Optimum taşıt sayısının belirlenmesinde yapay sinir ağları ile çok değişkenli regresyon tekniklerinin karşılaştırılması

Year 2020, , 771 - 782, 15.06.2020

Ömer Faruk Cansız Nazmi Öztekin , İbrahim Erginer

https://doi.org/10.24012/dumf.553228

Cited By: 1

Abstract

Toplu taşıma faaliyetinde bulunan işleticilerin, verimli ve
sürdürülebilir bir yapıda olması için toplu taşıma taşıt sayısının optimum
düzeyde olması gerekmektedir. Bu çalışmada, yapay zeka tekniklerinden olan
yapay sinir ağları kullanılarak toplu taşımacılık güzergahlarında kullanılacak
optimum taşıt sayısı tahmin edilmektedir. Bu amaçla 6 adet bağımsız değişken
kullanılmaktadır. Bu bağımsız değişkenler; mevcut taşıt sayısı, tur sayısı, hat
uzunluğu, taşıtların günlük yaptığı toplam kilometre, günlük taşınan yolcu
sayısı ve kilometre başına yolcu sayısıdır. Bağımlı değişkenimiz, optimizasyon
sonrası taşıt sayısı olmak üzere bir tanedir. 16 ayrı hattan alınan verilerle,
bu değişkenlerden oluşan veri seti meydana getirilmektedir. Levenberg-Marquardt eğitim algoritması, tek bir gizli katmana ve tansig
transfer fonksiyonuna sahip on nörona uygulanmaktadır. Bu model en iyi
sonuçları vermektedir. Bu sonuçlara göre, en iyi yapay sinir ağları modelinin
korelasyonu 0,92, yüzde hataların ortalaması %27,25 ve hataların karelerinin
ortalaması 25,91 değerlerine sahip olmaktadır. Yapay sinir ağları modelinin
istatistiksel metotlarla karşılaştırılması amacıyla çok değişkenli lineer
regresyon modelleri oluşturulmaktadır. Bu amaçla lineer ve purequadratic
regresyon çeşitleri kullanılmaktadır. Çok değişkenli lineer regresyon
yöntemlerinin modellerinde, aynı bağımlı ve bağımsız değişkenler yer
almaktadır. Regresyon analizleri sonucunda lineer regresyon modelinin
korelasyonu 0,97, yüzde hataların ortalaması % 24,45 ve hataların karelerinin
ortalaması 4,14 çıkmaktadır. Purequadratic regresyon modelinde ise korelasyon
0,99, yüzde hataların ortalaması %7,32 ve hataların kareleri ortalaması değeri
0,08 olarak hesaplanmaktadır. Purequadratic regresyon yöntemi kullanılarak
oluşturulan model yapay sinir ağları ve çok değişkenli lineer regresyon
modeline göre daha iyi sonuç vermektedir.

Keywords

Toplu taşıma, Optimum taşıt sayısı, Yapay sinir ağları, Regresyon analizi

References

• Bora, A.Y., ‘Kent içi otobüs taşımacılığında talep tahmini’, Eylül 2009, 70 sayfa
• Cansız, Ö.F., Çalışıcı, M., Miroğlu, M.M., ‘Use of artificial neural network to esti mate number of persons fatally injured in motor vehicle accidents’, World Scientific and Engineering Academy and Society (WSEAS), Proceedings of the 3rd International Conference on Applied Mathematics, Simulation, Modelling, Circuits, Systems and Signals, sayfa:136-142 (2009/12/29)
• Cansiz, O. F. (2011). Improvements in estimating a fatal accidents model formed byan artificial neural network. Simulation, 87(6), 512-522.
• Cansız, Ö.F., Easa, S.M., ‘International Journal of Engineering and Applied Sciences 7:1 2011’
• Cansız, Ö.F., Askar, D.D., ‘International Journal of Advanced Engineering Research and Science (IJAERS) [Vol-5, Issue-6, Jun- 2018]’ https://dx.doi.org/10.22161/ijaers.5.6.10 ISSN: 2349-6495(P) | 2456-1908(O)
• Cansız, Ö.F., Polat, M.İ., ‘International Journal of Advanced Engineering Research and Science (IJAERS) [Vol-5, Issue-5, May- 2018]’ https://dx.doi.org/10.22161/ijaers.5.5.13 ISSN: 2349-6495(P) | 2456-1908(O),
• Demirci, M.,Üneş, F., Bahadırlı, Z. M., Taşar, B., Varçin, H., & Kaya, Y. Z. Determination of Groundwater Level Fluctuations by Artificial Neural Networks.
• Doğan, G., & Özuysal, M. (2017). Toplu ulaşımda bekleme süresini etkileyen faktörlerin incelenmesi: güvenilirlik, yolcu bilgilendirme sistemi ve fiziksel koşullar. İMO Teknik Dergi, 28(3), 7927-7954.
• Kalpakçı, A., (2013). ‘Ara toplu taşım sistemlerinin şehir içi otobüs sistemleri ile entegrasyou, İzmir Örneği’Temmuz 2013, 171 sayfa
• Tolon, M., Tosunoğlu, N.G., ‘Tüketici tatmin verilerinin analizi’, Gazi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi 10 / 2 (2008). 247-259
• Üneş, F., Demirci, M., & Kişi, Ö. (2015). Prediction of millers ferry dam reservoir level in usa using artificial neural network. Periodica Polytechnica Civil Engineering, 59(3), 309-318.
• Üneş, F., & Demirci, M.Taşar, B., Kaya, Y. Z., Varçin, H., Üneş, F., & Demirci, M. (2017). Forecasting of suspended sediment in rivers using artificial neural networks approach. International Journal of Advanced Engineering Research and Science, 4(12).