Toplu Taşıma Optimizasyonunda İnsan Faktörü: Karar Bilimi ve Yapay Zekâ Yaklaşımları
Toplu taşımada verimlilik sorunu çoğu zaman araç sayısı değil, insan davranışıdır.
Bir sabah otobüse bindiğinizi düşünün. Hava soğuk, camlar buğulu. Koltuğa oturup telefonunuza bakarken gözünüz ister istemez etrafa takılıyor: Araç temiz mi? Aydınlatma yeterli mi? İçerideki bitkiler veya doğal dokular sizi rahatlatıyor mu?
Siz sadece işe gittiğinizi sanıyorsunuz, ama aslında o an zihninizde sürekli bir "fayda dengesi" kuruyorsunuz. Ulaşım planlamacıları için en büyük meydan okuma da burada başlıyor: Sizin o anki hislerinizi, karmaşık matematiksel algoritmalara nasıl tercüme edebiliriz?
Uzun süre statik ve deterministik modeller kullanıldı. Ancak modern Karar Bilimi (Decision Science), yolcunun sadece bir "nokta" değil, çok boyutlu bir karar mekanizması olduğunu kanıtlıyor. Bir yolcunun sistemi kullanma kararı, operatörlerin sunduğu arz ile yolcunun öznel algısı arasındaki dengeye bağlıdır. Bu nedenle, ölçemediğiniz hiçbir davranışı optimize edemezsiniz.
👁️ 1. Algısal Konfor: Gözleriniz Söylüyor, Sistem Dinliyor
Yolcuların araç içi deneyimi, sadece bir "huzur" meselesi değil, sistemin toplam maliyetini etkileyen bir değişkendir. Son dönemde yapılan çalışmalar, geleneksel anketleri bir kenara bırakıp "göz takibi" (eye-tracking) teknolojisini kullandı. Ulaşım psikolojisi ve insan-bilgisayar etkileşimi alanındaki araştırmalar, bu tür biyometrik verilerin yolcu deneyimini ölçmede güvenilir bir proxy olduğunu göstermektedir. Sonuçlar çarpıcı:
Doğa ile iç içe (biyofilik) tasarımlar: Araç içinde bitkiler, doğal ışık veya ahşap dokular olduğunda yolcuların göz hareketleri daha az "stresli". Yolcu ortama daha hızlı adapte oluyor, yolculuk süresi zihninde daha kısa algılanıyor.
Bakımsız ve dağınık ortamlar: Gözler rastgele hareket ediyor, bakışlar "dağınık" bir desen çiziyor. Bu görsel gürültü, yolcuda farkında olmadan güvensizlik ve zihinsel yorgunluk yaratıyor.
Operasyonel Çıkarım: Eğer bir sistem optimize edilecekse, sadece "kaç dakikada varacağı" değil, o aracın içindeki görsel huzur da bir parametre olarak modele eklenmeli. Algılanan Konfor Endeksi (Perceived Comfort Index - PCI) ile araç içi doluluk, temizlik ve biyofilik öğelerin ağırlıklı ortalaması hesaplanabilir. Bu indeks, yolcunun "algılanan bekleme süresini" düşürerek, sistem kapasitesini artırmadan yolcu memnuniyetini yukarı çeker.
🧠 2. Dinamik Talep Yönetimi: Ceza Değil, Ödül
Pik saatlerdeki yığılmalar artık sadece ek seferlerle (arz tarafı) çözülemiyor. DIS-HARM Modeli, yolcu talebini bir "çoklu etmenli talep yanıtı" (Multi-Agent Demand Response) problemi olarak ele alıyor. Bu modelde sistem, Pekiştirmeli Öğrenme (Reinforcement Learning - RL) döngüsü içinde çalışır:
Sistem, mevcut zaman dilimini, hat doluluk oranlarını ve hava durumunu "durum" (state) olarak okur.
Yoğun olmayan saatlerde yolculuk yapanlara karbon kredisi veya dijital teşvik (puan, indirim vb.) seçenekleri sunar.
Amaç, şebeke yük dağılımını dengelemek ve operasyonel maliyeti minimize etmektir ("ödül" / reward).
Bu model, yolcu talebini pasif bir değişken olarak değil, yönlendirilebilir bir sistem girdisi olarak ele alır. Sistem, zaman içinde yolcu segmentlerinin teşviklere verdiği tepkiyi öğrenerek kendini sürekli iyileştirir. Simülasyon bazlı çalışmalarda, bu RL tabanlı dinamik teşvik stratejisinin, statik stratejilere oranla pik saat yoğunluğunda anlamlı düzeyde dengeleme sağlanabildiği görülmektedir (kontrollü senaryolarda %60–70 bandına kadar). Bu yaklaşım, yeni araç yatırımı ihtiyacını geciktirerek sermaye harcamasını (CAPEX) azaltır ve mevcut filonun daha verimli kullanılmasını sağlar. Yani, yeni otobüs almak yerine, insan davranışını nazikçe yönlendirerek kapasite yönetimi mümkün hale gelir.
🏔️ 3. Topografik Gerçekçilik: Yokuşu Hesaplamak
Şehir planlamasında en sık yapılan hata, yürüme mesafelerini "kuş uçuşu" veya düzlem bazlı hesaplamaktır. Lanzhou gibi vadi şehirlerinde yapılan bir araştırma, yolcuların "Arazi Mekânsal Algısı" (Terrain Spatial Perception - TSP) etkisinde kaldığını kanıtladı.
Eğimli bir yolda yürümek ile düz yolda yürümek aynı değildir. Eğer bir optimizasyon algoritması sadece "en kısa kuş uçuşu mesafeyi" hesaplıyorsa, o yokuşu tırmanmak istemeyen binlerce yolcuyu kaybediyor demektir.
Operasyonel Çıkarım: OW optimizasyon modellerinde, eğim faktörü bir "Yürüme Engeli" (Walking Impedance) katsayısı olarak sisteme dahil edilir. Yolun eğim derecesine göre "etkili mesafe" hesaplanır. Bu yaklaşım, özellikle durak yerleşimlerinin yeniden konumlandırılması ve besleyici hatların (feeder lines) yeniden tasarlanmasında kritik rol oynar. Bu düzeltme yapılmadan kurgulanan hatlar, kağıt üzerinde verimli görünse de sahada düşük yolcu talebi ile sonuçlanır.
🔄 4. OW TransitOpt: Veriden Karara Köprü
Peki, bu teorik çerçeve nasıl uygulanır? OW TransitOpt’un farkı, operasyonel veriyi davranışsal modellerle birleştiren kapalı döngü (closed-loop) bir optimizasyon yaklaşımı sunmasıdır. GTFS verilerini, GPS akışlarını ve yolcu talep paternlerini Çok Amaçlı Optimizasyon (Multi-Objective Optimization) algoritmasında birleştirir. Bu yapı, yüksek hacimli veri akışlarında dahi gerçek zamanlı karar üretmeye ölçeklenebilir şekilde tasarlanmıştır.
Sistemimiz sadece "ölü kilometreleri" azaltmaz; aynı zamanda:
Akıllı Filo Atama: PCI katsayısı yüksek (yeni/bakımlı) araçları, en yüksek talep ve stres puanına sahip hatlara öncelikli atar.
Dinamik Çizelgeleme: RL tabanlı tahmin modelleriyle, yolcu yığılması gerçekleşmeden önce sefer sıklığını talep dalgalanmasına göre adapte eder.
Coğrafi Duyarlılık: Durak lokasyonlarını belirlerken "kağıt üzerindeki yakınlığı" değil, yolcunun "yürüme iradesini" esas alır.
💡 Karar Vericiler İçin 3 Kritik Aksiyon
| Aksiyon | Ne Yapmalı? | Neden? |
|---|---|---|
| Algısal Maliyeti Ölçün | Yolcu konforunu (PCI) modele dahil edin | Konfor algısı, yolcunun "algılanan bekleme süresini" düşürür; memnuniyet artar. |
| Arzı Değil, Talebi Yönetin | RL tabanlı dinamik teşvik sistemleri (karbon kredisi vb.) uygulayın | Yeni otobüs almak yerine, insan davranışını yönlendirerek kapasiteyi yazılımsal olarak yönetin. |
| Coğrafi Gerçekçilik | Durak planlamasında "eğim cezası" (slope penalty) kullanın | Kağıt üzerinde yakın görünen durak, eğimli bir yokuşta aslında "uzak"tır. |
🎯 Sonuç: İnsan Odaklı Karar Bilimi
Toplu taşıma optimizasyonu artık sadece "boş kilometreleri" azaltmak değil; yolcunun göz hareketini, şehrin yokuşunu ve dijital ödüllerin gücünü birleştirmektir. OW TransitOpt ile biz, sadece veri setlerini değil, insanların sistemi algılama ve kullanma biçimini optimize ediyoruz.
Geleceğin ulaşım sistemleri, daha fazla araç çalıştıran değil, yolcu davranışını daha iyi yöneten sistemler olacaktır.
Şehrinizde kapasiteyi artırmadan hizmet kalitesini yükseltmek mümkün. Nasıl olduğunu birlikte gösterelim.
Karar Bilimi ile Tanışın: Hemen Demo Talep Edin | OW TransitOpt Çözümlerini Keşfedin | 12 Haftalık Pilot Programını İnceleyin
İlgili İçerikler
İlgili Yazılar
Statik Planlama Anlayışı Filo Verimliliğinizi Neden Tüketiyor?
Her sabah, toplu taşıma planlamacıları ve şehir yöneticileri, kâğıt üzerinde kusursuz görünen haritalarla karşı karşıya kalır. Ancak bu katı planların hesaba katamadığı sessiz bir gerçek vardır: şehir hayatının doğasında olan öngörülemezlik.
GTFS Verisi vs. Hizmet Kalitesi
Her toplu taşıma sistemi iki temel kaynakla ayakta durur: araçları hareket ettiren enerji ve kararları şekillendiren veri. Enerji tüketimi ölçülür, izlenir ve sıkı biçimde kontrol edilir; ancak GTFS verileri çoğu zaman arka planda, sorgulanmadan kabul edilir.