Karıncalar Şehir Planlamacılarından Daha mı İyi?

Toplu taşımada koloni zekâsından öğreneceklerimiz var.

Bir şehrin otobüs ağını nasıl tasarlarsınız?

Talep verilerini incelersiniz.

Mevcut hatlara bakarsınız.

Bütçe kısıtlarını hesaba katarsınız.

Uzmanların deneyiminden yararlanırsınız.

Ve sonunda mümkün olan en iyi çözümü bulmaya çalışırsınız.

Peki ya problem düşündüğümüzden çok daha büyükse?

Yüzlerce durak.

Binlerce olası rota.

Sürekli değişen talep.

Trafik, gecikmeler, filo ve sürücü kısıtları.

Bu kadar büyük bir çözüm uzayında insan uzmanlığı tek başına gerçekten yeterli olabilir mi?

OW olarak sık sık şu soruyu soruyoruz:

Ya en iyi çözümü bulmaya çalışmak yerine, önce mümkün olduğunu bilmediğimiz çözümleri keşfetmemiz gerekiyorsa?

Belki bu konuda bize karıncaların öğreteceği bir şey vardır.

Bir Karınca Şehir Haritasını Görmez. Ama Koloni Yolu Bulur.

Tek bir karınca büyük resmi görmez.

Alternatif güzergâhları hesaplamaz.

En iyi rotayı bilmez.

Sadece bulunduğu noktadaki sınırlı bilgiyle hareket eder.

Ancak binlerce karınca birlikte hareket ettiğinde ortaya şaşırtıcı derecede etkili bir sistem çıkar.

Bazıları yeni yollar keşfeder.

Daha iyi yollar tekrar tekrar kullanılır.

Başarılı seçeneklerin izi güçlenir.

Zayıf alternatifler zamanla önemini kaybeder.

Ortada merkezi bir planlayıcı yoktur.

Ancak sistem, tekrar eden denemeler yoluyla daha iyi çözümleri keşfeder.

Ant Colony Optimization yaklaşımının temel fikri de budur.

Çok sayıda sanal “karınca”, aynı anda farklı çözüm alternatiflerini araştırır.

İyi sonuçlar gelecekteki aramaları etkiler.

Sistem tek bir başlangıç çözümüne bağlı kalmadan yeni alternatifleri keşfetmeye devam eder.

Toplu taşımada bunun önemi oldukça açık.

Çünkü mesele çoğu zaman sadece en kısa rotayı bulmak değildir.

En Kısa Rota Her Zaman En İyi Rota Değildir

Bir otobüs güzergâhı kısa olabilir.

Ama trafik nedeniyle sürekli gecikebilir.

Başka bir rota daha uzun olabilir.

Ama daha güvenilir olabilir.

Bir alternatif daha fazla yolcu taşıyabilir.

Diğeri ise daha geniş bir nüfusa erişim sağlayabilir.

Bu nedenle modern optimizasyon problemleri yalnızca mesafeyi değil, birden fazla operasyonel değişkeni birlikte değerlendirmek zorundadır.

Wrocław tramvay ağı üzerinde yapılan uygulama bunun iyi bir örneğini ortaya koyuyor.

Araştırmacılar güzergâhları yalnızca mesafeye göre değerlendirmedi. Gerçek seyahat süreleri, planlanan ve gerçekleşen süreler arasındaki fark, hız, nüfus ve diğer operasyonel değişkenler birlikte değerlendirildi.

Sonuç dikkat çekiciydi.

Optimize edilen alternatifin toplam “efor” değeri mevcut hatta göre %11,5 daha düşük çıktı.

Güzergâh aynı zamanda yaklaşık %5 daha kısaydı.

Ancak daha önemli bir bulgu vardı.

Mevcut hatta planlanan seyahat süresi ile gerçek operasyonel süre arasında yaklaşık 4 dakika 44 saniye fark bulunuyordu.

Optimize edilen alternatifte bu fark yalnızca 15 saniyeye kadar indi.

Bu bize önemli bir şey söylüyor:

Bazen sorun yanlış rotayı seçmek değildir. Sorun, sistemi hâlâ gerçekte olmadığı gibi planlamaktır.

GTFS size ağın nasıl tasarlandığını gösterir.

AVL size araçların gerçekte nasıl hareket ettiğini gösterir.

Yolcu verileri ise insanların sistemi gerçekte nasıl kullandığını anlatır.

Bu veriler ayrı ayrı incelendiğinde yalnızca parçaları görürsünüz.

Birlikte değerlendirildiğinde ise daha önce görünmeyen alternatifler ortaya çıkabilir.

İşte OW'nin yaklaşımı da tam burada devreye giriyor.

OW İçin Optimizasyon, Bir Algoritma Seçmek Değil, Bir Çözüm Alanını Keşfetmektir

Karınca kolonisi, genetik algoritmalar veya arı kolonilerinden ilham alan yöntemler...

Hepsi farklıdır.

Ancak ortak bir fikirleri vardır:

Tek bir cevaba çok erken bağlanmamak.

Alternatifleri araştırmak.

İyi sonuçları güçlendirmek.

Ve yeni koşullarda yeniden keşfetmek.

OW'nin optimizasyon yaklaşımı da bu düşünceyle şekilleniyor.

Ancak bizim için soru:

“Hangi algoritma en iyi?”

değil.

Daha temel bir soru:

“Şehrinizin gerçek verileriyle hangi alternatifleri henüz hiç test etmediniz?”

Çünkü algoritmalar, ancak doğru problem ve doğru veriyle anlamlı sonuçlar üretebilir.

GTFSHub™, ağın dijital temelini ve veri bütünlüğünü oluşturur.

RouteOpt™, farklı güzergâh ve ağ alternatiflerini araştırmayı mümkün kılar.

FreqOpt™ ise farklı hizmet ve frekans senaryolarının operasyonel sonuçlarını karşılaştırmaya yardımcı olur.

Amaç tek bir “mükemmel” çözüm üretmek değildir.

Amaç, karar vericinin önüne daha önce görünmeyen seçenekleri koymaktır.

Peki Ya Karıncalar Tek Başına Yeterli Değilse?

İşte burada konu daha da ilginçleşiyor.

Araştırmalar, koloni temelli yöntemlerin problem büyüdükçe daha fazla hesaplama ve daha akıllı arama stratejilerine ihtiyaç duyduğunu gösteriyor.

Bu nedenle son yıllarda öğrenen modeller ile koloni tabanlı optimizasyon yöntemleri birleştiriliyor.

Mantık basit:

Öğrenme, geçmiş deneyimlerden hangi çözümlerin umut verici olduğunu tahmin ediyor.

Koloni tabanlı arama ise henüz denenmemiş alternatifleri keşfetmeye devam ediyor.

Bu kombinasyon önemli.

Çünkü sadece geçmişten öğrenmek yeterli değil.

Şehir değişir.

Talep değişir.

Operasyon değişir.

Dün iyi çalışan bir çözüm, yarın aynı sonucu vermeyebilir.

Bu nedenle geleceğin optimizasyon sistemlerinin yalnızca tahmin eden değil, aynı zamanda keşfetmeye devam eden sistemler olması gerekiyor.

İnsan mı, Algoritma mı? Yanlış Tartışma.

Buradan çıkarılacak sonuç:

“İnsan plancılar artık gerekli değil.”

değil.

Tam tersine.

Bir algoritma binlerce alternatif üretebilir.

Ama hangi hedefin önemli olduğuna karar veremez.

Bir şehir için daha fazla yolcu mu önemli?

Daha düşük maliyet mi?

Daha geniş erişim mi?

Daha düşük emisyon mu?

Bu kararlar matematiksel değil, stratejiktir.

İnsan uzmanlığı bağlamı belirler.

Algoritmalar ise insanın tek başına keşfedemeyeceği alternatifleri ortaya çıkarır.

Geleceğin ulaşım planlamasında güçlü olan taraflardan biri diğerini ortadan kaldırmayacak.

İnsan hedefi tanımlayacak.

Algoritma çözüm alanını keşfedecek.

Karar verici ise sonuçları değerlendirecek.

OW'nin geliştirmeye çalıştığı karar destek yaklaşımının temelinde de bu ilişki var.

Belki Biraz Daha Az Kontrol Etmeli, Biraz Daha Fazla Keşfetmeliyiz

Karıncalar şehir planlamacılarından daha akıllı mı?

Muhtemelen hayır.

Ama bizden farklı bir şeyi oldukça iyi yapıyorlar.

Tek bir çözümün doğru olduğuna erken karar vermiyorlar.

Alternatifleri deniyorlar.

Başarılı sonuçları güçlendiriyorlar.

Ve çevre değiştiğinde yeniden uyum sağlıyorlar.

Belki de toplu taşımada öğrenmemiz gereken asıl şey bu.

Bir şehir için tek bir değişmez “en iyi ağ” yok.

Talep değişir.

Trafik değişir.

Maliyetler değişir.

Şehir değişir.

Dolayısıyla çözüm de değişmelidir.

Toplu taşıma planlamasının geleceği, bir kez oluşturulup yıllarca dokunulmayan ağlardan çok, sürekli test edilen, ölçülen ve yeniden optimize edilen sistemlerde olabilir.

Peki Şehrinizde Kaç Alternatif Hiç Test Edilmedi?

Belki mevcut ağınız gerçekten oldukça iyi.

Belki de yıllar önce alınmış kararların, değişmiş talep yapılarının ve artık geçerli olmayan varsayımların sonucu.

Bunu sezgiyle bilmek zor.

Ama test etmek mümkün.

Şehrinizin mevcut ağında hiç değerlendirmediğiniz alternatifleri keşfetmek ister misiniz?

OW ile GTFS, AVL, yolcu ve operasyon verilerinizi bir araya getirerek farklı rota, frekans ve kaynak senaryolarını test edin.

OW ile ilk senaryo analizinizi başlatın ve mevcut planınızın gerçekten tek seçenek olup olmadığını görün.