Raylı sistemlerde yolcu sayısının derin öğrenme algoritmaları iletahminlenmesi

Basit Öğe Kaydı
dc.contributor.advisorUğurlu, Onur
dc.contributor.authorAsutay, Aslı
dc.date.accessioned2025-03-18T22:23:56Z
dc.date.available2025-03-18T22:23:56Z
dc.date.issued2024
dc.departmentEnstitüler, Lisansüstü Eğitim Enstitüsü, Akıllı Sistemler Mühendisliği Ana Bilim Dalı
dc.description.abstractToplu 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.
dc.description.abstractPublic 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).
dc.identifier.endpage62
dc.identifier.startpage1
dc.identifier.urihttps://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=usXiZIM9Lp0wk-YzRoaT-7EfzWmAaTt0v3w5U7o2_IIThBXbD8dEUP8BGA--JQIk
dc.identifier.urihttps://hdl.handle.net/20.500.14034/1858
dc.identifier.yoktezid881186
dc.institutionauthorAsutay, Aslı
dc.language.isotr
dc.publisherİzmir Bakırçay Üniversitesi Lisansüstü Eğitim Enstitüsü
dc.relation.publicationcategoryTez
dc.rightsinfo:eu-repo/semantics/openAccess
dc.snmzKA_TEZ_20250319
dc.subjectMühendislik Bilimleri
dc.subjectEngineering Sciences
dc.titleRaylı sistemlerde yolcu sayısının derin öğrenme algoritmaları iletahminlenmesi
dc.title.alternativeForecasting the number of passengers in rail system by deep learning algorithms
dc.typeMaster Thesis

Dosyalar

Koleksiyon

Tez Koleksiyonu