11 dakikalık okuma
Büyükşehirlerde Adil Ulaşım: Yapay Zeka ile Toplu Taşıma Planlamasında "Erişilebilirlik" Dönemi
Yazar: Dr. Ümit Kuvvetli
Kurucu & Veri Analitiği ve Tahminleme Uzmanı
Otobüs Güzergahları Sadece Şehir Merkezi İçin mi?
İstanbul'da Sarıyer'den Taksim'e 15 dakikada bir hat varken, Beykoz veya Esenyurt'un çeper mahallelerinde neden saatte bir otobüs bekliyoruz? İzmir'de Alsancak’ta duraklar arası yürüme mesafesi dakikalarla ölçülürken, Çiğli veya Seferihisar'ın bazı bölgelerinde en yakın durağa 1 kilometre yürümek neden bir zorunluluk?
Geleneksel toplu taşıma planlaması, "Verimlilik Paradoksu" adını verdiğimiz bir kısır döngü yaratıyor: Yoğun bölgelere daha fazla yatırım yapılıyor, talep arttıkça bu bölgeler daha çok ödüllendiriliyor. Peki ya düşük yoğunluklu, dezavantajlı mahalleler?
OW Suite olarak biz, bu döngüyü Pekiştirmeli Öğrenme (Reinforcement Learning) ve Karar Bilimi ile kırıyoruz.
🔍 Geleneksel Planlamanın Zayıf Halkası: "Toplam Zaman" Tuzağı

Klasik otobüs ağı tasarımında temel hedef basittir: Toplam yolculuk süresini minimize et. Matematiksel olarak mantıklı görünse de bu yaklaşım sosyal bir adaletsizlik doğurur.
Senaryo A: 1.000 kişinin yolculuğunu 5 dakika kısaltmak (5.000 dk tasarruf).
Senaryo B: Çeperde yaşayan 100 kişinin yolculuğunu 15 dakika kısaltmak (1.500 dk tasarruf).
Klasik algoritmalar her zaman A Senaryosunu seçer. Sonuç; merkezi ilçelerde toplu taşıma kullanımı %50'lere çıkarken, çevre ilçelerde %15'in altına düşer. Bu sadece bir ulaşım sorunu değil, sosyal dışlanma riskidir.
🚀 OW Suite Yaklaşımı: Erişilebilirlik Odaklı Planlama (Accessibility-Based Planning)

Yeni nesil ulaşım planlamasında asıl soru "Ne kadar hızlı?" değil, "İnsanlar fırsatlara ne kadar kolay ulaşabiliyor?" olmalıdır.
Erişilebilirlik Nedir?
Bir vatandaşın 40 dakikalık bir yolculukla ulaşabildiği kritik noktaların (fırsatların) sayısıdır:
- İstihdam: Fabrikalar, ofisler, ticaret merkezleri.
- Sağlık: Hastaneler ve poliklinikler.
- Eğitim: Okullar ve üniversite kampüsleri.
OW Suite, Karşıyaka'daki bir vatandaş ile Narlıdere'nin uzak mahallesindeki bir vatandaş arasındaki "fırsatlara erişim" uçurumunu ölçer ve bu farkı kapatacak rotaları optimize eder.
🧠 Yapay Zeka Devreye Giriyor: Pekiştirmeli Öğrenme (RL)
Milyarlarca güzergah kombinasyonu arasında en adil olanı bulmak, klasik yöntemlerle imkansızdır. OW Suite, Pekiştirmeli Öğrenme algoritmalarını kullanarak tıpkı bir insanın bisiklet sürmeyi öğrenmesi gibi:
- Deneme: Milyonlarca senaryoyu simüle eder.
- Değerlendirme: Erişilebilirlik ve sosyal adalet puanını ölçer.
- Öğrenme: Başarılı rotaları not eder, hatalardan ders çıkarır.
- Optimizasyon: Şehrin bütçesini sarsmadan, "Global Optimum" çözüme ulaşır.
⚖️ Sosyal İhtiyaç İndeksi: Gerçek Adaleti Yakalamak
Sadece verimliliği değil, sosyal ihtiyacı da denkleme katıyoruz. OW Suite, planlama yaparken şu faktörleri ağırlıklandırır:
- Gelir Düzeyi & Araç Sahipliği: Özel aracı olmayan mahalleler.
- Yaş Yapısı: Yaşlılar ve çocukların yoğun olduğu bölgeler.
- İstihdam Durumu: İş arama sürecinde ulaşıma en çok ihtiyaç duyan kesimler.
Örnek: İstanbul Esenyurt veya Ankara Keçiören gibi yüksek nüfuslu ve düşük araç sahipliği olan bölgeler, sistemimizde önceliklendirilir.
📈 Somut Sonuçlar ve Beklenen Kazanımlar
Sydney (Penrith) örneğinde test edilen ve Türkiye büyükşehirlerine uyarladığımız bu modelle:
- Erişilebilirlikte %5-8 Artış: Dezavantajlı mahallelerin şehre entegrasyonu.
- Daha Dengeli Dağılım: Şehrin merkezine yığılan değil, tüm kılcal damarlara yayılan bir ağ.
- Zaman Tasarrufu: Bir İstanbullu için yılda yaklaşık 60 saat ek serbest zaman.
- Belediye Verimliliği: Aynı filo kapasitesiyle %10-15 daha geniş kapsama alanı.
🏁 Sonuç: Adil, Akıllı ve Sürdürülebilir Kentler

Toplu taşıma, bir şehrin sadece ulaşım aracı değil, demokrasisidir. OW Suite olarak amacımız, yapay zekayı sosyal adaletin hizmetine sunmaktır. Matematiksel doğruluk ile insan ihtiyaçlarını birleştirerek, Türkiye’nin büyükşehirlerini daha yaşanabilir kılıyoruz.
Ulaşım daire başkanlıkları ve belediye yöneticileri için: Şehrinizin erişilebilirlik haritasını çıkarmak ve veri odaklı adalet dönemini başlatmak için OW Suite ile iletişime geçin.
İlgili Yazılar
Komşu konulara geçin—karma tamsayılı (MIP) ve kombinatoryal optimizasyondan çok amaçlı senaryo modellemesine ve toplu taşıma uygulamalarına.
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.
