ÖMER FARUK CANSIZ, Kevser ÜNSALAN, İbrahim ERGİNER

KARAYOLLARI ENERJİ TÜKETİMİNİN YAPAY ZEKÂ VE REGRESYON YÖNTEMLERİ İLE MODELLENMESİ

Doğanın temeline dayanan iş-enerji ilişkisi, bize hareketin ve iş yapabilmenin şartının enerji olduğunu göstermektedir. Gelişen teknoloji, sanayileşme gibi faktörler üretimi arttırırken enerji tüketiminin de artmasına neden olmaktadır. Sanayileşmenin bir kolu olan ulaştırma sektörü enerji tüketiminde sektör bazında önemli bir yere sahiptir. Bu çalışmada, ulaştırma sektöründe özellikle Türkiye’de taşımacılık potansiyelinin yüksek olduğu karayolu taşımacılığında enerji tüketimi incelenmektedir. Çalışma kapsamında yapay zekâ tekniklerinden yapay sinir ağları (YSA) ve uyarlamalı sinirsel bulanık çıkarım sistemi (ANFIS), regresyon tekniklerinden ise çok değişkenli lineer regresyon (MLR) yöntemleri kullanılarak karayolu taşımacılığında enerji tüketimi tahmin modellenmesi yapılmaktadır. Modellemede karayolu yol ağı uzunluğu, taşıt-km, yıllık ortalama günlük trafik (YOGT), motorlu taşıt sayısı ve nüfus parametreleri bağımsız değişken olarak incelenmektedir. Tahmin modellerinin karşılaştırılmasında korelasyon katsayısı (R), hataların karesinin ortalaması (HKO) ve ortalama yüzde hata (OYH) performans kriterleri dikkate alınmaktadır. Performans kriterlerine göre en iyi model YSA yöntemi ile elde edilmektedir. En iyi modelin R, HKO, OYH değerleri sırasıyla %99,5, 184002,7 ve %2,44 çıkmaktadır. Geliştirilen model ile ulaşım politikalarına yön verilmesi hedeflenmektedir.

Anahtar Kelimeler:

karayolları enerji tüketimi, YSA, MLR, ANFIS

Modeling of Highway Energy Consumption by Artificial Intelligence and Regression Methods

The relationship between work and energy, which is based on nature, shows us that energy is the condition for action and ability for doing work. While developing technology and industrialization factors increase production, it also causes an increase in energy consumption. The transportation sector, which is a branch of industrialization, has an important place on the basis of sector in energy consumption. In this study, energy consumption are studied in transportation sector especially road transportation of freight is high potential in Turkey. Within the scope of the study, energy consumption prediction modeling is made by using artificial neural networks (ANN) and adaptive neural fuzzy inference system (ANFIS) from artificial intelligence techniques, and multivariate linear regression (MLR) methods from regression techniques. In modeling, highway road network length, vehicle-km, weighted average daily traffic (WADT), number of motor vehicles and population parameters are examined as independent variables. When comparing the prediction models, the determination coefficient (R2), the mean square error (MSE) and the average percentage error (APE) performance criteria are taken into consideration. According to performance criteria, the best model is obtained by linear regression method. R2, HKO, OYH values of the best model are 0.9474, 54084 and 4.86%, respectively. With the developed model, it is aimed to direct transportation policies.

Keywords:

Road Transportation Energy Consumption, ANN, ANFIS, MLR,

PDF

___

1. Allison, P. D. (1999). Multiple regression: A primer. Pine Forge Press.
2. Bayazıt, M. and Oğuz, E. B. Y. (2005) Mühendisler için istatistik, Birsen Yayınevi, Türkiye.
3. Cansız, Ö. F. (2007) Enerji politikalarının ulaştırma sistemlerinin optimizasyonu ile geliştirilmesi ve uygulamadan elde edilen getirilerin ortaya konması, Doktora Tezi, Gazi Üniversitesi Fen Bilimleri Enstitüsü, Ankara.
4. Cansız, Ö. F., Erginer, İ. ve Genç, G. G. (2018) Ulaştırma sektöründe karayollarının payına düşen enerji tüketiminin yapay sinir ağları ve çok değişkenli lineer regresyon yöntemleri ile tahmini, International Eurasian Conference on Science, Engineering and Technology, Ankara, 627-633.
5. Cansiz, O. F. and Easa, S. M. (2011) Using artificial neural network to predict collisions on horizontal tangents of 3D two-lane highways, International Journal of Engineering and Applied Sciences, 7(1), 47-56.
6. Ergezer, H., Dikmen, M. and Özdemir, E. (2003) Yapay sinir ağları ve tanıma sistemleri, Pivolka, 2(6), 14-17.
7. Es, H., Kalender, F. and Hamzaçebi, C. (2014) Yapay sinir ağları ile Türkiye net enerji talep tahmini, Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 29(3), 495-504.
8. Generalized bell-shaped membership function . Erişim Adresi: https://www.mathworks.com/help/fuzzy/gbellmf.html (Erişim Tarihi: 05/01/2020)
9. Gündüz, A., Kaya, M. and Aydemir, C. (2011) Kentiçi ulaşımında karayolu ulaşımına alternatif sistem: raylı ulaşım sistemi, Akademik Yaklaşımlar Dergisi, 2(1), 134-151.
10. Hair, J.F., Black, W.C., Babin, B.J., Anderson, R.E. (2010) Multivariate Data Analysis, 7th Edition, NJ: Prentice Hall.
11. Haldenbilen, S. (2003) Genetik algoritma yaklaşımı ile Türkiye için sürdürülebilir ulaştırma göstergelerinin analizi ve planlaması, Doktora Tezi, Pamukkale Üniversitesi Fen Bilimleri Enstitüsü, Denizli.
12. Jang JSR, Sun CT, Mizutani E. (1997). Neurofuzzy and soft computing: a computational approach to learning and machine intelligence [Book Review], IEEE Transactions on automatic control, 42(10), 1482-1484
13. Jang, J. S. R. (1991), Fuzzy modeling using generalized neural networks and kalman filter algorithm, In AAAI, 91, 762-767.
14. Mucuk, M. and Uysal, D. (2009) Türkiye ekonomisinde enerji tüketimi ve ekonomik büyüme, Maliye Dergisi, 157, 105-115.
15. Murat, Y.S. (2006). Comparison of fuzzy logic and artificial neural networks approaches in vehicle delay modeling. Transportation Research Part C: Emerging Technologies, 14(5), 316-334.
16. Murat, Y.S., Ceylan, H. (2006) Use of artificial neural networks for transport energy demand modeling. Energy policy, 34(17), 3165-3172.
17. Öztürk, Z. (2018) İstanbul’da karayolu yolcu taşımacılığında elektrikli araç kullanımının incelenmesi, El-Cezeri Journal of Science and Engineering, 5(2), 367-386. Doi: 10.31202/ecjse.382348
18. Solak, A. O. (2013) Türkiye'de ulaştırma sektörü enerji tüketiminin azaltılması: bir senaryo yaklaşımı, International Journal of Economic & Social Research, 9(1), 125-141.