Citation Number
11
Views
10
Downloands
4
Toplu taşımacılık özellikle nüfus yoğunluğunun fazla olduğu şehirlerde günlük yaşamda yoğun bir şekilde kullanılmaktadır. Toplu taşıma araçlarını kullanan birçok insan duraklarda beklemelerinden dolayı zaman kaybı yaşamaktadırlar. Bu nedenle toplu taşıma araçlarının duraklara geliş süresinin doğru şekilde hesaplanması veya tahmin edilmesi ve yolculara bildirilmesi önem arz etmektedir. Gerçek zamanlı trafik koşullarının ve trafik olaylarının karmaşıklığı ve çeşitliliği nedeniyle otobüslerin, duraklara geliş zamanlarını doğru bir şekilde tahmin etmek zor bir problemdir. Literatürde otobüs varış sürelerinin tahmin edilmesi için çeşitli teknikler ve parametreler kullanılmıştır. Bu çalışmada, toplu taşıma araçlarının duraklara varış zamanını doğru bir şekilde tahmin edebilmek için birleşik yapay sinir ağları (YSA) algoritması tabanlı bir sistem önerilmiştir. Birleşik YSA modeli birden fazla yapay sinir ağı modelinin çıktılarının ortaklaşa değerlendirilmesi ile YSA modellerinin performansını arttırabilmekte ve dolayısı ile daha doğru sonuçlar verebilmektedir. Bu nedenle birleşik YSA modelleri çeşitli uygulamalarda kullanılmaktadır. Önerilen birleşik YSA algoritması gerçek veriler üzerinde çalıştırılmıştır. Çalışmada Kayseri Büyükşehir Belediyesi akıllı otobüs durak verileri ve 800 adet farklı otobüs hattının GPS verisi kullanılmıştır. Önerilen sistemde akıllı duraklarda bulunan kare kodlar (QR) okutularak veya paylaşılan yolcu GPS (Küresel Konumlama Sistemi) verisini kullanılarak seçilen duraktan hangi otobüsün ne zaman geçeceği birleşik YSA modeli ile tahmin edilebilmekte ve yolculara bildirilmektedir. Çalışmada kullanılan YSA algoritmasının sonuçları lineer regresyon yöntemi sonuçları ile karşılaştırılmıştır. Deneysel sonuçlar önerilen birleşik YSA yaklaşımının lineer regresyon yaklaşımına göre daha doğru sonuçlar verdiğini göstermiştir. Çalışmada ayrıca geliştirilen birleşik YSA modelini kullanan mobil ve web uygulaması geliştirilmiştir. Geliştirilen uygulama ile yolcular akıllı duraklardaki kare kodları kullanarak sisteme bağlanmakta ve tahmini otobüs geliş sürelerini takip edebilmektedirler.
Public transportation is widely used in everyday life, especially in cities where the population is high. Many people who use public transportation experience a waste of time due to their waiting at stations. It is therefore important that the time of arrival of public transportation to the stations is correctly calculated or predicted and the passengers are informed. Due to the complexity and diversity of real-time traffic conditions and traffic events, it is difficult to correctly predict the times when buses arrive at stations. In literature, a variety of techniques and parameters have been used to predict bus arrival times. In this study, a system based on the unified artificial nervous networks (YSA) algorithm was proposed to be able to correctly predict the time of arrival of public transport vehicles to stations. The combined YSA model can improve the performance of the YSA models by joint assessment of the outcomes of multiple artificial nervous network models and thus deliver more accurate results. Therefore, the combined YSA models are used in various applications. The recommended combined YSA algorithm is run on real data. In the study, the Kayseri Metropolitan Municipality used the smart bus stop data and the GPS data of 800 different bus lines. In the recommended system, the square codes (QR) in the smart stations can be read or shared passenger GPS (Global Location System) data can be predicted and informed by the combined YSA model of which bus will pass from the selected station. The results of the YSA algorithm used in the study were compared with the results of the linear regression method. Experimental findings have shown that the proposed combined YSA approach provides more accurate results than the linear regression approach. The study also developed mobile and web applications using the unified YSA model developed. With the advanced application, passengers connect to the system using the square codes on the smart stations and can track the estimated bus arrival times.
Public transportation is used extensively in daily life, especially in cities where the population density is high. Many people who use public transportation experience time loss due to waiting at the stops. For this reason, it is important to accurately calculate or estimate the arrival time of public transport to the stops and inform the passengers. Due to the complexity and diversity of real-time traffic conditions and traffic events, it is a difficult problem to accurately predict the arrival times of buses to the stops. Various techniques and parameters have been used in the literature to estimate bus arrival times. In this study, a system based on ensemble artificial neural networks (ANN) algorithm has been proposed in order to accurately predict the arrival time of public transport to the stops. The ensemble ANN model can increase the performance of ANN models and thus provide more accurate results by jointly evaluating the outputs of more than one neural network model. Therefore, ensemble ANN models are used in various applications. The proposed ensemble ANN algorithm was run on real data. In this study, Kayseri Metropolitan Municipality smart bus stop data and GPS data of 800 different bus lines were used. The proposed system predicts the arrival time of the public transportation vehicle when the QR codes of smart bus stops and or the shared GPS (Global Positioning System) of passengers were used. The experimental results show that the proposed ensemble ANN approach gives more accurate results than the LR approach. In the study, a mobile and web application using the combined ANN model was developed. With the developed application, passengers can connect to the system using square codes in smart stops and follow the estimated bus arrival times.
Field : Fen Bilimleri ve Matematik; Mühendislik
Journal Type : Uluslararası
Article Detail 
Citation Owners
Similar Articles
Download PDF
Journal Information
Listen Paper
Print This Page
Share
Mendeley
