Forecasting of railway passenger transport demand with artificial neural network

Demiryolu yolcu planlamaları ve gerekli noktalara yapılması düşünülen projelerin taşıma oranını belirlemek mali olarak uygun yöntemlerin seçilmesinde etkilidir. Yolcu talebi üzerinde etkili olan faktörlerin göz önünde bulundurularak tahminlerinin oluşturulması doğru tercihlerin ve kararların alınmasında önemli bir etkiye sahiptir. Bu çalışmada demiryolu yolcu taşıma talebinin belirlenmesi için etkili olan 9 bağımsız değişken ile demiryolu yolcu sayısı regresyon analizi ve yapay sinir ağları ile modellenmiştir. Modellerin performansını değerlendirebilmek için belirleme katsayısı ve hata kareleri ortalaması (MSE) dikkate alınmıştır. Korelasyon analizi ile önce değişkenler arasındaki ilişki incelenmiş ve bağımsız değişkenlerin bağımlı değişkeni açıklama oranı yeterli bulunmuştur. Regresyon analizi sonucunda nüfus ve demiryolu hat uzunluğunun bağımlı değişken üzerinde daha anlamlı olduğu belirlenmiştir. Yapay sinir ağları ile analizde ağın eğitilmesi için Levenberg-Marquardt algoritması kullanılarak uygun ağ yapısı tespit edilmiştir. Bağımsız değişkenlerin etkisi duyarlılık analizi ile incelenmiş ve en önemli değişkenin GSYH olduğu belirlenmiştir. İki model içinde belirleme katsayıları, modellerin açıklanması için yeterlidir ve MSE düşük değerlere sahiptir. Ancak yapay sinir ağlarının demiryolu yolcu sayısını belirlemede daha iyi performans gösterdiği anlaşılmıştır. Bunun üzerine gerçeğe yakın değerler oluşturduğu için YSA yolcu talebine ait tahminde daha iyi sonuçlar oluşturmaktadır.Railway passenger planning and determining the transportation rate of the projects that are planned to be made to the required points are effective in choosing financially apropriate methods. Considering the factors affecting the passenger demand, the creation of forecasts has an important effect on making the right choices an decisions. In the study, 9 independent variables that are effective for determining the demand for railway passengers by regression analysis and artificial neural networks. In order to evaluate the performance of the models, determination coefficient and mean square eror (MSE) were taken in to consideration. With correlation analysis, the relationship between variables was examined first and the explanation rate of the independent variables for the dependent variables was found to be sufficient. As a result of the regression analysis, it was determined that population and railway line length were more significiant on the dependent variable. The appropriate network structure was determined by using Levenberg-Marquardt algorithm to train the network in analysis with artificial neural network. The effect of independent variables was analyzed with sensitivity analysis and it was determined that the most important variable was GDP. The determination coefficient within the two models are sufficient to explain the models and MSE has low values. However, it has been understood that artificial neural networks perform better in determining the number of rail passengers. Therefore, ANN creates better results in the forecast of passerger demand as it creates realistic values