Ulaşım talep tahmin modellerinde trafik analiz zonu büyüklüklerindeki değişimin yolculuk atama sonuçlarına olan etkisinin modellenmesi

Abstract

Ulaşım talebindeki artışın her geçen gün daha da büyümesi ile birlikte, gelişmiş ve gelişmekte olan ülkelerdeki orta ve büyük ölçekli şehirlerde trafik sıkışıklığı artmaya devam etmektedir. Kentsel ulaşım sorununa yaklaşım, ilk ortaya çıktığı günden bugüne kadar çeşitli evrelerden geçmiştir. Bunun bir sonucu olarak da, dünya genelinde birçok şehirde konfor ve erişebilirlik beklentilerinin yükselmesi, özel araç kullanımını arttırmış ve toplu taşım kullanımının azalmasına neden olmuştur. Taşıt arzının artması ve buna karşılık yolların yetersiz kalması nedeniyle trafik sıkışıklığı ortaya çıkmıştır. Bu sıkışıklığa çözüm bulmak amacıyla yolculuk talep tahmin modelleri ile alternatif senaryolar üretilmektedir. Söz konusu senaryolarda arazi kullanım konfigürasyonları ve ulaşım altyapıları kullanılarak, kullanıcı, yolculuk ve zon karakteristiklerine göre geleceğe yönelik tahminler gerçekleştirilmektedir. Karar verme sürecini iyileştirmek için ulaşım ile ilgilenen kuruluşlar sürekli yeni model altyapıları geliştirmektedir. Bu çalışmada, İstanbul İli için kurulan talep tahmin modelleri yolculuk amaçlarına göre incelenmiştir. İstanbul için uygulanan talep tahmin modeli ve trafik analiz zonlarının yapısı incelenmiş, trafik analiz zonlarının seçim kriterlerine değinilerek bu zonların küçültülerek yolculuk başlangıç ve bitiş noktaları için hassasiyetin arttırılmasının model tahmin kabiliyeti üzerindeki etkileri incelenmiştir.İstanbul İli için uygulanan 540 trafik analiz zonu daha küçük alanlara bölünerek model tutarlılığı üzerindeki etkileri incelenmiştir. İdari sınırlar dikkate alınarak en küçük idari sınır olan mahalle alanları içerisinde benzer arazi kullanım niteliği gösteren alanlar birbirinden ayrılarak 1788 trafik analiz zonu için talep tahmin modeli altyapısı yeniden oluşturulmuştur. Bu altyapının en önemli üç bileşeni; B-S matrisi, karayolu ve toplu taşıma ağları ve trafik analiz zonları nitelik bilgileri 1788 trafik analiz zonu için revize edilmiştir.İstanbul için daha küçük zon yapılanması kurulurken yapılan düzenlemelere değinilmiştir ve bu iyileştirmelerin şebeke ataması algoritmaları üzerindeki etkisi incelenmiştir. Bir örnek olarak Kadıköy Kartal Metro Hattı için genel işletme bilgileri verilerek hat boyunca farklı büyüklüklerdeki trafik analiz zonları için talep tahmin modelinin çıktılarının gerçekleşen gerçek değerlere göre tutarlılığı incelenmiş, ortaya çıkan faydalar analiz edilmiştir.Kadıköy-Kartal Metro Hattı için 540 ve 1788 trafik analiz zonu için yapılan toplu taşıma şebeke atamaları karşılaştırıldığında, her iki modelin de gerçeği temsiliyetinin oldukça iyi olduğu görülmekte birlikte daha küçük zonlar oluşturulması ile model hassasiyetinde önemli ölçüde iyileştirmeler olduğu görülmektedir. Hataların ortalama karekökü (RMSE) yöntemi ile istasyon bazlı bindiler değerlendirilerek karşılaştırma yapılmıştır. 1788 zon için hata oranının %23 oranında azaldığı görülmüştür.Çalışma alanı için uygun zon yarıçapının belirlenmesi için ise nüfus yoğunluğu ve istihdam yoğunluğu bağımsız değişkenler olarak değerlendirilmiş ve üstsel model uygulanmıştır. Zon yarıçap uzunluğunu hesaplarken kullanılabilecek en uygun modelin seçiminde çalışma alanının karakteristik özelliklerine dikkat edilmelidir. 1 km2 alan içindeki nüfus yoğunluğu ve istihdam yoğunluğu kullanılarak hesaplanan zon yarıçapları ile modelde kullanılan ortalama yarıçap uzunluklarının birbirine yakınlaştırılması ile R2 değerinde %26'lık artış sağlamanın mümkün olduğu gözlemlenmiştir.

Traffic congestion continues to grow in mid-sized and large cities in both developed and developing countries with the growth of transportation demand day by day. Approach to urban transportation issue have passed through various stages from the very beginning. As a result of this, in many cities in the world, the rising of comfort and accessibility expectations has increased the use of private vehicles and caused reduction in the use of public transport. Increment in vehicle supply, in response to this, lack of road network has resulted in traffic congestion. Alternative scenarios have been generated with travel demand forecast models to find solutions for the traffic congestion. In those scenarios, future forecasts are carried out based on user, travel and zonal characteristics using land-use configurations and transportation infrastructures. Institutions dealing with transportation constantly develop new model infrastructures to improve decision-making process.In this study, demand forecast models for İstanbul have been examined according to purposes of travel. Demand forecast model applied for İstanbul and structures of traffic analysis zones have been examined. Selection criteria of the traffic analysis zones have been addressed and the effects of increasing the sensitivity of zones for travel start and end points on model forecast capability have also been examined by minimizing zones. The effects of dividing 540 traffic analysis zones in Istanbul into smaller areas on model consistency have been addressed. Demand forecast model infrastructure has been recreated for 1788 traffic analysis zones by separating zones from each other which show similar land use characteristics considering neighborhoods which are the smallest administrative boundaries. The three most important components of this infrastructure which are O-D matrices, highway and public transport networks, and traffic analysis zones' attributes have been revised for the 1788 traffic analysis zones.Regulations which have been carried out for the settlement of İstanbul into smaller zones have been discussed and the effects of these improvements on network assignment algorithms have been examined. As an example, general operational information for Kadıköy-Kartal Metro Line has been provided and the consistency of the outputs of the demand forecast model has been studied according to actual values for traffic analysis zones of different sizes along the Metro Line. The benefits of the demand forecast model has also been analyzed. When the public transport network assignments for the Kadıköy-Kartal Metro Line for the 540 and 1788 traffic analysis zones have been compared, it has been observed that both models have been quite representative; however there has been significant improvements in model accuracy when smaller zones are created. Station-based rides have been evaluated by the mean square root error (RMSE) method and comparisons have been performed. The error rate for the 1788 zones has been reduced by 23%. Population density and employment density have been evaluated as independent variables for the determination of proper radius for working area and exponential model has been applied. Attention should be paid to the characteristics of the working area while choosing the most suitable model to use during calculating radius of zones. It has been observed that it is possible to achieve %26 increment in R2 value by converging zone radiuses calculated using population density and employment intensity with the average radiuses used in the model within 1 km2 area.