Conference PaperPDF Available

İstanbul Toplu Taşıma Ağı Analizi

Authors:

Abstract

Trafik sıkışıklığı, günümüz metropollerinin en büyük sorunlarından birisidir. Dünyada her gün milyonlarca saat trafik sebebiyle boşa gitmekte, çalışanların ve öğrencilerin verimi düşmektedir. Trafiği azaltmak için trafiğe katkıda bulunan etkenlerin tespit edilip çözüm yoluna gidilmesi elzemdir. Çözüme yönelmeden önce sorunun asıl kaynağı iyice tespit edilmelidir. Hatalı tasarlanan ulaşım altyapıları yahut plansız kentleşme bu kaynakların en önemlilerindendir. Bu çalışma, İstanbul'daki toplu taşıma ağının analiz edilerek şehirdeki yapısal darboğazların tespit edilmesini amaçlamaktadır. Otobüs güzergahlarının konumsal ağ şeklinde kurgulanıp analiz edilmesiyle trafik yoğunluğunun oluşabileceği noktalar tespit edilmiştir ve tespitler gerçek hayat deneyimleriyle uyumludur. Traffic congestion is one of the major problems of metropolitan cities. Each day millions of hours are wasted due to traffic congestion in the world, causing reduction in productivity among workers and students. In order to reduce traffic congestion, it is required to figure out major factors contributing to the congestion. The faults in the design of the transportation infrastructures or unplanned urbanization are some among the most important factors. This study aims to detect bottlenecks in the transportation network of Istanbul via network analysis. We detected potential traffic congestion points using bus line route information represented as a spatial transportation network. Our detections are complying with our real life experience.
˙
Istanbul Toplu Tsıma A˘gı Analizi
Ahmet Emre Alada˘g1
1Bo˘gazi¸ci ¨
Universitesi, Bilgisayar M¨uhendisli˘gi B¨ol¨um¨u, ˙
Istanbul
emre.aladag at boun.edu.tr
¨
Ozet: Trafik sıkı¸sıklı˘gı, g¨un¨um¨uz metropollerinin en b¨uy¨uk sorunlarından birisidir. unyada her g¨un milyonlarca
saat trafik sebebiyle bo¸sa gitmekte, ¸calı¸sanların ve ¨grencilerin verimi d¨smektedir. Trafi˘gi azaltmak i¸cin trafi˘ge
katkıda bulunan etkenlerin tespit edilip ¸oz¨um yoluna gidilmesi elzemdir. C¸¨oz¨ume y¨onelmeden ¨once sorunun asıl
kayna˘gı iyice tespit edilmelidir. Hatalı tasarlanan ula¸sım altyapıları yahut plansız kentle¸sme bu kaynakların en
¨onemlilerindendir. Bu ¸calı¸sma, ˙
Istanbul’daki toplu ta¸sıma a˘gının analiz edilerek ¸sehirdeki yapısal darbo˘gazların
tespit edilmesini ama¸clamaktadır. Otob¨us g¨uzergahlarının konumsal a˘g ¸seklinde kurgulanıp analiz edilmesiyle
trafik yo˘gunlu˘gunun olu¸sabilece˘gi noktalar tespit edilmi¸stir ve tespitler ger¸cek hayat deneyimleriyle uyumludur.
Anahtar Kelimeler: veri g¨orselle¸stirme, a˘g bilimi, ¸cizge, toplu ta¸sıma, ula¸sım a˘
Istanbul Public Transportation Network Analysis
Abstract: Traffic congestion is one of the major problems of metropolitan cities. Each day millions of
hours are wasted due to traffic congestion in the world, causing reduction in productivity among workers and
students. In order to reduce traffic congestion, it is required to figure out major factors contributing to the
congestion. The faults in the design of the transportation infrastructures or unplanned urbanization are some
among the most important factors. This study aims to detect bottlenecks in the transportation network of
Istanbul via network analysis. We detected potential traffic congestion points using bus line route information
represented as a spatial transportation network. Our detections are complying with our real life experience.
Keywords: visualization, network science, spatial graph, transportation network
1 Giri¸s
Son yıllarda ¸sehirle¸smenin ve ara¸c sayısının art-
masıyla birlikte b¨uy¨uk ¸sehirlerde trafik sıkı¸sıklı˘
sorunu ba¸sg¨ostermi¸stir. Trafik sıkı¸sıklı˘gının en ¨onemli
sebepleri arasında plansız kentle¸sme ve kontrols¨uz
c yer almaktadır. Her ge¸cen g¨un artan ve
2016 itibariyle 14 milyonu ge¸cen n¨ufusuyla ˙
Istanbul,
trafik sıkı¸sıklı˘gının en yo˘gun olarak g¨or¨uld¨u d¨unya
¸sehirlerinden biridir. Bu ¸calı¸smadaki ara¸stırma sorumuz
”Otob¨us g¨uzergahlarını inceleyerek ˙
Istanbul ¸sehrindeki
yapısal darbo˘gazları (trafi˘gin sıkı¸stı˘gı noktaları) tespit
edebilir miyiz?” olacaktır. Analizlerimiz a˘g tabanlı
yapısal bir analizin ger¸cekte trafik yo˘gunlu˘gu ya¸sanan
noktaları tespit edebilmekte oldu˘gunu g¨ostermektedir.
C¸ alı¸smamız i¸cin gerekli verileri ˙
Istanbul B¨uy¨uk¸sehir
Belediyesi’nin sundu˘gu cık Veri platformu olan
CitySDK sa˘glamaktadır.
2 Literat¨ur Ara¸stırması
Ula¸sım a˘g analizi konusundaki ¸calı¸smalar [1, 2] ¸cok es-
kiye dayansa da a˘g biliminin ve sim¨ulasyon altyapılarının
geli¸smesi ve veri miktarının artmasıyla birlikte son
yıllarda canlanmı¸s, g temelli yapısal analizler, ula¸sım
altyapı planlamaları, tarife tablolarının belirlenmesi,
trafi˘gin modellenmesi gibi ¸calı¸smalar g¨or¨ulm¨st¨ur.
Soh ve ark. Singapur tren ta¸sıma a˘gının ve ¸sehirle¸sme
yapısının analizini yapmı¸stır [3] ancak hedefinde trafik
sıkı¸sıklı˘gı yoktur. Derrible ve ark. metro a˘glarının
dayanıklılı˘gını [4] incelemi¸stir. Lam ve ark. ise en
verimli transit sistemini kurma ama¸clı ¸calı¸smalar [1]
ur¨utm¨st¨ur.
Toplu ta¸sıma sistemlerinin ¸coklu ajan modellemesini
yapan ve olası sorunları sim¨ule etmeye y¨onelik ¸calı¸smalar
da [5, 6, 7, 8] mevcuttur. Toplu ta¸sıma sistem-
lerinde sorun ya¸sanabilecek zayıf noktaları tespit etm-
eye y¨onelik ba¸slıca ¸calı¸smalar Scott ve ark. tarafından
ur¨ut¨ulm¨st¨ur [9]. S¸ehirlerin b¨uy¨umesiyle birlikte
ula¸sım a˘glarının geli¸simini inceleyen [10], trafik akı¸sını,
ula¸sım planlamasını ve a˘g geli¸siminin ekonomisini ele
almı¸stır. Trafik konusuna e˘gilen [11], yol geni¸sli˘gi, ara¸c
hızı gibi mikroskopik ¨ozellikleri kullanarak bir akı¸s mod-
eli ¨uzerinden trafik dinamiklerini incelemi¸stir. LeBlanc
ve ark. ¸calı¸smasında trafik akı¸sının dengelenmesi ¨uzerine
¸calı¸smalar [12] y¨ur¨utm¨st¨ur.
Pattnaik ve ark. genetik algoritma kullanarak transit
uzergah tasarımı ¨uzerinde ¸calı¸smalar [13] y¨ur¨ut¨urken,
Baaj ve ark. transit a˘g tasarımında bulu¸ssal algo-
ritmaların kullanımını [14] ¨onermi¸stir. Bununla bir-
likte Jian ve ark. en az sayıda duraksama yaparak
en ekonomik seyahat edilebilecek bir ula¸sım sistemi
tasarlayan algoritma [15] geli¸stirmi¸stir. Goczylla ve
ark. bir ula¸sım a˘gında en optimal g¨uzergahın tespi-
tine y¨onelik bulu¸ssal bir algoritma [16] geli¸stirmi¸stir.
Mandl ve ark. de toplu ta¸sıma sistemlerinin eniy-
ile¸stirilmesi ve de˘gerlendirilmesine y¨onelik ¸calı¸smalarda
[17] bulunmu¸stur. Sheffil ve ark. ise, olası bir afet duru-
munda ¸sehrin bo¸saltılmasının en kısa ve g¨uvenli s¨urede
yapılabilmesi i¸cin bir ¸cer¸ceve [18] ¸cizmi¸stir. Bununla bir-
likte ˙
Istanbul b¨uy¨ukl¨unde bir ¸sehrin otob¨us altyapısını
g bazlı inceleyerek olası darbo˘gazları tespit edecek
uygulamaya y¨onelik bir ¸calı¸sma bildi˘gimiz kadarıyla yok-
tur.
1
3 Y¨ontem
3.1 Veri Kayna˘
Bu ¸calı¸smada veri kayna˘gı olarak kullandı˘gımız
CitySDK, toplu ta¸sıma sistemlerine dair a¸cık veri sunul-
masını ama¸clayan AB tarafından desteklenen bir pro-
jedir. Proje, d¨unya ¸capında 8 ¸sehirde denenmi¸stir,
bunlardan birisi de ˙
Istanbul’dur. ˙
Istanbul B¨uy¨uk¸sehir
Belediyesi, toplu ta¸sıma bilgilerine ¨ucretsiz eri¸sim
sa˘glayan bir API sunmaktadır. Bu API, ˙
Istanbul’daki
otob¨us hatlarının listesini ve bu hatların sırayla hangi
duraklardan ge¸cti˘gini koordinatlarıyla birlikte sorgu-
lama imkanı sunmaktadır. Biz de Python programlama
dili ile yazılmı¸s olan Scrapy ur¨ungen k¨ut¨uphanesi ile
hat listesini ve her g¨uzergahta yer alan durakları koordi-
natlarıyla ¸cektik. Elde etti˘gimiz verileri de R program-
lama dili ve igraph, ggmap gibi k¨ut¨uphanelerini kulla-
narak i¸sleyip g¨orselle¸stirdik. orselle¸stirdi˘gimiz veriler
07.07.2015 tarihindeki g¨uzergah bilgilerini baz almak-
tadır.
3.2 Veri Yapıları
API’dan aldı˘gımız veriler genel olarak liste veri
yapısındadır: hat listesi ve bir otob¨us¨un takip etti˘gi
uzergahtaki durakların listesi. ˙
Ikinci listedeki her
bir ¨ge, g¨uzergah durakları sıralı verildi˘gi i¸cin, ardı¸sık
oldu˘gu ¨gelerle ili¸skilidir. Biz de bu ili¸skiyi kullanarak
bir a˘g (network/graph) olu¸sturduk. Bu a˘gda d¨g¨umleri
otob¨us durakları, kenarları ise iki durak arasındaki
uzergah varlı˘gı olarak tanımladık. ¨
Orne˘gin 59R
hattı ¨once Nispetiye, sonra Bo˘gazi¸ci ¨
Universite durak-
larından (d¨umlerinden) ge¸ciyorsa u=N ispetiye, v =
BogaziciU niversite olmak ¨uzere iki d¨um arasında
onl¨u e= (u, v) kenarı olu¸sturup 59R hat koduyla etike-
tledik.
gı g¨orselle¸stirirken her bir d¨ume API’dan elde
etti˘gimiz koordinatları g¨orsel koordinat olarak atadık.
Bu sayede d¨um konumları sabit kalırken ke-
narlar d¨umler arasında g¨orselle¸smi¸s oldu. Bu
orselle¸stirmede bir varsayımımız veri yetersizli˘gi sebe-
biyle otob¨uslerin iki durak arasında ku¸s u¸cu¸su do˘grusal
olarak gittikleri varsayımı oldu. ˙
Ileriki ¸calı¸smalarda
co˘grafi veri sistemlerinden alınacak yol koordinatları ile
(kenar ara noktaları olarak belirlenerek) ¸cok daha do˘gru
ve yumu¸sak ge¸ci¸sli g¨orseller elde edilebilir.
Durakları inceledi˘gimizde aynı konumda farklı is-
tikamette bulunan durakların ayrı duraklar olarak be-
lirlendi˘gini g¨ord¨uk, bu durakları birle¸stirme gere˘gi
ormedik. Bu da hazırlayaca˘gımız a˘gı y¨onl¨u hale
getirdi. Bununla birlikte Kadık¨oy gibi ¸cok sayıda
dura˘gın merkezi noktada bulundu˘gu ancak farklı kod-
larla kodlandı˘gı noktaların varlı˘gını da ke¸sfettik. Sonraki
¸calı¸smalarda yakın durakların tek durak varsayılması
gibi bir yakla¸sım benimsenebilir.
S¸ekil 1: gırlıklı Ula¸sım A˘gının Derece Da˘gılımı
4 Analiz
4.1 C¸ oklu C¸ izge
¨
Oncelikle olu¸sturdu˘gumuz y¨onl¨u a˘gı ¸coklu ¸cizge
(multigraph) ¸seklinde g¨orselle¸stirdik. Bu ¸cizge t¨ur¨unde
iki d¨um arasında birden fazla kenar olabilmektedir.
Bu durum kenarların ¨ust ¨uste binmesine sebep oldu
ama yine de b¨uy¨uk resmi g¨orme a¸cısından S¸ekil 2a gibi
cıklayıcı bir g¨orsel ¨uretti. orselde d¨umler siyah
noktalarla temsil ediliyorken kenarlar sarı renkle temsil
edildi. Ana arterlerde ¨ust ¨uste binen kenarlar sebebiyle
kalınla¸smalar ve do˘grusal kenar varsayımımız sebebiyle
birtakım kestirme kenarlar g¨or¨ulebilmektedir.
4.2 gırlıklı Ula¸sım A˘
S¸ekil 2a’daki gibi bir veri yapısı ve g¨orselle¸stirmesinde
¸cok sayıda kenarın ¨ust ¨uste binmesi sebebiyle ¸cok de˘gerli
bir bilgiyi kaybediyorduk: iki d¨g¨um arasındaki kenar
sayısı. Bu sebeple iki d¨um arasından ge¸cen xadet ke-
narı, a˘gırlı˘w(u, v) = xolan tek bir e= (u, v) kenarına
on¨st¨urd¨uk. Bu sayede ¸coklu ¸cizgeyi (Multigraph),
tekil ¸cizgeye (Regular graph) ¸cevirmi¸s olduk. Ardından
S¸ekil 2b g¨orselinde kenar a˘gırlıklarını renk tonu ile tem-
sil ettik: koyu kenarlar en ¸cok hattın ge¸cti˘gi, en yo˘gun
kenarları temsil etmektedir.
Derece da˘gılımı (S¸ekil 1) incelendi˘ginde ise ¸co˘gu
dura˘gın 2-3 derecesinin oldu˘gunu, yani ara durak
oldu˘gunu g¨or¨uyoruz. En y¨uksek dereceli d¨um 34
(31 giden ve 3 gelen) ba˘glantı ile Kadık¨oy’deki Hamza
Yerlikaya dura˘gı olmu¸stur. Bunda Kadık¨oy merkez
dura˘gında yer alan her bir dura˘gın farklı sayılmasının
ve bu noktalardan kalkan otob¨uslerin Hamza Yerlikaya
dura˘gından ge¸cmesinin etkisi vardır. Bu g¨ur¨ult¨un¨un
kaldırılması i¸cin Kadık¨oy sahildeki t¨um durakların tek
bir durak sayılması faydalı olacaktır.
4.3 Kenar Arasındalı˘gı Analizi
˙
Iki durak arasından ge¸cen hat sayısı trafik hacmini
tahmin etmede g¨uzel bir ¨ol¸c¨ut olabilir. Bununla birlikte
darbo˘gazların daha iyi g¨or¨ulebilmesi i¸cin daha farklı
¨ol¸c¨utleri kullanmamız gereklidir. Bunlardan ba¸slıcası
um a˘gda ikili her d¨um arasında en kısa rotalar hesap-
landı˘gında belirli bir kenar ¨uzerinden ge¸cen en kısa rota
sayısını temsil eden Kenar Arasındalı˘gı (Edge Between-
ness) ¨ol¸c¨ut¨ud¨ur.
2
gda herhangi sum¨unden herhangi tum¨une
giden en kısa patikaların listesi λst, sayısı σst olsun.
λst cindeki en kısa patikalardan e= (u, v) kenarı
¨uzerinden ge¸cenlerin sayısı da σst(u, v) olsun.
Bu bilgiler ı¸sı˘gında e= (u, v) kenarının arasındalı˘
g(u, v), Form¨ul 1 ile hesaplanabilir:
g(u, v) = X
s6=u6=v6=t
σst(u, v)
σst
(1)
gımızdaki her kenar i¸cin kenar arasındalı˘
de˘gerlerini hesaplayıp ¸cok ıraksak de˘gerler ¨uretti˘gi
cin de˘gerlerin logaritmasını aldık. Ardından ke-
nar kalabalı˘gını gidermek, sadece en y¨uksek de˘gere
sahip kenarları g¨orselle¸stirmek i¸cin log(ka(e)) <3
olan her ekenarını a˘gımızdan silerek sadece [3,5]
aralı˘gındaki log kenar arasındalı˘gına sahip olan kenarları
orselle¸stirdik. S¸ekil 2c’e baktı˘gımızda ˙
Istanbul’un en
uy¨uk darbo˘gazları olan Bo˘gazi¸ci, Fatih Sultan Mehmet
ve Hali¸c k¨opr¨uleri, E-5, ¨c k¨opr¨uy¨u birbirine ba˘glayan
yollar (Hali¸c-Zincirlikuyu, Zincirlikuyu-Levent),
Kozyata˘gı-Kavacık ba˘glantısı or¨ulebilmektedir. Bu
uzergahlar ¨uzerinde ya¸sanabilecek trafik kazaları
trafi˘gi fel¸c noktasında getirebilmektedir. Sadece otob¨us
rotalarına bakarak olu¸sturdu˘gumuz g¨orselle¸stirmemizin
sonucu bireysel tecr¨ubelerimizle uyu¸smaktadır. Bu da
˙
Istanbul’daki trafik sorununun altında yatan en ¨onemli
etkenlerden birisinin ula¸sım altyapısı oldu˘guna i¸saret
etmektedir.
4.4 D¨um Arasındalı˘gı Analizi
Bir sonraki a¸samada farklı bir a¸cıdan bakıp a˘gdaki
en kısa rotaların hangi d¨umlerden ge¸cmek zorunda
oldu˘gunu baz alan D¨g¨um Arasındalı˘gı (Node Between-
ness) de˘gerlerini hesapladık.
gda sum¨unden tum¨une giden en kısa
patikaların listesi λst, sayısı σst olsun.
λst cindeki en kısa patikalardan v¨uzerinden
ge¸cenlerin sayısı da σst (v) olsun.
Bu bilgiler ı¸sı˘gında vd¨g¨um¨un¨un arasındalı˘g(v),
Form¨ul 2 ile hesaplanabilir:
g(v) = X
s6=v6=t
σst(v)
σst
(2)
um Arasındalı˘gı de˘gerlerini dikkate alarak
bir g¨orselle¸stirme yaptı˘gımızda farklı darbo˘gazlarla
kar¸sıla¸stık. S¸ekil 2d’de g¨or¨ulebilece˘gi ¨uzere ana arterler-
den ziyade sahil yolu gibi trafi˘ge girildi˘ginde ¸cıkmanın
zor oldu˘gu, alternatif istikametin olmadı˘gı konum-
ları ke¸sfettik. D¨g¨um Arasındalı˘gı en y¨uksek olan
umleri listeledi˘gimizde Tablo 1’deki sıralamayı elde
ettik. Tabloda dikkatimizi ¸ceken duraklardan bazıları
¸sunlardır:
Sabiha G¨ok¸cen Havalimanı, Kavacık K¨opr¨us¨u,
Taksim, Emin¨on¨u ˙
Iskele, Yenikapı Sahil,
Kumkapı, Sarayburnu, Dolmabah¸ce Sarayı, 4.
Levent
Dikkat edilirse Sabiha G¨ok¸cen Havalimanı listede
yer alırken Atat¨urk Havalimanının yer almama se-
bebi muhtemelen Atat¨urk Havalimanın ana ula¸sım
onteminin verilerimize dahil etmedi˘gimiz metro ol-
masıdır. Sabiha G¨ok¸cen’e ise ancak otob¨usle
gidilebilmektedir.
5 Sonu¸c ve ¨
Oneriler
Sadece otob¨us g¨uzergahlarını kullanarak
ger¸cekle¸stirdi˘gimiz bu analizle ˙
Istanbul’daki potansiyel
trafik sıkı¸sıklıklarının hangi noktalarda olabilece˘gini
osterdik. Potansiyel trafik sıkı¸sıklıklarının bu t¨ur
g analizi y¨ontemleriyle tespit edilmesi sayesinde
sıkı¸sıklı˘gın ula¸sım altyapısının yapısal ¨ozelliklerinden
kaynaklanıp kaynaklanmadı˘gı g¨or¨ulebilir. Analizimiz
trafik etkenlerinden birisinin de ˙
Istanbul’da yapısal
sorunlar oldu˘gunu i¸saret etmektedir. Bu t¨ur analizlerin
artması i¸cin cık Veri sistemleri ¸cok b¨uy¨uk ¨onem
arzetmektedir ve yaygınla¸sması desteklenmelidir.
Bu metodoloji, trafik sıkı¸sıklı˘gının ¨ustesinden
gelebilmek i¸cin hangi noktalara yeni yollar yapılması
ve hangi g¨uzergahlarda yeni hatlar a¸cılmasının makul
olabilece˘gi konusunda fikir vermektedir. C¸ alı¸smanın
olgesel n¨ufus yo˘gunlu˘gu verileriyle entegre olması ve
sistemin akı¸s (flow) ¸seklinde modellenmesi do˘gruluk
oranını ¸cok daha artıracaktır.
Yolcuların sabah ve ak¸sam saatlerindeki bini¸s-ini¸s
nokta ve saatlerinin analiz edilmesi ve bu sisteme en-
tegre edilmesiyle birlikte hangi g¨uzergahlarda ekspress
(do˘grudan) hat a¸cılmasının trafi˘gi hafifletece˘gine y¨onelik
¨ong¨or¨uler elde edilebilecektir.
Sonraki ¸calı¸sma olarak aynı yerde farklı istikamette
duran duraklar tek durak varsayılarak y¨onl¨u ¸cizgenin
ons¨uz hale getirilebilir. Kenarlar destelenerek ve e˘griler
halinde ¸cizilerek ku¸s bakı¸sı varsayım sebebiyle olu¸san
da˘gınık g¨or¨unt¨u d¨uzenlenebilir. Co˘grafi veri kaynakları
kullanılarak g¨orsellerin do˘grulu˘gu iyile¸stirilebilir.
C¸ alı¸smamızda kullandı˘gımız kaynak kod-
lara https://github.com/aladagemre/istanbul-
transportation-network adresinden eri¸silebilir.
Te¸sekk¨urler
Bu ¸calı¸sma T¨urkiye Bilimsel ve Teknolojik Ara¸stırma
Kurulu (T¨
UB˙
ITAK) tarafından B˙
IDEB 2211-A Pro-
gramı ile desteklenmi¸stir.
Kaynaklar
[1] Tenny N Lam and Harry J Schuler. Connectivity in-
dex for systemwide transit route and schedule per-
formance. Transportation Research Record, (854),
1982.
3
[2] Michael GH Bell and Yasunori Iida. Transportation
network analysis. 1997.
[3] Harold Soh, Sonja Lim, Tianyou Zhang, Xiuju
Fu, Gary Kee Khoon Lee, Terence Gih Guang
Hung, Pan Di, Silvester Prakasam, and Limsoon
Wong. Weighted complex network analysis of travel
routes on the singapore public transportation sys-
tem. Physica A: Statistical Mechanics and its Ap-
plications, 389(24):5852–5863, 2010.
[4] Sybil Derrible and Christopher Kennedy. The com-
plexity and robustness of metro networks. Phys-
ica A: Statistical Mechanics and its Applications,
389(17):3678–3691, 2010.
[5] Flavien Balbo and Suzanne Pinson. Toward a multi-
agent modelling approach for urban public trans-
portation systems. In Engineering societies in the
agents world II, pages 160–174. Springer, 2001.
[6] C Von Ferber, T Holovatch, Yu Holovatch, and
V Palchykov. Network harness: Metropolis pub-
lic transport. Physica A: Statistical Mechanics and
its Applications, 380:585–591, 2007.
[7] C Von Ferber, T Holovatch, Yu Holovatch, and
V Palchykov. Public transport networks: empiri-
cal analysis and modeling. The European Physical
Journal B, 68(2):261–275, 2009.
[8] David Levinson and Bhanu Yerra. Self-organization
of surface transportation networks. Transportation
Science, 40(2):179–188, 2006.
[9] Darren M Scott, David C Novak, Lisa Aultman-
Hall, and Feng Guo. Network robustness index:
a new method for identifying critical links and
evaluating the performance of transportation net-
works. Journal of Transport Geography, 14(3):215–
227, 2006.
[10] Feng Xie and David Levinson. Modeling the growth
of transportation networks: a comprehensive re-
view. Networks and Spatial Economics, 9(3):291–
307, 2009.
[11] HJ Sun, JJ Wu, and ZY Gao. Dynamics of traffic
networks: from microscopic and macroscopic per-
spectives. Physica A: Statistical Mechanics and its
Applications, 387(7):1648–1654, 2008.
[12] Larry J LeBlanc, Edward K Morlok, and William P
Pierskalla. An efficient approach to solving the
road network equilibrium traffic assignment prob-
lem. Transportation Research, 9(5):309–318, 1975.
[13] SB Pattnaik, S Mohan, and VM Tom. Urban
bus transit route network design using genetic al-
gorithm. Journal of transportation engineering,
124(4):368–375, 1998.
[14] M Hadi Baaj and Hani S Mahmassani. Hybrid
route generation heuristic algorithm for the design
of transit networks. Transportation Research Part
C: Emerging Technologies, 3(1):31–50, 1995.
[15] WANG Jian-lin. The public transportation opti-
mum route algorithm based on the least transfer
[j]. Economic Geography, 5:673–676, 2005.
[16] Krzysztof Goczy lla and Janusz Cielatkowski. Op-
timal routing in a transportation network. Euro-
pean Journal of Operational Research, 87(2):214–
222, 1995.
[17] Christoph E Mandl. Evaluation and optimization
of urban public transportation networks. Euro-
pean Journal of Operational Research, 5(6):396–
404, 1980.
[18] Yosef Sheffi, Hani Mahmassani, and Warren B
Powell. A transportation network evacuation
model. Transportation Research Part A: General,
16(3):209–218, 1982.
Tablo 1: D¨um Arasındalı˘gı en y¨uksek olan duraklar
tablosu
Durak Adı log(g(v))
SAB˙
IHA G ¨
OKC¸ EN ˙
I.D.H. 17.16
KAVACIK K ¨
OPR¨
US¨
U 17.11
TAKS˙
IM 17.07
SAB˙
IHA G ¨
OKC¸ EN N˙
IZ. 16.66
EM˙
IN ¨
ON¨
U˙
ISKELE 16.58
YEN˙
IKAPI SAH˙
IL 16.58
KUMKAPI 16.58
C¸ ATLADIKAPI 16.58
AKBIYIK 16.58
SARAYBURNU 16.58
SALIPAZARI 16.56
TEKN˙
IK ¨
UN˙
IVERS˙
ITE 16.54
MEVLANAKAPI 16.53
S˙
IL˙
IVR˙
IKAPI 16.53
DOLMABAHC¸ E SARAYI 16.53
M˙
IN˙
IAT ¨
URK 16.50
HAL˙
IC¸ KONGRE MERKEZ˙
I 16.50
KAVACIK K ¨
OPR¨
US¨
U 16.49
4.LEVEND 16.45
TOPKAPI ALT GEC¸ ˙
IT 16.44
˙
IN ¨
ON¨
U STADI 16.43
FABR˙
IKALAR 16.34
LEVENT 16.33
Z.KUYU-METROB ¨
US 2 16.33
G¨
UM ¨
US¸SUYU 16.29
S¨
UTL ¨
UCE 16.25
HALICIO ˘
GLU 9 16.24
HALICIO ˘
GLU 7 16.24
AYVANSARAY 16.24
MEC˙
ID˙
IYEK ¨
OY-V˙
IYAD ¨
UK 16.13
4
(a) C¸ oklu C¸ izge: Otob¨us g¨uzergahlarının ¸coklu ¸cizge halinde
orselle¸stirilmesi.
(b) gırıklı Ula¸sım A˘gı: aynı kenardan ge¸cen hat-
ların birle¸stirilmesi ile olu¸san a˘gırlıklı a˘g. Koyu renkli
ve kalın kenarlardan daha fazla hat ge¸cmektedir.
(c) Logaritmik Kenar Arasındalı˘gı Haritası. Koyu renk-
teki kenarların kenar arasındalık de˘geri daha y¨uksektir.
(d) Logaritmik D¨um Arasındalı˘gı Haritası. B¨uy¨uk
ve koyu renkteki d¨umlerin d¨um arasındalık de˘geri daha
uksektir.
S¸ekil 2: ˙
Istanbul toplu ta¸sıma a˘gı g¨orselleri
5
ResearchGate has not been able to resolve any citations for this publication.
Conference Paper
Full-text available
In this paper, a multi-agent system (MAS) for bus transportation management is presented. The aim of our MAS is 1) to diagnose problems in the bus lines (bus delays, bus advances, 3) and 2) to detect inconsistency in positioning data sent by buses to the central operator. Our MAS behaves as a Multi-Agent Decision Support System (MADSS) used by human regulators in order to manage bus lines. In our model, buses and stops are modeled as autonomous agents that cooperate to detect faults (disturbances) in the transportation network. An original interaction model called ESAC (Environment as Active Communication Support) was designed to allow non-intentional as well as direct communication. The system was implemented using ILOG RULES and was tested on data coming from the Brussels bus transportation network (STIB).
Article
Full-text available
Highway planning efforts, especially those involving capacity expansions, have traditionally relied on the volume/capacity (V/C) ratio to identify “highly congested” or critical links, resulting in localized solutions that do not consider system-wide impacts. This paper presents a new, comprehensive, system-wide approach to identifying critical links and evaluating network performance. The approach considers network flows, link capacity and network topology. Moreover, it relies on readily available sources of data. Using three hypothetical networks, we demonstrate that the approach, known as the Network Robustness Index, yields different highway planning solutions than the traditional V/C ratio. Moreover, these solutions yield far greater system-wide benefits, as measured by travel-time savings, than solutions identified by the V/C ratio.
Article
In this paper we present a Lisp-implemented route generation algorithm (RGA) for the design of transit networks. Along with an analysis procedure and an improvement algorithm, this algorithm constitutes one of the three major components of an AI-based hybrid solution approach to solving the transit network design problem. Such a hybrid approach incorporates the knowledge and expertise of transit network planners and implements efficient search techniques using AI tools, algorithmic procedures developed by others, and modules for tools implemented in conventional languages. RGA is a design algorithm that 1.(a) is heavily guided by the demand matrix,2.(b) allows the designer's knowledge to be implemented so as to reduce the search space, and3.(c) generates different sets of routes corresponding to different trade-offs among conflicting objectives (user and operator costs). We explain in detail the major components of RGA, illustrate it on data generated for the transit network of the city of Austin, TX, and report on the numerical experiments conducted to test the performance of RGA.
Article
Urban bus route network design involves determining a route configuration with a set of transit routes and associated frequencies that achieves the desired objective. This can be formulated as an optimization problem of minimizing the overall cost (both the user`s and the operator`s) incurred. In this paper, the use of genetic algorithms (GAs), a search and optimization method based on natural genetics and selection, in solving the route network design problem is reported. The design is done in two phases. First, a set of candidate routes competing for the optimum solution is generated. Second, the optimum set is selected using a GA. The GA is solved by adopting the usual fixed string length coding scheme along with a new variable string length coding proposed in this study. The former assumes a solution route set size, and tries to find that many best routes from the candidate route set, using a GA. The route set size is varied iteratively to find the optimum solution. In the newly proposed variable string length coding method, the solution route set size and the set of solution routes are found simultaneously. The model is applied to a case study network, and results are presented.
Article
Considering the microscopic characteristics (vehicle speed, road length etc.) of links and macroscopic behaviors of traffic systems, we derive the critical flow generation rate in scale-free networks. And the dynamics of traffic congestion is studied numerically in this paper. It is shown that the queue length increases with microscopic characteristics of links. Additionally, the critical flow generation rate decreases with increase of the network size N, maximum speed vmax and parameter τ. The significance of this finding is that, in order to improve the traffic environment, both the local information for the single link and behaviors of the whole network must be analyzed simultaneously in a traffic system design.
Article
Transportation systems, being real-life examples of networks, are particularly interesting to analyze from the viewpoint of the new and rapidly emerging field of network science. Two particular concepts seem to be particularly relevant: scale-free patterns and small-worlds. By looking at 33 metro systems in the world, this paper adapts network science methodologies to the transportation literature, and offers one application to the robustness of metros; here, metro refers to urban rail transit with exclusive right-of-way, whether it is underground, at grade or elevated. We find that most metros are indeed scale-free (with scaling factors ranging from 2.10 to 5.52) and small-worlds; they show atypical behaviors, however, with increasing size. In particular, the presence of transfer-hubs (stations hosting more than three lines) results in relatively large scaling factors. The analysis provides insights/recommendations for increasing the robustness of metro networks. Smaller networks should focus on creating transfer stations, thus generating cycles to offer alternative routes. For larger networks, few stations seem to detain a certain monopole on transferring, it is therefore important to create additional transfers, possibly at the periphery of city centers; the Tokyo system seems to remarkably incorporate these properties.
Article
The structure and properties of public transportation networks have great implications for urban planning, public policies and infectious disease control. We contribute a complex weighted network analysis of travel routes on the Singapore rail and bus transportation systems. We study the two networks using both topological and dynamical analyses. Our results provide additional evidence that a dynamical study adds to the information gained by traditional topological analysis, providing a richer view of complex weighted networks. For example, while initial topological measures showed that the rail network is almost fully connected, dynamical measures highlighted hub nodes that experience disproportionately large traffic. The dynamical assortativity of the bus networks also differed from its topological counterpart. In addition, inspection of the weighted eigenvector centralities highlighted a significant difference in traffic flows for both networks during weekdays and weekends, suggesting the importance of adding a temporal perspective missing from many previous studies.
Article
This paper describes NETVACl, a model for simulating the traffic pattern during an emergency evacuation. The development of the model has been motivated by the need to estimate network clearance time for areas surrounding nuclear power plant sites, and the model has been applied in this context. NETVACl is a macro traffic simulation model sensitive to network topology, intersection design and control, and a wide array of evacuation management strategies. The model can handle large networks at modest computational costs and includes many reporting options. The paper includes a review of other approaches used to model evacuations and estimate network clearance times, a description of the structure and logic of the model and some computational experience.