Raylı sistemlerde yolcu sayısının derin öğrenme algoritmaları iletahminlenmesi
Küçük Resim Yok
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
İzmir Bakırçay Üniversitesi Lisansüstü Eğitim Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Toplu taşıma şehirlerin gelişiminde kritik bir rol oynar. Kent içi yolcu sayısındaki artış, toplu taşıma sorunlarını artırır, bu nedenle yerel yönetimler toplu ulaşım hizmetlerini iyileştirmeye çalışır. Raylı sistemler, sürdürülebilir ulaşım, trafik sıkışıklığını azaltma ve çevre dostu olma avantajlarına sahiptir, ancak etkin yönetim için yolcu taleplerinin doğru tahmin edilmesi gerekir. Geleneksel istatistiksel yöntemlerin yanı sıra, derin öğrenme algoritmaları da yolcu taleplerinin tahmin edilmesinde önemli bir araçtır. Bu algoritmalar, seyahat saatleri, hava durumu, özel günler gibi faktörleri analiz ederek daha güvenilir tahminler yapabilir. Bu tezde, New York metrosu verileri üzerindeki yolcu bilgileri zaman serileri ile modellenmiş ve bu veriler üzerinde Uzun Kısa Süreli Bellek (Long Short Term Memory – LSTM) ve Tekrarlayan Sinir Ağları (Recurrent Neural Network – RNN) algoritmaları kullanılarak 14 durak için saatlik yolcu sayıları tahmin edilmiştir. Tahmin modellerinin performansları, Kök Ortalama Kare Hatası (Root Mean Squared Error – RMSE), Ortalama Mutlak Hatası (Mean Absolute Error – MAE) ve Belirleme Katsayısı (Coefficient of Determination - R2 ) gibi metriklerle değerlendirilmiştir.
Public transportation plays a critical role in the development of cities. The increase in the number of passengers within urban areas exacerbates public transportation issues; therefore, local governments strive to improve public transportation services. Rail systems have advantages such as sustainable transportation, reducing traffic congestion, and being environmentally friendly. However, accurate prediction of passenger demand is necessary for efficient management. In addition to traditional statistical methods, deep learning algorithms are also an important tool for predicting passenger demand. These algorithms can make more reliable predictions by analyzing factors such as travel times, weather conditions, and special days. In this thesis, passenger information from New York City subway data was modeled using time series, and hourly passenger numbers for 14 stations were predicted using Long Short-Term Memory (LSTM) and Recurrent Neural Network (RNN) algorithms. The performance of the prediction models was evaluated using metrics such as Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), and Coefficient of Determination (R2).
Public transportation plays a critical role in the development of cities. The increase in the number of passengers within urban areas exacerbates public transportation issues; therefore, local governments strive to improve public transportation services. Rail systems have advantages such as sustainable transportation, reducing traffic congestion, and being environmentally friendly. However, accurate prediction of passenger demand is necessary for efficient management. In addition to traditional statistical methods, deep learning algorithms are also an important tool for predicting passenger demand. These algorithms can make more reliable predictions by analyzing factors such as travel times, weather conditions, and special days. In this thesis, passenger information from New York City subway data was modeled using time series, and hourly passenger numbers for 14 stations were predicted using Long Short-Term Memory (LSTM) and Recurrent Neural Network (RNN) algorithms. The performance of the prediction models was evaluated using metrics such as Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), and Coefficient of Determination (R2).
Açıklama
Anahtar Kelimeler
Mühendislik Bilimleri, Engineering Sciences
