Derin öğrenme teknikleri ile toplu taşıma talep tahmini

Şehirler giderek daha kalabalık hale geldikçe, verimli toplu taşıma sistemleri daha da önemli hale gelmektedir. Toplu taşımanın dijitalleşmesi büyük miktarda veri üretmekte- dir. Bu veriler, veri odaklı optimizasyon için yeni fırsatlar sunmaktadır. Bu tür verilerin en önemli kullanım alanlarından biri, etkili planlama ve kaynak tahsisi açısından kritik öneme sahip olan talep tahminidir. Ancak geleneksel yöntemler, kentsel ulaşım veri- lerinin karmaşıklığını ele almakta yetersiz kalmaktadır. Bu nedenle, son araştırmalar karmaşık zamansal ve mekânsal örüntüleri yakalayarak daha yüksek doğruluk sağlayan derin öğrenme modellerine odaklanmıştır. Bu tez çalışması, azaltılmış karmaşıklıkla metro yolcu talebi tahmini için tasarlanmış ve PatchTST'nin hafifletilmiş bir varyantı olan Mini-PatchTST'yi tanıtmaktadır. Bu çalışmayı desteklemek amacıyla, İstanbul Büyükşehir Belediyesi'nin açık verileri kul- lanılarak istasyon bazında saatlik metro yolcu akışını içeren yeni bir veri seti oluşturul- muştur. Önerilen yaklaşım; geleneksel istatistiksel yöntemler, makine öğrenmesi model- leri (LightGBM, XGBoost) ve derin öğrenme tabanlı yöntemler (LSTM, PatchTST) ile karşılaştırılmıştır. İstanbul Metro Veri Seti üzerinde elde edilen deneysel sonuçlar, Mini-PatchTST'nin yak- laşık %5–13 oranında RMSE azalımı ve benzer MAE değerleri elde ederek gradient- boosting modellerini geride bıraktığını göstermektedir. Model, %23.42 MAPE değeri ile PatchTST'ye (%33.89) kıyasla belirgin bir iyileşme sunmakta, ancak ağaç tabanlı modellere (%15–16) göre bir miktar daha yüksek yüzde hataya sahiptir. PatchTST mimarisiyle karşılaştırıldığında Mini-PatchTST, RMSE'de yaklaşık %4, MAE'de %10 ve MAPE'de yaklaşık %31 oranında iyileşme sağlamaktadır. LSTM modeli en düşük RMSE ve MAE değerlerine ulaşsa da daha yüksek MAPE değeri ve belirgin şekilde uzun eğitim süresi, Mini-PatchTST'nin doğruluk–verimlilik dengesi açısından daha avanta- jlı olduğunu göstermektedir.Modelin genelleme yeteneğini değerlendirmek amacıyla açık kaynaklı Hangzhou Metro veri seti üzerinde ek deneyler gerçekleştirilmiş; bu deneylerde Mini-PatchTST, önceki çalışmalarda kullanılan modellere kıyasla anlamlı performans artışları elde etmiştir. Elde edilen bulgular, Mini-PatchTST modelinin kısa dönemli toplu taşıma talep tahmini için sağlam ve hesaplama açısından verimli bir çözüm sun- duğunu göstermektedir.