv

6 KISALTMALAR İBGYYSA İETT GRYSA ÖHO RTYSA TCDD YSA : İleri Beslemeli Geriye Yayılım Yapay Sinir Ağları : İstanbul Elektrik Tren Tramvay : Genelleştirilmiş Regresyon Yapay Sinir Ağları : Özel Halk Otobüsleri : Radyal Tabanlı Yapay Sinir Ağları : Türkiye Cumhuriyeti Devlet Demiryolları : Yapay Sinir Ağları v

7 TABLO LİSTESİ Tablo 2.1 Yıllara göre İETT nin taşıdığı günlük ortalama yolcu sayısının değişimi.. 3 Tablo 2.2 İETT hatlarının yakalara göre dağılımı... 4 Tablo 2.3 Belediye otobüsü ve özel halk otobüslerinin taşıdıkları günlük yolcu sayıları... 4 Tablo 2.4 İETT otobüslerinin tiplerine göre sayıları... 6 Tablo 2.5 Raylı sistemlerin türlerine göre işletmeci, güzergah ve hat uzunluk bilgileri... 7 Tablo 2.6 Haydarpaşa Gebze ve Sirkeci Halkalı banliyö hatlarının hizmet özellikleri... 8 Tablo yılları arası banliyö hatları ile taşınan yolcu sayıları ve artış yüzdeleri... 9 Tablo 2.8 Zeytinburnu Kabataş hattının özellikleri... 1 Tablo 2.9 Zeytinburnu Eminönü kesimi yıllara göre yolcu sayıları (yolcu/yıl )... 1 Tablo 2.1 Aksaray-Havalimanı hafif metrosu özellikleri Tablo 2.11 Hafif metronun yıllara göre yolcu sayıları (yolcu/yıl) Tablo Levent-Taksim metrosu işletme özellikleri Tablo Levent-Taksim metrosu yıllara göre yolculuk bilgileri (kişi/yıl) Tablo 2.14 Tünel Taksim nostalji tramvayı işletme özellikleri Tablo 2.15 Kadıköy Moda nostaljik tramvayı işletme özellikleri Tablo 2.16 Füniküler Sistemin (Tünel) İşletme Özellikleri Tablo 2.17 Yıllara göre teleferikle yolcu geçiş değerleri (kişi/yıl) Tablo 2.18 Teleferiğin işletme özellikleri Tablo 2.19 Denizyolu taşıma türlerine ait kapasiteler ve günlük taşınan ortalama yolcu sayısı Tablo 2.2 TDİ Şehir Hatlarının yıllara göre yıllık ortalama günlük trafik değerleri Tablo 4.1 Çalışmada kullanılan verilerin istatistiksel analizi Tablo 4.2 Deniz işletmeleri verisi zaman serisi otokorelasyon katsayıları Tablo 4.3 Deniz işletmeleri verisi hafta içi günleri zaman serisi otokorelasyon katsayıları Tablo 4.4 İETT verisi zaman serisi otokorelasyon katsayıları Tablo 4.5 İETT verisi hafta içi günleri zaman serisi otokorelasyon katsayıları Tablo 4.6 ÖHO verisi zaman serisi otokorelasyon katsayıları Tablo 4.7 ÖHO verisi hafta içi günleri zaman serisi otokorelasyon katsayıları... 6 Tablo 4.8 TCDD verisi zaman serisi otokorelasyon katsayıları... 7 Tablo 4.9 TCDD verisi hafta içi günleri zaman serisi otokorelasyon katsayıları Tablo 4.1 Ulaşım AŞ verisi zaman serisi otokorelasyon katsayıları Tablo 4.11 Ulaşım AŞ verisi hafta içi günleri zaman serisi otokorelasyon katsayıları Tablo 5.1 Deniz İşletmeleri verisini en iyi ifade eden eğrinin katsayıları Tablo 5.2 İETT verisini en iyi ifade eden eğrinin katsayıları... 1 Tablo 5.3 İETT verisini en iyi ifade eden eğrinin katsayıları Tablo 5.4 TCDD verisini en iyi ifade eden eğrinin katsayıları vi

8 Tablo 5.5 Ulaşım AŞ verisini en iyi ifade eden eğrinin katsayıları Tablo 6.1 Modelleme sonuçlarına ait R 2 değerleri Tablo 6.2 Modelleme sonuçlarına ait ortalama kare hataları değerleri vii

9 ŞEKİL LİSTESİ Şekil 2.1 İstanbul daki toplu taşıma sisteminin türlere göre dağılımı... 2 Şekil 2.2 İstanbul lastik tekerlekli toplu taşıma sisteminde taşıma türlerinin aldığı paylar... 3 Şekil 2.3 İETT hatlarının yakalara göre oransal dağılımı... 4 Şekil 2.4 Belediye otobüsü ve özel halk otobüslerinin İETT nin taşıdığı günlük toplam yolcu içindeki payları... 5 Şekil 2.5 İETT hatlarının uzunluklarına göre değişimi... 5 Şekil 2.6 Raylı sistem türlerinin toplam hat uzunluğundaki payları... 6 Şekil 2.7 İstanbul daki denizyolu yolculuklarının dağılımı Şekil 3.1 Tek gizli tabakalı tam bağlanmış ileri beslemeli geriye yayılım yapay sinir ağı Şekil 3.2 Radyal Tabanlı Yapay Sinir Ağı yapısı Şekil 3.3 Genelleştirilmiş Regresyon Yapay Sinir Ağı şematik gösterimi Şekil 4.1 Deniz İşletmeleri ne ait yolculuk verilerinin günlük değişimi Şekil 4.2 İETT ye ait yolculuk verilerinin günlük değişimi Şekil 4.3 Özel Halk Otobüsleri ne ait yolculuk verilerinin günlük değişimi Şekil 4.4 TCDD ye ait yolculuk verilerinin günlük değişimi Şekil 4.5 Ulaşım A.Ş. ye ait yolculuk verilerinin günlük değişimi Şekil 4.6 Deniz İşletmeleri verisinin zaman serisi ve İBGYYSA ile tahmini... 3 Şekil 4.7 Deniz İşletmeleri verisinin zaman serisi ve İBGYYSA ile tahminine ait saçılma grafiği... 3 Şekil 4.8 Deniz İşletmeleri verisinin zaman serisi ve RTYSA ile tahmini Şekil 4.9 Deniz İşletmeleri verisinin zaman serisi ve RTYSA ile tahminine ait saçılma grafiği Şekil 4.1 Deniz İşletmeleri verisinin zaman serisi ve GRYSA ile tahmini Şekil 4.11 Deniz İşletmeleri verisinin zaman serisi ve GRYSA ile tahminine ait saçılma grafiği Şekil 4.12 Deniz İşletmeleri hafta içi verisinin zaman serisi ve İBGYYSA ile tahmini Şekil 4.13 Deniz İşletmeleri hafta içi verisinin zaman serisi ve İBGYYSA ile tahminine ait saçılma grafiği Şekil 4.14 Deniz İşletmeleri hafta içi verisinin zaman serisi ve RTYSA ile tahmini 34 Şekil 4.15 Deniz İşletmeleri hafta içi verisinin zaman serisi ve RTYSA ile tahminine ait saçılma grafiği Şekil 4.16 Deniz İşletmeleri hafta içi verisinin zaman serisi ve GRYSA ile tahmini35 Şekil 4.17 Deniz İşletmeleri hafta içi verisinin zaman serisi ve GRYSA ile tahminine ait saçılma grafiği Şekil 4.18 Deniz İşletmeleri verisinin tarihlendirme ve İBGYYSA ile tahmini Şekil 4.19 Deniz İşletmeleri verisinin tarihlendirme ve İBGYYSA ile tahminine ait saçılma grafiği Şekil 4.2 Deniz İşletmeleri verisinin tarihlendirme ve RTYSA ile tahmini viii

10 Şekil 4.21 Deniz İşletmeleri verisinin tarihlendirme ve RTYSA ile tahminine ait saçılma grafiği Şekil 4.22 Deniz İşletmeleri verisinin tarihlendirme ve GRYSA ile tahmini Şekil 4.23 Deniz İşletmeleri verisinin tarihlendirme ve GRYSA ile tahminine ait saçılma grafiği Şekil 4.24 Deniz İşletmeleri verisinin tarihlendirme, tatil günlerini belirtme ve İBGYYSA ile tahmini... 4 Şekil 4.25 Deniz İşletmeleri verisinin tarihlendirme, tatil günlerini belirtme ve İBGYYSA ile tahminine ait saçılma grafiği... 4 Şekil 4.26 Deniz İşletmeleri verisinin tarihlendirme, tatil günlerini belirtme ve RTYSA ile tahmini Şekil 4.27 Deniz İşletmeleri verisinin tarihlendirme, tatil günlerini belirtme ve RTYSA ile tahminine ait saçılma grafiği Şekil 4.28 Deniz İşletmeleri verisinin tarihlendirme, tatil günlerini belirtme ve GRYSA ile tahmini Şekil 4.29 Deniz İşletmeleri verisinin tarihlendirme, tatil günlerini belirtme ve GRYSA ile tahminine ait saçılma grafiği Şekil 4.3 İETT verisinin zaman serisi ve İBGYYSA ile tahmini Şekil 4.31 İETT verisinin zaman serisi ve İBGYYSA ile tahminine ait saçılma grafiği Şekil 4.32 İETT verisinin zaman serisi ve RTYSA ile tahmini Şekil 4.33 İETT verisinin zaman serisi ve RTYSA ile tahminine ait saçılma grafiği45 Şekil 4.34 İETT verisinin zaman serisi ve GRYSA ile tahmini Şekil 4.35 İETT verisinin zaman serisi ve GRYSA ile tahminine ait saçılma grafiği Şekil 4.36 İETT hafta içi verisinin zaman serisi ve İBGYYSA ile tahmini Şekil 4.37 İETT hafta içi verisinin zaman serisi ve İBGYYSA ile tahminine ait saçılma grafiği Şekil 4.38 İETT hafta içi verisinin zaman serisi ve RTYSA ile tahmini Şekil 4.39 İETT hafta içi verisinin zaman serisi ve RTYSA ile tahminine ait saçılma grafiği Şekil 4.4 İETT hafta içi verisinin zaman serisi ve GRYSA ile tahmini Şekil 4.41 İETT hafta içi verisinin zaman serisi ve GRYSA ile tahminine ait saçılma grafiği Şekil 4.42 İETT verisinin tarihlendirme ve İBGYYSA ile tahmini... 5 Şekil 4.43 İETT verisinin tarihlendirme ve İBGYYSA ile tahminine ait saçılma grafiği Şekil 4.44 İETT verisinin tarihlendirme ve RTYSA ile tahmini Şekil 4.45 İETT verisinin tarihlendirme ve RTYSA ile tahminine ait saçılma grafiği Şekil 4.46 İETT verisinin tarihlendirme ve GRYSA ile tahmini Şekil 4.47 İETT verisinin tarihlendirme ve GRYSA ile tahminine ait saçılma grafiği Şekil 4.48 İETT verisinin tarihlendirme, tatil günlerini belirtme ve İBGYYSA ile tahmini Şekil 4.49 İETT verisinin tarihlendirme, tatil günlerini belirtme ve İBGYYSA ile tahminine ait saçılma grafiği Şekil 4.5 İETT verisinin tarihlendirme, tatil günlerini belirtme ve RTYSA ile tahmini ix

11 Şekil 4.51 İETT verisinin tarihlendirme, tatil günlerini belirtme ve RTYSA ile tahminine ait saçılma grafiği Şekil 4.52 İETT verisinin tarihlendirme, tatil günlerini belirtme ve GRYSA ile tahmini Şekil 4.53 İETT verisinin tarihlendirme, tatil günlerini belirtme ve GRYSA ile tahminine ait saçılma grafiği Şekil 4.54 ÖHO verisinin zaman serisi ve İBGYYSA ile tahmini Şekil 4.55 ÖHO verisinin zaman serisi ve İBGYYSA ile tahminine ait saçılma grafiği Şekil 4.56 ÖHO verisinin zaman serisi ve RTYSA ile tahmini Şekil 4.57 ÖHO verisinin zaman serisi ve RTYSA ile tahminine ait saçılma grafiği59 Şekil 4.58 ÖHO verisinin zaman serisi ve GRYSA ile tahmini Şekil 4.59 ÖHO verisinin zaman serisi ve GRYSA ile tahminine ait saçılma grafiği... 6 Şekil 4.6 ÖHO hafta içi verisinin zaman serisi ve İBGYYSA ile tahmini Şekil 4.61 ÖHO hafta içi verisinin zaman serisi ve İBGYYSA ile tahminine ait saçılma grafiği Şekil 4.62 ÖHO hafta içi verisinin zaman serisi ve RTYSA ile tahmini Şekil 4.63 ÖHO hafta içi verisinin zaman serisi ve RTYSA ile tahminine ait saçılma grafiği Şekil 4.64 ÖHO hafta içi verisinin zaman serisi ve GRYSA ile tahmini Şekil 4.65 ÖHO hafta içi verisinin zaman serisi ve GRYSA ile tahminine ait saçılma grafiği Şekil 4.66 ÖHO verisinin tarihlendirme ve İBGYYSA ile tahmini Şekil 4.67 ÖHO verisinin tarihlendirme ve İBGYYSA ile tahminine ait saçılma grafiği Şekil 4.68 ÖHO verisinin tarihlendirme ve RTYSA ile tahmini Şekil 4.69 ÖHO verisinin tarihlendirme ve RTYSA ile tahminine ait saçılma grafiği Şekil 4.7 ÖHO verisinin tarihlendirme ve GRYSA ile tahmini Şekil 4.71 ÖHO verisinin tarihlendirme ve GRYSA ile tahminine ait saçılma grafiği Şekil 4.72 ÖHO verisinin tarihlendirme, tatil günlerini belirtme ve İBGYYSA ile tahmini Şekil 4.73 ÖHO verisinin tarihlendirme, tatil günlerini belirtme ve İBGYYSA ile tahminine ait saçılma grafiği Şekil 4.74 ÖHO verisinin tarihlendirme, tatil günlerini belirtme ve RTYSA ile tahmini Şekil 4.75 ÖHO verisinin tarihlendirme, tatil günlerini belirtme ve RTYSA ile tahminine ait saçılma grafiği Şekil 4.76 ÖHO verisinin tarihlendirme, tatil günlerini belirtme ve GRYSA ile tahmini Şekil 4.77 ÖHO verisinin tarihlendirme, tatil günlerini belirtme ve GRYSA ile tahminine ait saçılma grafiği... 7 Şekil 4.78 TCDD verisinin zaman serisi ve İBGYYSA ile tahmini Şekil 4.79 TCDD verisinin zaman serisi ve İBGYYSA ile tahminine ait saçılma grafiği Şekil 4.8 TCDD verisinin zaman serisi ve RTYSA ile tahmini Şekil 4.81 TCDD verisinin zaman serisi ve RTYSA ile tahminine ait saçılma grafiği x

12 Şekil 4.82 TCDD verisinin zaman serisi ve GRYSA ile tahmini Şekil 4.83 TCDD verisinin zaman serisi ve GRYSA ile tahminine ait saçılma grafiği Şekil 4.84 TCDD hafta içi verisinin zaman serisi ve İBGYYSA ile tahmini Şekil 4.85 TCDD hafta içi verisinin zaman serisi ve İBGYYSA ile tahminine ait saçılma grafiği Şekil 4.86 TCDD hafta içi verisinin zaman serisi ve RTYSA ile tahmini Şekil 4.87 TCDD hafta içi verisinin zaman serisi ve RTYSA ile tahminine ait saçılma grafiği Şekil 4.88 TCDD hafta içi verisinin zaman serisi ve GRYSA ile tahmini Şekil 4.89 TCDD hafta içi verisinin zaman serisi ve GRYSA ile tahminine ait saçılma grafiği Şekil 4.9 TCDD verisinin tarihlendirme ve İBGYYSA ile tahmini Şekil 4.91 TCDD verisinin tarihlendirme ve İBGYYSA ile tahminine ait saçılma grafiği Şekil 4.92 TCDD verisinin tarihlendirme ve RTYSA ile tahmini Şekil 4.93 TCDD verisinin tarihlendirme ve RTYSA ile tahminine ait saçılma grafiği Şekil 4.94 TCDD verisinin tarihlendirme ve GRYSA ile tahmini... 8 Şekil 4.95 TCDD verisinin tarihlendirme ve GRYSA ile tahminine ait saçılma grafiği... 8 Şekil 4.96 TCDD verisinin tarihlendirme, tatil günlerini belirtme ve İBGYYSA ile tahmini Şekil 4.97 TCDD verisinin tarihlendirme, tatil günlerini belirtme ve İBGYYSA ile tahminine ait saçılma grafiği Şekil 4.98 TCDD verisinin tarihlendirme, tatil günlerini belirtme ve RTYSA ile tahmini Şekil 4.99 TCDD verisinin tarihlendirme, tatil günlerini belirtme ve RTYSA ile tahminine ait saçılma grafiği Şekil 4.1 TCDD verisinin tarihlendirme, tatil günlerini belirtme ve GRYSA ile tahmini Şekil 4.11 TCDD verisinin tarihlendirme, tatil günlerini belirtme ve GRYSA ile tahminine ait saçılma grafiği Şekil 4.12 Ulaşım AŞ verisinin zaman serisi ve İBGYYSA ile tahmini Şekil 4.13 Ulaşım AŞ verisinin zaman serisi ve İBGYYSA ile tahminine ait saçılma grafiği Şekil 4.14 Ulaşım AŞ verisinin zaman serisi ve RTYSA ile tahmini Şekil 4.15 Ulaşım AŞ verisinin zaman serisi ve RTYSA ile tahminine ait saçılma grafiği Şekil 4.16 Ulaşım AŞ verisinin zaman serisi ve GRYSA ile tahmini Şekil 4.17 Ulaşım AŞ verisinin zaman serisi ve GRYSA ile tahminine ait saçılma grafiği Şekil 4.18 Ulaşım AŞ hafta içi verisinin zaman serisi ve İBGYYSA ile tahmini Şekil 4.19 Ulaşım AŞ hafta içi verisinin zaman serisi ve İBGYYSA ile tahminine ait saçılma grafiği Şekil 4.11 Ulaşım AŞ hafta içi verisinin zaman serisi ve RTYSA ile tahmini Şekil Ulaşım AŞ hafta içi verisinin zaman serisi ve RTYSA ile tahminine ait saçılma grafiği Şekil Ulaşım AŞ hafta içi verisinin zaman serisi ve GRYSA ile tahmini... 9 xi

13 Şekil Ulaşım AŞ hafta içi verisinin zaman serisi ve GRYSA ile tahminine ait saçılma grafiği... 9 Şekil Ulaşım AŞ verisinin tarihlendirme ve İBGYYSA ile tahmini Şekil Ulaşım AŞ verisinin tarihlendirme ve İBGYYSA ile tahminine ait saçılma grafiği Şekil Ulaşım AŞ verisinin tarihlendirme ve RTYSA ile tahmini Şekil Ulaşım AŞ verisinin tarihlendirme ve RTYSA ile tahminine ait saçılma grafiği Şekil Ulaşım AŞ verisinin tarihlendirme ve GRYSA ile tahmini Şekil Ulaşım AŞ verisinin tarihlendirme ve GRYSA ile tahminine ait saçılma grafiği Şekil 4.12 Ulaşım AŞ verisinin tarihlendirme, tatil günlerini belirtme ve İBGYYSA ile tahmini Şekil Ulaşım AŞ verisinin tarihlendirme, tatil günlerini belirtme ve İBGYYSA ile tahminine ait saçılma grafiği Şekil Ulaşım AŞ verisinin tarihlendirme, tatil günlerini belirtme ve RTYSA ile tahmini Şekil Ulaşım AŞ verisinin tarihlendirme, tatil günlerini belirtme ve RTYSA ile tahminine ait saçılma grafiği Şekil Ulaşım AŞ verisinin tarihlendirme, tatil günlerini belirtme ve GRYSA ile tahmini Şekil Ulaşım AŞ verisinin tarihlendirme, tatil günlerini belirtme ve GRYSA ile tahminine ait saçılma grafiği Şekil 5.1 Deniz İşletmeleri verisinin doğrusal regresyon ile tahmini Şekil 5.2 Deniz İşletmeleri verisinin doğrusal regresyon ile tahminine ait saçılma grafiği Şekil 5.3 İETT verisinin doğrusal regresyon ile tahmini... 1 Şekil 5.4 İETT verisinin doğrusal regresyon ile tahminine ait saçılma grafiği Şekil 5.5 ÖHO verisinin doğrusal regresyon ile tahmini Şekil 5.6 ÖHO verisinin doğrusal regresyon ile tahminine ait saçılma grafiği Şekil 5.7 TCDD verisinin doğrusal regresyon ile tahmini Şekil 5.8 TCDD verisinin doğrusal regresyon ile tahminine ait saçılma grafiği Şekil 5.9 Ulaşım AŞ verisinin doğrusal regresyon ile tahmini Şekil 5.1 Ulaşım AŞ verisinin doğrusal regresyon ile tahminine ait saçılma grafiği xii

14 İSTANBUL İLİNDEKİ TOPLU TAŞIMA YOLCULUK TALEPLERİNİN YAPAY SİNİR AĞLARIYLA MODELLENMESİ ÖZET Yolculuk taleplerinin tahmini toplu taşıma planlamasının en önemli aşamalarından biridir. Bu araştırmada toplu taşıma yolculuk talepleri yapay sinir ağları kullanılarak modellenmesi amaçlanmıştır. Çalışmanın ilk bölümünde çalışmanın amacı açıklanarak konuya giriş yapılmış, ikinci bölümünde İstanbul ilindeki toplu taşıma sistemleri incelenmiş, üçüncü bölümünde yapay sinir ağları hakkında bilgi verilmiş, dördüncü bölümünde üç farklı yapay sinir ağı algoritması ve dört farklı veri kümesiyle Deniz İşletmeleri, İETT, Özel Halk Otobüsleri, TCDD ve Ulaşım AŞ verileri yapay sinir ağlarıyla modellenmiş, beşinci bölümde aynı veriler doğrusal regresyonla modellenerek sonuç bölümünde modellemelerden alınan sonuçlar kıyaslanarak en uygun model seçilmiştir. Her alanda olduğu gibi ulaştırma mühendisliğinde de planlamanın tartışılmaz derecede önemli bir yeri bulunmaktadır. Talep tahmini ise ulaştırma planlamasının öncelikli parametrelerinden biri olup, hakkında bir çok araştırma yapılmış bir konudur. Bu çalışmanın amacı, günümüzde pek çok alanda sıklıkla kullanılan ve başarılı sonuçlar veren yapay sinir ağları yardımıyla, toplu taşıma yolculuk taleplerinin tahminine yönelik bir model oluşturulmasıdır. Çalışma kapsamında öncelikle yapılan çalışmanın amacı ve olası kullanım alanları açıklanmıştır. Çalışmanın ikinci kısmında İstanbul İlindeki toplu taşıma sistemleri hakkında çeşitli işletme ve istatistik değerleri verilmiştir. Ardından yapay sinir ağları hakkında genel bir bilgi verilerek ulaştırma mühendisliğinde kullanım alanlarına değinilmiş, kullanılan yapay sinir ağı metodları açıklanmıştır. Çalışmanın üçüncü kısmı olan modelleme aşamasında Deniz İşletmeleri, İETT, Özel Halk Otobüsleri, TCDD ve Ulaşım AŞ den elde edilmiş olan günlük yolculuk değerleri kullanılmıştır. Eldeki verilerden zaman serileri, hafta içi günlere ait zaman serileri, tarihlendirilmiş seri ve tarihlendirilmiş ve tatil günleri belirtilmiş seri olmak üzere dört farklı veri kümesi elde edilmiştir. Elde edilen seriler İleri beslemeli geriye yayılım, Radyal tabanlı ve genelleştirilmiş regresyon yapay sinir ağları olmak üzere üç farklı YSA algoritmasıyla modellenmiştir. Yapay sinir ağlarıyla elde edilen sonuçları istatistiksel bir modelle karşılaştırmak amacıyla aynı veriler dördüncü kısımda doğrusal regresyonla da modellenmiştir. Çalışmanın son bölümünde elde edilen bütün model sonuçları kıyaslanmıştır. Yapılan karşılaştırma sonucunda tarihlendirilmiş verilerden daha iyi sonuçlar alındığı görülmüştür. İleri beslemeli geriye yayılım yapay sinir ağlarının diğer YSA metodlarına nazaran daha başarılı sonuçlar verdiği belirlenmiştir. Ayrıca genel olarak çalışmada kullanılan bütün YSA metodlarının doğrusal regresyona göre daha başarılı sonuçlar verdiği dikkat çekmiştir. xiii

15 Sonuç olarak elde edilen modelin başarılı sayılabilecek sonuçlar verdiği görülmüş, talep tahmininde başarılı bir modelin ulaştırma planlamasında filo yönetimi, bütçe hesaplamalar gibi pek çok alanda etkin olarak kullanılabileceği vurgulanmıştır. xiv

16 İSTANBUL İLİNDEKİ TOPLU TAŞIMA YOLCULUK TALEPLERİNİN YAPAY SİNİR AĞLARIYLA MODELLENMESİ SUMMARY Prediction of the travel demand is one of the most important phase of transportation planning. The aim of this study is to estimate public transportation demands by using artificial neural networks. In the first section of the study, the objective of the thesis has been stated, in the second section public transportation system of Istanbul has investigated, in the third section artificial neural networks have been explained, in the fourth section Turkish Marine Line, İETT, ÖHO, TCDD and Ulaşım AŞ datas have been modelled by three different algoritms and four different data sets, in the fifth section same data have been modelled by lineer regression and in the final section the results of the models have been compared and the best model has been choosen. As it is same in every field, planning has a very important place in transportation engineering certainly and demand estimation is one of the basic parameter of transportation engineering, about which many researches has been made. The aim of this study, is to build a method for estimation of public transportation travel demand by artificial neural networks, which oftenly used in many areas recently and gives successful results. In this study firstly the aim of study and possible areas of usage has been explained. In the second part, various operating and statistical values of public transportation systems of Istanbul City has been stated. Then general information about artificial neural networks has been given, areas of usage are mentioned and types of ANN used in this study are explained. In the third part of the study, which is the modelling phase, daily trip datas of Turkish Marine Line, IETT, OHO, TCDD and Ulasim A.S. has been used. From existing datas, time series, weekly time series, dated series and dated and holiday marked series were formed. The series were modelled by three different type of ANN: Feed forward back propagation, radial basis function and generilized regression neural networks. For compering the resultsof ANN with statistical model, in the forth part of this study, the same datas has been modelled with lineer regression. In the last section all results gathered from models were compared. By this comperison it can be concluded that dated series gives the best results, and FFBP method is the most effective method. Also it can be concluded that all ANN methods gives better results than lineer regression. As a consequence it can be stated that the model formed gives succeful results and a succesful model in demand estimation can be used effectively in many ares like fleet management, budget computations etc. xv

17 1. GİRİŞ İstanbul tarihi ve kültürel mirası, ticari ve sanayi altyapısı ve gün geçtikçe artmaya devam eden yoğun nüfus yapısı ile dünyanın sayılı metropollerinden biridir. Hızlı nüfus artışına ayak uyduramamış planlama ve yetersiz kentsel altyapısı nedeniyle başta ulaştırma olmak üzere pek çok alanda sıkıntılarla karşılaşmaktadır. Bugün hayatımızın her safhasında hissettiğimiz ulaştırma ve trafik probleminin çözümünün temelinde planlı bir kentleşme ve toplu ulaşım yatırımları yer almaktadır. Ancak yeterli, ekonomik, güvenli ve güvenilir bir toplu ulaşım ağı ile bireysel otomobil kullanımı azaltılarak, kişiler toplu taşımaya yönlendirilebilir.bu şekilde bir toplu taşıma ağının oluşturulabilmesi için de toplu taşıma planlamasının tartışılmaz derecede önemli bir yeri vardır. Toplu taşıma planlaması hat güzergahlarından, çalışan araç sayısına ve sıklığına, taşıma ücretlerinden, durak yer ve fiziksel özelliklerinin belirlenmesine kadar pek çok konuyla ilgilenmektedir. Bütün bu problemlerin çözüm kümesinin girdisi olarak kullanılabilecek en önemli parametrelerinden biri de taleptir. Ticari bir işletmede piyasa talebi arz talep dengesini kurmak için ne derece önemliyse, toplu taşıma planlamasında da yolculuk talepleri o derece önemlidir. Ulaştırma yatırımlarının kamu faydası gözetilerek yapılan yüksek maliyetli yatırımlar olduğu düşünüldüğünde ise toplu taşımada talebin önemi daha da belirgin bir biçimde öne çıkmaktadır. Bu çalışmanın amacı İstanbul ilindeki toplu taşıma yolculuk taleplerine ilişkin bir model oluşturulmasıdır. Çalışma kapsamında öncelikle İstanbul toplu taşıma sistemleri hakkında genel bir bilgi verilecek, ardından modelleme çalışmasının yapılacağı yapay sinir ağları ve algoritmaları açıklanacaktır. Bir sonraki adımda yapay sinir ağı algoritmalarıyla toplu taşıma yolculuk verileri modellenecek, aynı veri istatistiksel bir metot olaran doğrusal regresyonla da modellenip sonuç kısmında bütün çıktılar kıyaslanarak en iyi model bulunmaya çalışılacaktır. 1

18 2. İSTANBUL TOPLU TAŞIMA SİSTEMLERİ İstanbul un toplu taşıma sistemi üç farklı alt toplu taşıma sisteminden oluşmaktadır. Bunlar lastik tekerlekli toplu taşıma araçları, denizyolu toplu taşıma araçları ve raylı sistem toplu taşıma araçlarıdır [1]. LASTİK TEKERLEKLİ 88% RAYLI 8% DENİZYOLU 4% Şekil 2.1 İstanbul daki toplu taşıma sisteminin türlere göre dağılımı Şekil 2.1 den de anlaşılabileceği gibi İstanbul un toplu taşıma sistemi karayolu ağırlıklı olup, bu durum türler arasında büyük bir dengesizlik doğurmaktadır. 2.1 Lastik Tekerlekli Toplu Taşıma Sistemi İstanbul toplu taşıma sisteminde en büyük payı alan lastik tekerlekli toplu taşıma sistemi 5 farklı taşıma türünden oluşmaktadır. Bunlar belediye otobüsleri, özel halk otobüsleri ve ilçe - belde taşımacılığı yapan otobüslerden oluşan İETT; dolmuşlar; minibüsler; taksiler ve son olarak işyeri ve okullara hizmet veren servislerdir. Şekil 2.2. de bu taşıma türlerinin aldığı paylar görülmektedir [1]. Çalışmada agırlıklı olarak akbil kullanılan araçlar inceleneceği için bu sistemlerden sadece İETT ve ÖHO araçları irdelenmiştir. 2

19 DOLMUŞ 1% TAKSİ 12% SERVİS 17% MİNİBÜS 33% İETT 37% Şekil 2.2 İstanbul lastik tekerlekli toplu taşıma sisteminde taşıma türlerinin aldığı paylar Kamu otobüs taşımacılığı, 3645 sayılı kanun uyarınca Büyükşehir Belediyesi adına İETT Genel Müdürlüğü nce yürütülmektedir. Özel halk otobüsleri ise UKOME kararı ile İETT nin yönetim ve denetimine bırakılmıştır. Son olarak 24 senesinde 5216 sayılı kanun ile Büyükşehir Belediyesi sınırının genişlemesiyle, daha önce sınırlar dışında kalan belde ve ilçelere ait taşımacılık görev ve yetkileri bu ilçe ve beldelerden tüm otobüs ve midibüsleriyle birlikte Büyükşehir Belediyesi ne devrolmuş ve İETT bünyesinde hizmet vermeye başlamıştır [2]. Böylece servisler dışında kalan (tarifeli) otobüs toplu taşıma sistemi tek bir elde yani İETT bünyesinde toplanmıştır. İETT ye bağlı tüm otobüslerinin 22 yılından itibaren taşıdığı günlük ortalama yolcu sayıları Tablo 2.1 de gösterilmiştir. Tablo 2.1 Yıllara göre İETT nin taşıdığı günlük ortalama yolcu sayısının değişimi YIL GÜNLÜK ORT. YOLCU SAYISI

20 İETT nin hatları; sadece belediye otobüslerinden, sadece özel halk otobüslerinden, sadece ilçe ve belde taşımacılığı yapan araçlardan oluşan ve hem belediye hem de özel halk otobüslerinin beraber kullanıldığı hatlardan oluşmaktadır. Toplam 543 hattın büyük bir çoğunluğunun Avrupa yakasında çalıştığı görülmektedir. Yakalara göre hat sayıları Tablo 2.2 de, toplam içindeki payları ise Şekil 2.3 te gösterilmiştir. Tablo 2.2 İETT hatlarının yakalara göre dağılımı ANADOLU AVRUPA KITALAR ARASI 1.köprü 2.köprü TOPLAM HAT SAYISI ANADOLU 36% KITALAR ARASI 6% AVRUPA 58% Şekil 2.3 İETT hatlarının yakalara göre oransal dağılımı İETT nin yaptığı toplam taşıma içinde özel halk otobüslerinin ve belediye otobüslerinin taşıdıkları yolcular Tablo 2.3 te gösterilmiştir. Tablo 2.3 Belediye otobüsü ve özel halk otobüslerinin taşıdıkları günlük yolcu sayıları ÖHO BELEDİYE TOPLAM

21 Şekil 2.4 Belediye otobüsü ve özel halk otobüslerinin İETT nin taşıdığı günlük toplam yolcu içindeki payları İETT hatlarının uzunlukları 1 km den 2 km ye kadar değişmekte ve günlük ortalama yolcu sayıları bazı hatlarda 2. e yaklaşırken bazı hatlarda 1. nin altında olmaktadır. Hat uzunlukları sıklıklarına göre gruplandığında en fazla hattın 11 2 km aralığında bulunduğu görülmektedir. Şekil 2.5 te tüm hatların uzunluklarına göre gruplanışı gösterilmiştir. 25 hat sayısı hat uzunluğu Şekil 2.5 İETT hatlarının uzunluklarına göre değişimi 5

22 İETT bünyesinde 2512 si belediye otobüsü, 24 ı özel halk otobüsü ve 676 sı da ilçe ve belde taşımacılığı yapan otobüs - midibüs olmak üzere çeşitli türlerde toplam 5228 aracı vardır. Bunların dağılımları aşağıdaki tabloda gösterilmiştir. Tablo 2.4 İETT otobüslerinin tiplerine göre sayıları Normal Doğal Gazlı Körüklü Çift Katlı Turistik Çift Katlı Midibüs Engelli Toplam Belediye ÖHO Raylı Sistemler İstanbul il sınırları içerisinde toplu taşıma görevi üstlenen toplam 12 km uzunluğunda raylı sistem bulunmaktadır. 3 ayrı kuruluş tarafından işletilen raylı toplu taşıma sistemi, günde yaklaşık 54. yolcu taşıyarak, il genelindeki tüm toplu taşıma sistemi içerisinde % 8 lik bir pay almaktadır. Şekil 2.6 da raylı sistemlerin hat uzunluna göre dağılımı, Tablo 2.5 de raylı sistemlerin türlerine göre işletmeci, güzergah ve hat uzunlukları bilgileri verilmiştir. CADDE TRAMVAYI 12% METRO 7% N. TRAMVAY 4% Diğer 1% HAFİF RAYLI (LRT) 17% BANLİYÖ HATTI 59% Şekil 2.6 Raylı sistem türlerinin toplam hat uzunluğundaki payları 6

23 Tablo 2.5 Raylı sistemlerin türlerine göre işletmeci, güzergah ve hat uzunluk bilgileri TÜR İŞLETMECİ GÜZERGAH UZUNLUK (km) BANLİYÖ HATTI TCDD Haydarpaşa Gebze 44,7 Sirkeci Halkalı 27,6 HAFİF METRO (LRT) ULAŞIM A.Ş Aksaray Havalimanı 2 CADDE TRAMVAYI ULAŞIM A.Ş Kabataş Zeytinburnu 14 METRO ULAŞIM A.Ş Taksim 4. Levent 8,5 N. TRAMVAY İETT Tünel (Şişhane) Taksim 1,6 ULAŞIM A.Ş. Kadıköy Moda 2,8 FÜNİKÜLER (Tünel) İETT Karaköy Tünel (Şişhane),6 TELEFERİK ULAŞIM A.Ş Taşkışla Maçka,3 TOPLAM Banliyö Hatları İstanbul un her iki yakasında kıyıya paralel çift hatlı şehir içi, şehirler arası ve uluslar arası bağlantıların yapıldığı demiryolu şebekesi mevcuttur. Bu şebeke üzerinde, TCDD işletmesine ait Haydarpaşa Gebze ve Sirkeci Halkalı olmak üzere 2 adet banliyö tren hattı bulunmaktadır. Bu hatlarla ilgili özellikler aşağıdaki Tablo 2.6 da verilmiştir. Banliyö hatlarının yıllık yolculuk sayıları ve bu sayılardaki değişim ise Tablo 2.7 de gösterilmiştir. 7

24 Tablo 2.6 Haydarpaşa Gebze ve Sirkeci Halkalı banliyö hatlarının hizmet özellikleri HAYDARPAŞA GEBZE SİRKECİ - HALKALI Hat Uzunluğu 44,67 km 27,63 km Ortalama yolculuk süresi 7 dakika 5 dakika İşletme hızı 37,54 km/sa 33,12 km/sa İstasyon sayısı Hat kapasitesi 178 tren/gün (yolcu+yük+banliyö) 18 tren/gün (yolcu+yük+banliyö) Araç sayısı Sefer sayısı 116 (gidiş geliş) 116 (gidiş geliş) Hizmet sıklığı Zirve saatlerde 1 dk., Zirve dışı saatlerde 2 dk. Zirve saatlerde 1 dk., Zirve dışı saatlerde 2 dk. 1 trenin kapasitesi 1.9 yolcu yolcu Günlük kapasite Yıllık ortalama günlük trafik (YOGT)

25 Tablo yılları arası banliyö hatları ile taşınan yolcu sayıları ve artış yüzdeleri Yıllar Haydarpaşa- Gebze % Artış Sirkeci- Halkalı % Artış Toplam % Artış , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , Cadde Tramvayı İlk olarak 1992 senesinde Aksaray Beyazıt arasında hizmete giren çağdaş tramvay, 1996 senesine kadar Eminönü Zeytinburnu arasında genişlemiş, 25 senesinde ise Eminönü nden Kabataş a kadar uzatılmıştır. Hat üzerinde 24 istasyon bulunmaktadır ve sefer süresi 42,5 dakikadır. Hafta içi günde ortalama 385 sefer yapan tramvay, zirve dışı saatlerde 5 dakikada bir geçerken, zirve saatlerde yoğunluklarına göre belirli hatlarda fazladan ring seferler yapılmakta ve sefer sıklığı 2,5 3,5 dakikaya inmektedir (Tablo 2.8). Tablo 2.9 ise yılları arası yolcu sayısının artışını göstermektedir. 9

26 Tablo 2.8 Zeytinburnu Kabataş hattının özellikleri Zeytinburnu Kabataş Eminönü Kabataş kesimi Hat uzunluğu 14 km 2.8 km İstasyon sayısı 24 4 Araç sayısı Kapasite 19. yolcu/gün 15. yolcu/sa/yön Sefer süresi 42.5 dakika 9 dakika Yıllık ortalama günlük trafik (YOGT) yolcu/gün (24 Zeytinburnu - Eminönü) Günlük sefer sayısı 385 (haftaiçi) - Sefer sıklığı 5 dk, zirve saatlerde yoğunluğa göre 2,5 3,5 dk - 5 dk, zirve saatlerde yoğunluğa göre 2,5 3,5 dk Tablo 2.9 Zeytinburnu Eminönü kesimi yıllara göre yolcu sayıları (yolcu/yıl ) [3] YIL YOLCU SAYISI (yolcu/yıl) % ARTIŞ ,

27 2.2.3 Hafif Metro (LRT) 1989 yılında hizmete giren Aksaray Kartaltepe hattı, 22 senesine kadar Havalimanına doğru genişleyerek 2 km uzunluğunda ve 18 istasyonlu bir hat haline gelmiştir. Sefer süresi 31 dakika olan hafif raylı metro hattı, günde 45 sefer yapmaktadır ve bir yönde saatte 35. yolcu taşıma kapasitesine sahiptir. İşletme bilgileri Tablo 2.1 da gösterilmiştir. 24 verilerine göre yıllık ortalama günlük trafiği olan hafif raylı metro, raylı sistemler arasında en çok yolcu taşıyan sistemdir. Ayrıca, Zeytinburnu durağından tramvaya aktarma yapılabilmektedir. Tablo 2.1 Aksaray-Havalimanı hafif metrosu özellikleri Aksaray Havalimanı Hat uzunluğu 2 km İstasyon sayısı 18 Araç sayısı 74 Kapasite Sefer süresi Yıllık ortalama günlük trafik (YOGT) 35. kişi/saat/yön 31 dakika yolcu/gün (24) Günlük sefer sayısı Sefer sıklığı 45 sefer/gün Pik saatte 5 ve 7 dakika, diğer saatlerde 1 dakika aralıklarla İlk hizmete girdiği sene 6 istasyonluk bir hatla yolcu taşıyan sistem, 24 yılında 18 istasyona genişleyen hat üzerinde toplam yolcu taşımıştır. Yıllara göre taşıdığı yolcu sayısı ve artış oranı Tablo 2.11 de gösterilmiştir. 11

28 Tablo 2.11 Hafif metronun yıllara göre yolcu sayıları (yolcu/yıl) [3] YIL YOLCU SAYISI (yolcu/yıl) % ARTIŞ Metro 2 yılında hizmete giren 6 istasyonlu metro 4.Levent ile Taksim arasında yer almaktadır. 8,5 km lik hat üzerinde günde ortalama 45 sefer yapılmakta ve ortalama yolcu taşınmaktadır. İşletme bilgileri Tablo 2.12 de verilmiştir. Hizmete 12

29 sunulduğu günden bugüne taşınan yolcu sayısı yaklaşık 7 kat artmıştır. Yıllara göre taşıdığı yolcu sayısı ve artış oranı Tablo 2.13 de verilmiştir. Tablo Levent-Taksim metrosu işletme özellikleri 4. Levent Taksim Hat uzunluğu 8,5 km İstasyon sayısı 6 Araç sayısı 32 Kapasite Sefer süresi 22.5 kişi/saat/yön 12 dakika Günlük ortalama yolcu sayısı yolcu/gün (24) Günlük sefer sayısı Sefer sıklığı 45 sefer/gün Pik saatte 4.5 dakika Tablo Levent-Taksim metrosu yıllara göre yolculuk bilgileri (kişi/yıl) [3] YILLAR METRO % ARTIŞ Nostaljik Tramvay İstanbul da, biri Taksim, diğeri Kadıköy de olmak üzere toplam 2 tane nostaljik tramvay bulunmaktadır. 13

30 1961 senesinde kaldırılıp 199 senesinde tekrar hizmete sunulan Tünel Taksim nostaljik tramvayı hattı günde ortalama 3 sefer yapmaktadır ve günlük yolcu kapasitesi 4. yolcu/gün dür. İşletme bilgileri Tablo 2.14 de verilmiştir. Tablo 2.14 Tünel Taksim nostalji tramvayı işletme özellikleri Tünel Taksim Hat uzunluğu 1,6 km İstasyon sayısı 3 Araç sayısı 2 Kapasite Yıllık ortalama günlük trafik (YOGT 24 ilk 1 ay) Günlük sefer sayısı Sefer sıklığı 3 yolcu/araç, 4. yolcu/gün sefer/gün 15 dakika 23 senesinde hizmete giren Kadıköy Moda nostaljik tramvayı, Kadıköy meydanından hareket ederek Bahariye Caddesi ve sonra Moda Caddesi ni takip ederek tekrar Kadıköy meydanına dönmektedir. 2,8 km lik bu hat üzerinde 1 istasyon bulunmaktadır ve günde 81 sefer yaparak günde ortalama yolcu taşımaktadır. İşletme bilgileri 2.15 de verilmiştir. Tablo 2.15 Kadıköy Moda nostaljik tramvayı işletme özellikleri Kadıköy - Moda Hat uzunluğu 2,8 km İstasyon sayısı 1 Araç sayısı 4 Kapasite Sefer süresi Günlük ortalama yolcu sayısı Günlük sefer sayısı Sefer sıklığı 15. yolcu/gün 21 dakika yolcu/gün 81 sefer/gün 1 dakika 14

31 2.2.6 Füniküler Sitem (Tünel) 1871 yılında işletmeye açılan Tünel, karşılıklı iki yönde birer vagonuyla hizmet vermektedir. Sefer süresi 1,5 dakika olan tünel, günde ortalama 175 sefer yapmakta ve yolcu taşımaktadır. İşletme bilgileri Tablo 2.16 da verilmiştir. Tablo 2.16 Füniküler Sistemin (Tünel) İşletme Özellikleri Hat uzunluğu,6 km İstasyon sayısı 2 Araç sayısı 2 Kapasite Sefer süresi Yıllık ortalama günlük trafik (YOGT) Günlük sefer sayısı Sefer sıklığı 48 yolcu/vagon, 15. yolcu/gün 1,5 dakika yolcu/gün (24 ortalama) sefer/gün 5 1 dakika Teleferik 1993 senesinde hizmete giren teleferik Maçka ve Taşkışla arasında Demokrasi Parkı üzerinde bulunmaktadır. Karşılıklı iki yönde ikişer kabinle taşınan yolcuların %8 i öğrencidir. Tablo 2.18 de yıllara göre taşıdığı yolcu sayısı ve artış oranı, Tablo 2.17 de teleferiğin işletme özellikleri verilmiştir. Tablo 2.17 Yıllara göre teleferikle yolcu geçiş değerleri (kişi/yıl) YIL TAŞINAN YOLCU SAYISI (yolcu/yıl) % ARTIŞ

32 Tablo 2.18 Teleferiğin işletme özellikleri Hat uzunluğu 347 m İstasyon sayısı 2 Araç sayısı Kapasite Sefer süresi 4 kabin 12 yolcu/yön, 1.5 yolcu/gün 3 dakika Günlük ortalama yolcu sayısı 679 yolcu/gün (24) Günlük sefer sayısı Sefer sıklığı 12 (24 ortalama) 1 15 dakika 2.3 Denizyolu Sistemleri Denizyolu toplu taşıma sisteminde 3 tür bulunmaktadır: şehir hatları vapurları, deniz otobüsleri ve deniz motorları. Vapurlar, günde ortalama 16. yolcu ile denizyolu yolcu trafiğinin %63 ünü taşımaktadır. Günde ortalama 251. yolcu taşıyan denizyolu toplu taşıma sisteminin, tüm toplu taşıma sistemindeki payı %4 tür. Tablo 2.19 da denizyolu taşıma türlerine ait bilgiler verilmiştir. Şekil 2.7 de ise deniz yollarıyla yapılan toplu taşıma yolculuklarının türlere göre dağılımı gösterilmiştir. Tablo 2.19 Denizyolu taşıma türlerine ait kapasiteler ve günlük taşınan ortalama yolcu sayısı Taşıma Türü İskele Sayısı Araç Sayısı Günlük Taşınan Ortalama Yolcu Sayısı % TDİ Deniz Motorları İDO Toplam

33 Deniz otobüsleri 8% Deniz motorları 29% Şehir hatları 63% Şekil 2.7 İstanbul daki denizyolu yolculuklarının dağılımı Daha önce TDİ bünyesinde faaliyet gösteren şehir hatları, 25 senesinde İDO ya devredilmiştir. Aşağıdaki tabloda şehir hatları yolcu vapuru iskeleleri listelenmiştir. Ayrıca şehir hatlarında taşımacılık için Sirkeci, Harem, Topçular ve Eskihisar feribot iskeleleri de kullanılmaktadır [4]. Tablo 2.2 de Şehir Hatlarının taşıdığı yolcu ve araç sayısı gösterilmiştir. Tablo 2.2 TDİ Şehir Hatlarının yıllara göre yıllık ortalama günlük trafik değerleri İstanbul Bölgesi İstanbul Dışı Tüm Hatlar Toplamı % Artış Yıllar Yolcu Araç Yolcu Araç Yolcu Araç Yolcu Araç ,42 6, ,12 5, ,7 6, ,22 4, ,82-1, ,43-7, ,22, ,95-3, ,11 7, ,4 1,78 17

34 3. YAPAY SİNİR AĞLARI Yapay sinir ağları (YSA), gelenekselleşmiş programlama yöntemleriyle çözülmesi zor ya da imkansız olan problemleri; insan beynine ait öğrenme, yeni bilgiler oluşturabilme ve keşfetme gibi yetenekleriyle kendisi çözebilen bilgisayar sistemleridir. Deterministik yöntemlerde bağıntısı ifade edilemeyen, çözülemeyen problemler bile sezgisel yöntemler ile bilgisayar tarafından çözülebilmektedir. YSA, basit biyolojik sinir sisteminin çalışma şekli simüle edilerek tasarlanan bir programlama yaklaşımıdır. Simüle edilen sinir hücreleri nöronlar içerirler ve bu nöronlar çeşitli şekillerde birbirlerine bağlanarak ağı oluştururlar. Bu ağlar öğrenme, hafızaya alma ve veriler arasındaki ilişkiyi ortaya çıkarma kapasitesine sahiptirler. YSA ulaştırma planlamasında önceden deterministik ve istatistiksel yöntemlerle çözülen [5-1] pek çok probleme uygulanmış ve başarılı sonuçlar alınmıştır [11]. Bu uygulama alanlarının başında trafik akımının tahmini gelmektedir. [12-21] Toplu taşıma planlamasının önemli aşamalarından biri olan başlangıç-bitiş matrisinin tahmininde, ağ geliştirme problemlerinde ve yolculuk talebinin tahmininde de yapay sinir ağları etkin bir biçimde kullanılmıştır. [22] 3.1 İleri Beslemeli Geriye Yayılım Yapay Sinir Ağları Bu yapay sinir ağı metodu Şekil 3.1 de görülebileceği üzere birbirlerine ağırlık kümeleriyle bağlanmış üç tabakadan oluşmaktadır. Nöronlardan oluşmuş olan bu tabakalar sırasıyla girdi tabakası, gizli tabaka ve çıktı tabakası olarak isimlendirilirler. Her tabakanın bağlanma şekli ve nöron sayısı farklılık gösterebilir. Tabakaların kendi içinde bağlanmasına izin verilmemektedir. 18

35 Şekil 3.1 Tek gizli tabakalı tam bağlanmış ileri beslemeli geriye yayılım yapay sinir ağı İleri beslemeli geriye yayılım yapay sinir ağları temel olarak iki aşamadan oluşmaktadır. İlk aşama, çıktı tabakasındaki çıktı bilgisini hesaplamak için girdi nöronlarındaki dış girdi bilgisini ileriye doğru ileten bir ileri besleme; ikinci aşama ise çıktı tabakasında hesaplanan ve gözlenen bilgi sinyalleri arasındaki farklara dayanarak ağırlık kümeleri üzerinde değişikliklerin yapıldığı bir geri besleme aşamasıdır [23]. Girdi tabakasının her bir nöronuna x i, i=1,2,.,k girdi değerleri, çıktı tabakasındaki nöronlarda T n, n=1,2,..m çıktı değerleri kümesi bulunan toplam N adet girdi grubu bulunmaktadır. Girdi değerleri gizli tabakadaki ilk ara bağıntı ağırlıkları, w ij, j=1,2,.,h ile çarpılmakta ve sonuçlar i indeksi boyunca toplanmakta ve gizli birimlerin girdileri olmaktadırlar. k H = w x j = 1,2,..., h (1) j ij i i= 1 Burada H j j gizli nöronunun girdisi, w ij ise i nöronundan j nöronuna olan bağlantının ağırlık değeridir. Her gizli nöron bir sigmoid fonksiyonu yardımı ile bir gizli nöron çıktısı, HO j, oluşturmaktadır. HO j şu şekilde tanımlanmaktadır: 1 HO j = f ( H j) = (2) 1 + exp[ ( H + θ )] j j 19

36 Bu formülasyonda H j nöronun girdisi, f(h j ) nöron çıktısı, ve θ j başlangıç veya taraflılık değeridir. HOj çıktısı bir sonraki birimin girdisi olmakta ve bu işlem çıktı birimine ulaşıncaya kadar bu şekilde devam etmektedir. Çıktı nöronlarına ulaşan girdi, h IO = w HO n= 1, 2,..., m (3) n jn jn j= 1 bulunmaktadır. Bu girdi değerleri daha önce tanımlanan sigmoid fonksiyonu tarafından işlenerek sinir ağı çıktısı O n, elde edilmektedir. Daha sonraki ağırlık düzenlemesi ya da öğrenme süreci hesaplanan çıktı değerleri ile gözlenen değerler arasındaki farkın bulunarak hatanın geriye yayılmasıyla yani geriye yayılım algoritmasıyla sağlanmaktadır. Her girdi grubu için hata karelerinin toplamı ep, p inci girdi grubu için şu şekilde bulunmaktadır: m 2 p = ( n n) (4) n= 1 e T O Ortalama kare hatası E, bütün girdi grupları için şu şekilde hesaplanmaktadır: 1 E = T O 2 N m 2 ( pn pn) (5) N p = 1 n = 1 Burada T pn, p inci grup için T n hedef değeri, O pn ise p inci grup için O n çıktı değeridir. Geriye doğru ilerleme algoritmasının amacı ortalama kare hatasının iterasyonlar yardımıyla en aza indirilmesidir. Bunun için öncelikle çıktı tabakasındaki her nöron için δ n gradyanının hesaplanması gereklidir. δ = O (1 O )( T O ) (6) n n n n n Hata gradyanı δ j daha sonra gizli birimler için bir önceki birimdeki hataların ağırlıklı toplamının hesaplanması ile bulunmaktadır. δ = HO (1 HO ) δ w (7) j j j n jn n= 1 m 2

37 Hata gradyanları daha sonra ağ ağırlıklarını güncellemek için kullanılmaktadır. Δ w () r = ηδ x (8) ij j i w ( r+ 1) = w ( r) +Δ w ( r) (9) ij ji ji n inci veri sunumundan sonraki ağırlık değişimi şu şekildedir: Δ w () r = ηδ x + αδw ( r 1) (1) ij j i ji Burada α, sonuca hızlı ulaşılmasını sağlayan momentum oran terimi, η etap boyutunu ayarlayan öğrenme oranı, r ise iterasyon numarasıdır. 3.2 Radyal Tabanlı Yapay Sinir Ağları Radyal tabanlı fonksiyonlara dayalı yapay sinir ağları modeli insan sinir sistemindeki nöronlarda görülen yerel etki tepki davranışlarından esinlenilerek oluşturulmuştur [24]. Broomhead ve Lowe tarafından 1988 yılında önerilen metodun teorisi çok değişkenli fonksiyonların enterpolasyonuna dayanmaktadır. Normal şartlarda enterpolasyon probleminin kesin çözümü verilen noktalar arasında salınım yapan sıradan bir fonksiyondur. Radyal tabanlı fonksiyonlar Şekil 3.2 de görülebileceği gibi üç tabakadan oluşan bir YSA metodudur. Girdi tabakası şebekeye giren verilerin yer aldığı tabakadır. Gizli hücre tabakasında temel fonksiyonların çıktıları hesaplanır. Çıktı tabakasında ise temel fonksiyonlar arasında lineer bir bağıntı veya kombinasyon bulunmaya çalışılır. 21

38 Şekil 3.2 Radyal Tabanlı Yapay Sinir Ağı yapısı. Radyal tabanlı fonksiyonların teorisi çok değişkenli fonksiyonların enterpolasyonuna dayanmaktadır. Burada amaç ( x s, y s ) N s= 1 ifadelerinin enterpolasyonunu yapmaktır. Bu durumda x s R d olmalıdır. Bu denklemde F lineer uzayda bir fonksiyon olduğundan yani doğrusal bir fonksiyon olduğundan radyal tabanlı fonksiyonlar yaklaşımında F enterpolasyon fonksiyonu temel bazı fonksiyonların lineer bir kombinasyonudur. n i= 1 s ( ) F( x) = Wsφ x x + p( x) (11) Bu denklemde öklid normu, w 1,...,w N reel sayılar, φ geçek değişkenli bir fonksiyon, p Π d n ise en fazla n. derecede olabilen d sayıda değişkeni olan bir polinomdur. Bu enterpolasyon probleminde amaç w 1,...,w N değişkenlerini bulmak ve D p = ap polinom terimini elde etmektir. Bu polinomda l= 1 l j a 1,...,a D sayıları da reel katsayılardır. Enterpolasyon şartları şunlardır: Π d n a standart temel ve s s F( x ) = y, s = 1,..., N N s= 1 s ( ) wp x =, j= 1,..., D s j (12) (13) Eğer veri noktalarından herhangi birisi için enterpolasyon problemi tek çözümlü ise φ fonksiyonu Radyal Tabanlı Fonksiyon olarak tanımlanır. Bu durumlarda denklem (11) deki polinomun terimleri ihmal edilebilir ve denklem (13) deki terimler ile toplandığında aşağıdaki denklem meydana gelir. φ w= y (14) Bu denklemde w=( w 1,...,w N ), y=(y 1,...,y N ), ve φ de NXN bir matristir. Bu matris şöyle tanımlanabilir: ( ( )) k s φ x x ks, = 1,..., φ = (15) N 22

39 Eğer φ fonksiyonunun tersi mevcutsa enterpolasyon probleminin çözümü olan w değerleri kesin bir şekilde hesaplanabilir ve w 1 = φ yformunu alır. En popüler ve en çok kullanılan Radyal tabanlı Fonksiyonlar Gauss tabanlı fonksiyonlardır. Bunlar şöyle ifade edilir: 2 ( x c /2σ ) φ x c = e (16) ( ) Bu fonksiyonun c değeri küçülür. d R merkezinde en yüksek değeri alır ve merkezden uzaklaştıkça Radyal Tabanlı Fonksiyonların enterpoasyonunda kesin çözüm her ( s s, ) x y veri noktası için vardır. Normal şartlarda enterpolasyon probleminin kesin çözümü verilen noktalar arasında salınım yapan sıradan bir fonksiyondur. Kesin enterpolasyon prosedüründe karşılaşılan bir başka problem de şudur ki temel fonksiyonların sayısı veri noktalarının sayısına eşit olmakta ve bu nedenle φ NxN matrisinin tersini hesaplamak pratikte zor olmaktadır [25]. 3.3 Genelleştirilmiş Regresyon Yapay Sinir Ağları Bu yapay sinir ağı metodu geriye yayılım metodunda olduğunun aksine iteratif bir eğitim aşaması gerektirmemektedir. Specht (1991) tarafından literatüre katılan genelleştirilmiş regresyon yapay sinir ağları (GRYSA), eğitim verisini kullanılarak girdi ve çıktı vektörleri arasında herhangi bir fonksiyonu tahmin etmeye dayalı bir metottur. Eğitim için ayrılan veri kümesi genişledikçe tahmin hatası sıfıra iner. GRYSA, radyal tabanlı fonksiyonlara benzer ve çekirdek regresyon denilen bir standart istatistik tekniğine dayanır. Tanım olarak bilindiği gibi regresyon, herhangi bir bağımsız x değişkeni ve eğitim verisinden, en olası bağımlı y değişkenini tahmin etmeye dayalıdır. Regresyon metodu ortak kare hatasını en aza indirecek y yi tahmin eder. GRYSA, bir eğitim seti verildiğinde x ve y nin ortak olasılık yoğunluk fonksiyonunu tahmin etmeye çalışan bir metottur. Ortak yoğunluk fonksiyonu veriden bir ön kabul yapılmadan elde edildiği için sistem genel olarak idealdir. 23