Görüntüleme
4
Taşıma sistemlerinde yolcu talebinin bilinmesi; rotaların belirlenmesi, sefer saatlerinin ve sıklığının planlanması, çalışan sayısının optimize edilmesi gibi birçok operasyon faaliyeti için hayati bir görevdir. Bununla birlikte talebin düzensizliği, trend ve mevsimsellik bileşenlerini barındırması, tahmin edilebilmesini zor bir hale sokmaktadır. Son zamanlarda geleneksel talep tahmin yöntemlerinin yanı sıra modern yapay zekâ teknikleri de kullanılmaya başlanmıştır. Bu çalışmada, literatürde sıklıkla tercih edilen Box-Jenkins metodolojisinden SARIMA yöntemi ile 2017’de Facebook tarafından geliştirilen Prophet yönteminin toplu taşıma araçlarındaki yolcu sayısı tahminindeki performanslarının karşılaştırılması ve yöntemlerin değerlendirilmesi amaçlanmıştır. İki yöntem kullanılarak başarılı birer tahmin modeli geliştirilmiştir. Modelleme sonucunda SARIMA ve Prophet yöntemlerinin MAPE değerleri sırasıyla 0,11 ve 0,13 olarak hesaplanmıştır.
In transport systems, knowing passenger demand is a vital task for many operational activities, such as determining routes, planning schedules, and frequency, and optimizing the number of employees. However, the demand's irregularity, trend, and seasonality components make it challenging to forecast. Recently, modern artificial intelligence techniques have been used in addition to traditional demand forecasting methods. This study aims to compare the performance of the SARIMA method, which is one of the most preferred Box-Jenkins methodologies in the literature, and the Prophet method developed by Facebook in 2017, in forecasting the number of passengers in public transportation vehicles and to evaluate the methods. Two successful forecasting models were developed using the two methods. As a result of the modeling, the MAPE values of SARIMA and Prophet methods were calculated as 0.11 and 0.13, respectively.
Alan : Mühendislik
Dergi Türü : Uluslararası
Makale Detay 
Benzer Makaleler
PDF Görüntüle
Dergi Bilgisi
Eseri Dinleyin
Alıntı Yap
Bu Sayfayı Yazdırın
Paylaş
Mendeley
