Citation Number
1
Views
8
Downloands
1
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.
The number of public transport vehicles must be at the optimal level for the operators in public transport to be in an efficient and sustainable structure. This study estimates the optimal number of vehicles to be used on public transport routes using artificial nerve networks from artificial intelligence techniques. For this purpose, there are 6 independent variables. These independent variables are the current number of vehicles, the number of routes, the length of the line, the total kilometers that the vehicles make daily, the number of passengers moving daily and the number of passengers per kilometer. Our dependent variable is one of the number of vehicles after optimization. With data collected from 16 separate lines, a set of data consisting of these variables is created. The Levenberg-Marquardt training algorithm applies to ten neurons with a single hidden layer and a tansig transfer function. This model gives the best results. According to these findings, the correlation of the best model of artificial nervous networks is 0.92, the average error percentage is 27.25% and the average error quarter is 25.91. Multi-variant linear regression models are created to compare the artificial nerve network model with statistical methods. For this purpose, linear and purequadratic regression varieties are used. In the models of multi-variable linear regression methods, the same dependent and independent variables are included. Regression analysis results in linear regression model correlation of 0.97, the percentage of errors is 24.45% and the percentage of errors is 4.14. In the Purequadratic regression model, the correlation is calculated as 0.99, the percentage of errors is 7.32% and the percentage of errors is 0.08. The model created using the Purequadratic regression method gives better results than the artificial nerve networks and the multi-variant linear regression model.
Field : Mühendislik
Journal Type : Ulusal
Article Detail 
Citation Owners
Similar Articles
Journal Information
Listen Paper
Print This Page
Share
Mendeley
