Skip to content

Vaka Çalışmaları ve Pilot Uygulamalar

OW Suite karar zekâsının Yönetişim, Ağ, Finans ve Sürdürülebilirlik eksenlerindeki gerçek dünya uygulamaları; metodoloji GTFS doğrulama, Karma Tamsayılı Programlama (MIP), deadhead oranı ve Service Coverage analitiği ile desteklenir.

Örnek Senaryo Yönetişim

Şehir Geneli Operasyon ve Kaynak Koordinasyonu

Sistem Sorusu

Sınırlı kaynaklar şehir genelinde şeffaf, etkili ve koordineli bir şekilde nasıl tahsis edilebilir?

OW Nasıl Destekler

OW, parçalı operasyonel verileri paylaşılan bir sistem modeline entegre ederek, organizasyonların ödünleşimleri anlamasına ve yönetişim katmanları arasında eylemleri koordine etmesine olanak tanır.

Sorun

Büyük toplu taşıma kurumları nadiren tek bir kötü tarife yüzünden zorlanır; planlama, operasyon, maliye ve bakım birimlerinin yerel KPI’larını sistem düzeyinde çelişkili hale getirmesi yüzünden zorlanır. Otobüs, raylı ve sözleşmeli servisler sıklıkla farklı ‘gerçeğin’ versiyonlarını kullanır: güncelliğini yitirmiş GTFS anlık görüntüleri, kısmi AVL kapsaması ve sahada yaşananla uzlaşmayan rapor tabloları.

Bu parçalanma, görünmez örtüşmeyi büyütür: güçlü koridorlarda mükerrer hizmet, çevre mahallelerde ise güvenilir Service Coverage eksikliği. Deadhead konumlandırma bütçe kalemi yerine operasyonel detay sayılır. Paylaşılan bir optimizasyon dili olmadan yönetişim toplantıları karar etkisi yerine toplamlar üzerinden tartışır; Mixed-Integer Programming (MIP) ve doğrulanmış talep–arz modelleri tam burada kaldıraç yaratır.

OW Karar Zekâsı Yaklaşımı

OW, her optimizasyon öncesi GTFS Validation ve veri alım kapısı kurar. Şekil bütünlüğü, durak sırası, takvim tutarlılığı ve blok sürekliliği kontrol edilerek MIP formülasyonları sessiz veri hatalarıyla zehirlenmez. Temel ağ davranışı güvenilir hale gelince, kurumlar çok modlu kaynak tahsisini; aggregate deadhead oranını düşürmeyi, gecikmeye duyarlı Service Coverage’ı iyileştirmeyi ve filo, ekip ile siyasi minimumları sert kısıt olarak saymayı hedefleyen bir MIP ile modeller.

Senaryo katmanları, aynı amaç fonksiyonuna karşı ağ yeniden yapılandırma, yatırım erteleme veya operatörler arası aktarım gibi koordineli politikaları stres testine tabi tutar; ödünleşimler retorik değil, açıklanabilir olur. GTFS-RT farklarıyla desteklenen haftalık model yenileme döngüleri dijital ikizi saha gerçekliğine yaklaştırır, kamu denetimi için denetlenebilirlik korunur.

Temel Metrikler

MetrikReferansOW ile optimizeİyileşme
Deadhead oranı (sistem)%26–30%17–228–12 p ↓
Service Coverage (eşitlik ağırlıklı)72/10082–88/100+10–16
Çapraz mod rapor gecikmesi5–10 gün<24 saatGerçeğe yakın
Koordineli senaryo uzlaşma süresi8–12 hf2–4 hfDaha hızlı

İlgili çözüm alanını use-cases sayfasında görüntüle →

GTFS → MIP

Yönetişim ve veri füzyonu — GTFS doğrulama → paylaşılan MIP çekirdeği

Örnek Senaryo

Toplu Taşıma Ağı Performansı

Sistem Sorusu

Planlanan arz mevcutken bile ulaşım ağı neden beklenen performansı gösteremiyor?

OW Nasıl Destekler

OW, statik tarifeleri güvenilirlik, verimlilik ve hizmet kalitesini iyileştiren uyarlanabilir, talep bilinçli optimizasyon modelleriyle değiştirir.

Sorun

Planlamacılar kâğıtta yeterli görünen tarifeler yayınlar; yolcu ise kronik güvensizlik, noktasal yığılma ve beklenmedik boşluklar yaşar. Kök neden çoğu zaman araç eksikliği değildir; talebin yoğunlaştığı yer ve zaman ile bloklar, interlining ve garaj dönüş kısıtları üzerinden bağlanan arzın yapısal uyumsuzluğudur. Pikler arası geçişlerde, hatlar arası deadhead’lerde ve aktarma senkronu olmayan bekleme sürelerinde boş kilometre birikir.

Hat bazlı ince ayar, hatlar arası bağımlılıkları göremez: bir seferin gecikmesi terminal kapasitesi, sürücü arkı ve aşağı akış bağlantılarına yayılır. Ortalamaya göre Service Coverage, nominal sıklık yüksek olsa bile headway güvenilirliğinin çöktüğü koridorları gizler.

OW Karar Zekâsı Yaklaşımı

OW, ağı kapasiteli, zaman–genişletilmiş bir akış problemi olarak modeller. Mixed-Integer Programming, sefer oluşturma, araç dolaşımı ve mürettebat açısından uygun rotasyonları dead mileage’i minimize ederken headway, yük ve OTP hedeflerine bağlar. GTFS Validation, rota geometrisi ile durak sürelerinin gözlemlenen hız profilleriyle uyumunu sağlar; böylece MIP içindeki deadhead ve işletme süreleri fiziksel gerçekliği yansıtır.

Talep bilinçli sıklık ve mikro ayarlar; akıllı kart veya APC ile zenginleştirilen yük eğrileri sayesinde geleneği değil, yığılmayı önleyecek yere esnek pay koyar. Depo, hat ailesi ve günün zaman dilimine göre deadhead oranının sürekli izlenmesi yapısal sürücüleri ortaya çıkarır ve ağ yeniden tasarımını empirik bir optimizasyon alıştırmasına dönüştürür.

Temel Metrikler

MetrikReferansOW ile optimizeİyileşme
Deadhead oranı (pik / off-pik)%24–32%15–209–12 p ↓
Headway düzenliliği (cv)0,38–0,450,22–0,30Stabil
Yığılma aşımı saatleri%100 (baz)%65–78%22–35 ↓
OTP / zamanında performans%78–82%86–92+6–10 p

İlgili çözüm alanını use-cases sayfasında görüntüle →

GTFS → MIP

Ağ akışı — talep sinyalleri → MIP sefer grafiği → dead mileage minimizasyonu

Örnek Senaryo Finans

Bütçe ve Maliyet Dinamikleri

Sistem Sorusu

Hangi maliyetler yapısaldır ve hangileri operasyonel tercihlerden kaynaklanır?

OW Nasıl Destekler

OW, bütçe tartışmalarını toplam rakamlardan karar etkisine kaydırarak, organizasyonların tercihlerin maliyetlere nasıl dönüştüğünü anlamasına yardımcı olur.

Sorun

Maliye birimleri yakıtı, işgücünü ve bakımı kalem olarak görür; operasyon bunları çizelge kararlarının sonucu olarak görür. Nedensel köprü olmadan kesintiler kör (her yerde daha az sefer) olur; yapısal dead mileage’i korurken cerrahi müdahale yapılamaz. Tedarikçi değişiminden gelen tasarruflar, fazla mesai veya yakıtta yeniden ortaya çıkan gizli deadhead saatleriyle buharlaşabilir.

Denetçiler ve kurullar kanıt ister. Tablolar nadiren marjinal maliyeti belirli bir tarife desenine, interlining tercihine veya garaj atamasına bağlar — oysa işletme kuralları amaç ve kısıtlara kodlandığında bunlar tam olarak Mixed-Integer Programming’in nicelleştirdiği kollar olur.

OW Karar Zekâsı Yaklaşımı

OW CostLogic™ ve optimizasyon katmanları; minimum hizmet kuralları, toplu iş sözleşmeleri ve filo sahipliği gibi yapısal taahhütleri, deadhead saatleri, pik araç ihtiyacı, boş yeniden konumlandırmanın yakıtı ve marjinal kilometrelerden tetiklenen bakım döngüleri gibi karar kaynaklı OPEX’ten ayırır. Her senaryo çalıştırması, GTFS ile doğrulanmış araç yörüngelerine bağlı tutarlı maliyet dağılımı üretir; tahminî ortalamalara dayanmaz.

Filo tavanı, maksimum pik otobüsü veya terminal kapasitesi gibi sıkı kısıtların MIP gölge fiyatları, talep belirsizliği altında hangi avronun sağlam, hangisinin riskli hizmet degradasyonu gerektirdiğini anlatır. Böylece kurumlar toplam yerine ödünleşim yüzeyleri üzerinde tartışır: harcama–Service Coverage, filo sayısı–güvenilirlik; duyarlılık GTFS kalitesiyle şeffaftır.

Temel Metrikler

MetrikReferansOW ile optimizeİyileşme
Dead mileage’e bağlanabilen OPEX%9–14%5–84–6 p ↓
Pik araç ihtiyacı%100%92–97%3–8 ↓
Gelir saati başına maliyet%100%88–94%6–12 ↓
Senaryo ROI netliğiNitelNicel (MIP)Denetlenebilir

İlgili çözüm alanını use-cases sayfasında görüntüle →

GTFS → MIP

Maliyet dağılımı — doğrulanmış araç izleri → OPEX ayrıştırması

Örnek Senaryo Sürdürülebilirlik

Çevresel Performans ve Karbon Azaltımı

Sistem Sorusu

Operasyonel tercihler çevresel sonuçları nasıl etkiler?

OW Nasıl Destekler

OW, çevresel etkiyi ölçülebilir bir sistem sonucu haline getirerek operasyonel optimizasyonu iklim ve sürdürülebilirlik hedefleriyle uyumlu hale getirir.

Sorun

Şehirler iklim hedefleri yayınlar; ancak transit emisyonları operasyonun içine gömülüdür: gereksiz dead mileage, düşük doluluk faktörleri ve daha iyi sıklık oyulmasıyla yumuşatılabilecek dizel pikler. Emisyon modellerini optimizasyondan koparırsanız sürdürülebilirlik, sevk ve planlama kollarından ayrı bir raporlama alışkanlığına dönüşür.

Hizmet iyileştirmeleri, yığılmaya karşı tepeye ek araç atmak deadhead’i dengelemeden yapılırsa enerji kullanımını yanlışlıkla artırabilir. Gerçek ilerleme; Service Coverage, güvenilirlik ve karbon yoğunluğunu aynı doğrulanmış GTFS–AVL temelinde eş-optimize etmeyi gerektirir — böylece sürdürülebilirlik ofisi ve COO tek dijital ikiz üzerinde görüşür.

OW Karar Zekâsı Yaklaşımı

OW, MIP karar değişkenlerine emisyon faktörleri ve enerji eğrileri bağlar: araç tipi, sefer uzunluğu, rölanti süresi ve garaj çıkışları. Amaçlar skalerleştirilebilir veya çok amaçlı çözülerek yığılma rahatlığı ile yolcu-km başına CO₂ arasındaki Pareto yüzeyi çıkarılır. Deadhead oranı düşüşü fazla VKT’yi doğrudan keser; kalan seferlerde doluluk iyileşmesi ise litre başına yolcu-km’yi yükseltir.

GTFS Validation, VKT’yi hafife alan iyimser rotaları engeller; AVL mutabakatı, gözlemlenen eğim ve stop–go örüntüleriyle elektrifikasyon veya H₂ hazırlık senaryolarını gerçekçi kılar. Rapor paketleri belediye iklim muhasebesiyle uyumludur; kabul edilen her senaryo yalnızca OTP ve Service Coverage deltalarını değil, güven aralıklı emisyon tahminlerini de belgeler.

Temel Metrikler

MetrikReferansOW ile optimizeİyileşme
Gelir araç-km başına CO₂%100%88–93%7–12 ↓
Deadhead kaynaklı fazla VKT%100%72–85%15–28 ↓
Enerji birimi başına yolcu-km%100%108–118Verim ↑
İklim senaryosu iz sürülebilirliğiAd hocGTFS bağlıİzlenebilir

İlgili çözüm alanını use-cases sayfasında görüntüle →

GTFS → MIP

Karbon duyarlı optimizasyon — enerji eğrileri MIP amacının parçası