//
Yeni arama için tıklayınız.
 

Tez

Ramazan Terzi

Filo Ve Toplu Taşıma Araçları İçin Büyük Veri Temelli Sürücü Ve Sürüş Davranış Model Önerileri

Bıg Data Based Drıver And Drıvıng Behavıor Model Recommendatıons For Fleet And Publıc Transport

Türkçe

Doktora

Gazi Üniversitesi Fen Bilimleri Enstitüsü

Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Ana Bilim Dalı

Prof. Dr. Şeref SAĞIROĞLU,Dr. M. Umut DEMİREZEN

2019

Sürücü/Sürüş davranışı, büyük veri, büyük veri analitiği, büyük veri modeli, filo yönetimi, toplu taşıma, araç, yakıt tüketim analizi

 

Trafikte karşılaşılan problemlerin çoğunun sürücü kaynaklı olması sebebiyle; sürücü/sürüş davranış (SSD) analizlerinden faydalanılarak kazalarının azaltılması, çevre duyarlı sistemlerin ve çözümlerinin geliştirilmesi, filoların daha kolay yönetilmesi, özel bölgelerde (radar, trafik ışıkları vb.) sürücü davranışlarının tespiti, toplu taşıma araçlarında yakıt tüketiminin düşürülmesi gibi pek çok yeni çözüm önerileri geliştirilebilmektedir. Bu tez çalışmasında; literatürdeki SSD analitiği çalışmaları incelenmiş, filo yönetiminde ve toplu taşıma otobüslerinde SSD analizleri sonucunda, büyük veri temelli SSD modelleri ilk kez geliştirilmiş, bu modeller gerçek veriler ile test edilerek yapılan çalışmalar üç temel başlıkta toplanmıştır. İlk çalışma, tez kapsamında elde edilen bulgular doğrultusunda büyük veri temelli SSD modelleri üzerinde çalışacak olan araştırmacılara/araştırmalara ışık tutacak, yapılacak çalışmaları kolaylaştıracak hususları içermekte olup çözümlerde kullanılacak altyapılar, algoritmalar, modeller, güçlükleri aşmaya yönelik öneriler ile pratik çözümleri içermektedir. İkinci çalışma, filo araçları üzerine olup 7 farklı senaryonun geliştirilmesi ve çözümlenmesi üzerinedir. Belirlenen senaryolarda; 1-3 (sürücüler), 4-6 (lokasyon bazlı sürüş davranışları), ve 7 (filo araçlarına ait sürüş davranış farklılıkları) model önerileri geliştirilmiş ve büyük veri analitiği yapıldığında yeni çok farklı sonuçlar elde edilebileceği gösterilmiştir. Son çalışmada ise, toplu taşıma otobüsleri üzerinde SSD analizleri yapılmış, güzergâh bazlı SSD modelleri geliştirilmiş, her güzergâhta sürüş davranışlarının farklılık gösterdiği tespit edilmiş ve bu davranış farklılıklarının yakıt tüketimine etkisinin %21-59 arasında değiştiği belirlenmiştir. Geliştirilen büyük veri temelli SSD modellerin literatürdeki ilk modeller olduğu, yakıt tüketimi modellerinin ise dikkate alınan parametreler ve sürüş davranışı açısından literatürdeki mevcut modellerden daha gerçekçi sonuçlar verdiği belirlenmiştir. Sonuç olarak, bu tez kapsamında sunulan modellerin, SSD literatüründeki ilk modeller olması sebebiyle yapılacak yeni çalışmalara örnek teşkil edeceği, geliştirilen modellerin literatürde karşılaşılan problemlerin çözümünde yeni bakış açıları ve çözüm yolları sunmasının yanında diğer alanlarda da yapılacak çalışmalara katkı sağlayacağı değerlendirilmektedir.

 

The drivers are the main factor in the traffic. Solutions for reducing traffic accidents, detecting behavior in fleet and special areas (radar, traffic lights, etc.) reducing fuel consumption or caring environments are required to developed in consideration with driver/driving behavior (DDB) analysis. In this thesis, DDB analytical studies in the literature have been examined, DDB analytics in fleet management and public transport buses were achieved to develop big data based DDB models and tested with real big data for the first time. The studies and contributions are combined in three groups. The first group study in line with the findings includes the issues that will provide comprehensive study based on the proposed DDB models, available infrastructures, algorithms and data sets, suggestions to overcome the difficulties, big data perspective and practical solutions. The second study is about developing and analyzing 7 different scenarios on fleet vehicles. In the scenarios; 1-3 (drivers), 4-6 (location-based driving behaviors), and 7 (driving behavior differences for fleet vehicles) were identified, analyzed and finally modeled. Different values are successfully extracted from the real data of fleet vehicles with the help of big data analytics. In the last group study, big data based solutions for public transports were provided for the first time in fuel consumption in a realistic manner. DDB analyzes based on public transport buses were achieved and route based DDB models were developed. The results have shown that driving behaviors are different for each of routes, the effects of these behavior differences on fuel consumption are ranged between 21% and 59% and the developed models are more realistic models in the light of the literature comparison in terms of the criteria taken into consideration. As a result, it could be concluded that the models developed with the big data perspective provided important values and would present new perspectives and plausible solutions in solving the problems not only for DDB but also other problems encountered in the literature.