000			06038nam a2200421 i 4500
999			_c200435168 _d53380
003			TR-AnTOB
005			20230908000942.0
007			ta
008			171111s2018 xxu e mmmm 00| 0 eng d
040			_aTR-AnTOB _beng _erda _cTR-AnTOB
041	0		_atur
099			_aTEZ TOBB FBE END YL’18 BAK
100	1		_aBakar, Merve _9126277
245	1	0	_aAnkara'da toplu taşıma için veriye dayalı analiz ve planlama / _cMerve Bakar.
264		1	_aAnkara : _bTOBB ETÜ Fen Bilimleri Enstitüsü, _c2018.
300			_axii, 55 pages : _billustrations ; _c29 cm
336			_2rdacontent _btxt _atext
337			_2rdamedia _bn _aunmediated
338			_2rdacarrier _bnc _avolume
502			_aTez (Yüksek Lisans)--TOBB ETÜ Fen Bilimleri Enstitüsü Aralık 2018
520			_aAkıllı Kart Elektronik Ücret Toplama Sistemleri, etkili ve güvenilir ödeme imkânı sağladığından dünyanın birçok yerinde ulaşım sektöründe kullanılmaktadır. Akıllı kart otomatik ücret toplama sistemleri, toplu taşıma sistemlerinde ücret toplama işlemlerinin etkin ve doğru yapılmasına olanak sağlar. Bu sistemler geleneksel ücret toplama yöntemleriyle karşılaştırıldığında, planlamacılara daha esnek fiyatlandırma yapıları uygulamayı sağlar. Akıllı kart sistemleri, toplu taşıma ağının genel verimliliğini ve hizmet kalitesini arttırmak için yolcular ile ilgili çeşitli verileri kaydeder. Bu çalışmada, Ankara Türkiye'deki toplu taşıma araçları ile seyahat eden yolcuların seyahat izlerini mekansal ve zamansal olarak anlamak için akıllı kart işlem verileri analiz edilmiştir. Öncelikli hedeflerimizden biri, doğrudan hizmet eksikliğinden dolayı bir veya daha fazla ara noktadan aktarma yapması gereken yolcuların seyahat rotalarını tanımlamaktır. Bir aylık döneme karşılık gelen yaklaşık 30 milyon kayıt veri seti olarak kullanılmıştır. Veriler, otobüs ve hafif raylı ulaşım modlarına ait kayıtları içermektedir. Her kayıt; akıllı kart numarasını, toplu taşıma modunu, otobüs/ray hattını (güzergah), seyahat başlangıç yerini, seyahat başlangıç tarih ve saatini ve yolcu ücret sınıfını içerirken, yolcunun varış yerini içermemektedir. İlk olarak her yolcunun indiği yeri tahmin etmek için bir model oluşturulmuştur. Yolcuların iniş yerleri tahmin edildikten sonra, yolcu seyahat rotaları oluşturulmuş ve seyahatler; ücret sınıfı, kullanılan toplu taşıma türü, haftanın günü ve saati, en sık kullanılan güzergah ve duraklar gibi çeşitli boyutlarda analiz edilmiştir. Yolcu iniş yerlerinin tahmin edilmesi ve yolcu seyahatlerine ilişkin analizler RStudio programı kullanılarak yapılmıştır. Bir aylık periyotta yapılan yolcu seyahatleri; tam, öğrenci ve öğretmen olmak üzere kullanılan akıllı kart çeşitlerine göre analiz edilmiştir. Seyahatlerde %61 kullanım oranı ile en sık tercih edilen toplu taşıma aracı otobüs olurken, en az tercih edilen toplu taşıma aracı teleferik olmuştur. Hafta içi ve hafta sonu yapılan seyahatlere ek olarak, aktarmalı seyahatlerin belirli saat aralıklarındaki yoğunluğu, en sık kullanılan güzergahlar ve duraklar analiz edilmiştir.
520			_aSmart card automated fare collection systems are used in many transportation systems throughout the world as they provide effective and reliable payment opportunity. Smart card automated fare collection systems facilitate efficient and accurate fare collection in public transport systems. These systems enable the planners to implement more flexible pricing structures compared to traditional fare collection methods. Smart card systems record several pieces of data about the passengers, which can be used to improve the overall efficiency and service quality of the public transport network. In this work, we focus on analyzing smart card transaction data to understand spatial and temporal travel patterns of public transport passengers in Ankara, Turkey. One of our primary goals is to identify origin-destination pairs where the passengers are required to transfer through one or more intermediate points because of the lack of a direct service. We use a data set of about 30 million records corresponding to a one month period. The data includes records from bus and light rail transportation modes. Each record includes the smart card number, the transport mode, the bus/rail line, the boarding location, the boarding date and time, and the fare class of the passenger; but lacks the alighting location of the passenger. We first create a model to estimate the alighting location of each passenger. Then, we estimate origin-destination flows and their breakdown by several dimensions such as fare class, transportation mode, day of week, time of day and the frequency of the lines and the stations used. The estimation of alighting location of the passenger and the travel analysis are performed using RStudio program. Smart card data set of passenger travels on one-month period are analyzed according to smart card type; adult, student and teacher tickets. The most preferred public transportation vehicle is the bus with the usage rate of 61% in travels, the least preferred public transportation vehicle is the cable line. In addition to the travels on weekdays and weekends, density of the transit travels are analyzed according to time of day and frequency of the lines and the stations used.
650		7	_aTezler, Akademik _2etuturkob _932546
653			_aUlaşım
653			_aToplu taşıma
653			_aAkıllı kart verisi
653			_aVeri analitiği
653			_aZamansal-mekansal analiz
653			_aTransportation
653			_aPublic transport
653			_aSmart card data
653			_aData analytics
653			_aSpatio-temporal analysis
710			_aTOBB Ekonomi ve Teknoloji Üniversitesi. _bFen Bilimleri Enstitüsü _977078
856	4	0	_uhttps://tez.yok.gov.tr/ _3Ulusal Tez Merkezi
942			_cTEZ _2z