Tren Zaman Tahmin Modeli: Duruş ve Gecikme Entegrasyonu ile On-Time Performans

İçindekiler

• Tren Zaman Tahmin Modelinin Temelleri: Duruş Süreleri ve Gecikme Dağılımlarını İçeren Basit Yaklaşım
• Veri Kaynakları ve Parametre Tahmini: Duruş Süreleri, Segment Yolculuk Zamanları ve Gecikme Dağılımları
• Basit Zaman Tahmin Modeli: Formül ve Uygulama
• Pratik Uygulama Örneği: Üç Durağı Olan Şehirlerarası Tren Yolculuğu
• Geliştirme Stratejileri ve Uygulama İçin Tavsiyeler
• Sıkça Sorulan Sorular

Şehirlerarası tren yolculuklarında yolcuların en çok talep ettiği şey, öngörülebilir ve güvenilir bir sefer akışıdır. On-Time Performans (OTP) ise hem yolcu memnuniyetini artırır hem de operasyonel maliyetleri düşürür. Bu yazıda, duruş süreleri ile gecikme dağılımlarını entegre eden basit bir zaman tahmin modelinin nasıl kurulduğunu ve gerçek dünyadaki uygulanabilirliğini inceleyeceğiz. Amacımız, karmaşık modeller yerine uygulanabilir, adım adım bir yaklaşım sunmaktır. Peki ya kis aylarinda? Bu model, mevsimsel varyasyonları ve aksaklık risklerini de düşünerek esneklik sağlar.

Modelin temel fikri şu: Bir tren yolculuğu, her bir segmentteki seyahat süresiyle o durakta gerçekleşen duruş süresinin toplamına bağlıdır; buna ek olarak beklenmedik gecikeler de bütünü etkiler. Basitleştirilmiş bir ifadeyle toplam yolculuk süresi, sabit bir hedef süreye yaklaşmak yerine, gerçekleşen duruşlar ve gecikmelerin toplam dağılımı ile şekillenir. Bu yaklaşım, planlama ve operasyonel kararlar için daha güvenilir tahminler üretir. Araştırmalara göre, sadece ortalama değerler üzerinden yapılan tahminler, çok uç gecikmeleri göz ardı edebilir; oysa dağılımı da hesaba katmak, planlamada daha güvenli tamponlar ve esneklik sağlar. (Kaynaklara göre, basit konvolüsyon tabanlı yaklaşımlar çoğu durumda yeterli performans sunar ve uygulanabilirlik açısından avantajlıdır.)

Tren Zaman Tahmin Modelinin Temelleri: Duruş Süreleri ve Gecikme Dağılımlarını İçeren Basit Yaklaşım

Bu bölümde, zaman tahmininin temel çerçevesini kuruyoruz. Temel fikir, her segment için iki temel bileşen oluşturmaktır: duruş süreleri ve kısa vadeli gecikme etkileri. Duruş süreleri, istasyonlarda yolcuların inip-çıktığı sürelerdir ve geçmiş verilerine dayanarak belirli duraklar için ayrı dağılımlar elde edilebilir. Gecikme dağılımları ise hava durumundan sinyal kesintilerine kadar pek çok etkene bağlı olarak değişir; bu dağılımlar genelde pozitif değerli olup, varyanslı bir yapıya sahiptir.

• Duruş süreleri: Her durak için tipik orta değer ve dağılım genişliği belirlenir. Örneğin bazı duraklarda yolculara bilet kontrolleri ve yolcu yoğunluğu nedeniyle duruşlar uzayabilir. Bu sebeple duruş süresinin varyansı da hesaba katılır.
• Segment yolculuk süreleri: Bir trenin iki durak arasındaki geçiş süresi, hız, hat profili ve sinyalizasyon gibi etkenlerden etkilenir. Bu dağılımlar zaman içinde güncellenir ve mevsimsel etkiler göz önünde bulundurulur.
• Toplam gecikme unsurları: Hava koşulları, bakım çalışmaları ve acil durumlar gibi olaylar, gecikmeleri tetikleyen bağımsız ya da kısmen bağımlı süreçler olarak modellenir.

Pratikte, en basit haliyle toplam yolculuk süresi şu şekilde ifade edilir: Toplam süre = Sum(travel_time_i) + Sum(dwell_time_i) + Delta_delays, burada Delta_delays, tüm segmentler boyunca biriken gecikmeleri temsil eden rastgele bir değişkendir. Basit bir modelde, Delta_delays için normal veya gamma dağılımları tercih edilebilir; konvolüsyonla basit toplamlar elde edilir ve sonuçlar kararlı bir OTP tahmini sağlar. Uzmanlarin belirttigine göre, bu tür temel modeller, veri bulundukça güvenilirliklerini korurlar ve karar destek sistemlerine kolayca entegre edilebilirler.

Veri Kaynakları ve Parametre Tahmini: Duruş Süreleri, Segment Yolculuk Zamanları ve Gecikme Dağılımları

Modelin güvenilirliği, kullanılan verinin kalitesine bağlıdır. Aşağıdaki adımlar, parametre tahmini için somut bir yol haritası sunar. Öncelikle geçmiş tren kayıtları ve olay raporları bir araya getirilir. Ardından şu ana adımlar izlenir:

1. Duruş süreleri için dağılım tahmini: Her durak için geçmiş duruş süreleri toplanır; tipik değerler (medyan) ve varyans belirlenir. Örnek olarak, ana şehirler arası duraklarda duruşlar ortalama 4–8 dakika arasında değişebilir. Cogu surucu gibi siz de farkedebilirsiniz ki; sabah seferlerinde yoğunluk bu süreyi uzatabilir.
2. Segment yolculuk süreleri için dağılım tahmini: Her hat segmenti için yolculuk süresi dağılımı çıkarılır. Hız değişimlerine ve sinyalizasyon yoğunluğuna bağlı olarak, bazı segmentler daha geniş bir dağılıma sahip olabilir.
3. Gecikme dağılımları için parametreler: Hava koşulları ve plan dışı durumlar gibi etkenler, gecikme dağılımlarını etkiler. Ortalama gecikme genelde 5–12 dakika aralığında olurken, bazı ağır durumlarda bu değer önemli ölçüde artabilir.
4. Dağılımların konvolüsyonu: Duruş süreleri ile yolculuk sürelerinin ve gecikme dağılımlarının konvolüsyonu yapılarak toplam dağılım elde edilir. Bu dağılım, OTP için güvenilir aksiyonlar üretmeye olanak tanır.

Gerçek dünyadan gelen verilerin güncellenmesi, tahminlerin güncel kalmasını sağlar. Yapılan arastirmalara göre, periyodik yeniden kalibrasyon, mevsimsel etkilerin ve hat üzerinde meydana gelen değişikliklerin hesabını kolaylaştırır. Bu da karar vericilerin doğru tamponlar koymasına yardımcı olur.

Basit Zaman Tahmin Modeli: Formül, Özellikler ve Nasıl Hesaplanır

Şu basit formülü düşünelim: ToplamTahmin = OrtalamaYolculukSuresi + OrtalamaDuruşToplamı + OlasıGecikmeToplamı. Bu formül temel bir bakış açısı sunar; ancak gerçekte, gecikmelerin dağılımı da hesaba katılmalıdır. Aşağıdaki adımlar, çok basit bir zamanda-olay ilişkisini kurmanıza yardımcı olur.

• İlk adım – temel değerlerin hesaplanması: Her segment için beklenen yolculuk süresi ve her durak için beklenen duruş süresi bulunur.
• İkinci adım – gecikme dağılımını belirleme: Ortalama gecikme ve standart sapması çıkarılır. Gecikmeler için uygun dağılım seçilir (örneğin gamma).
• Üçüncü adım – toplam dağılımın elde edilmesi: Dağılımlar konvolüsyona girer ve toplam gecikme dağılımı elde edilir. Böylece, belirli bir olasılık altında hangi aralıkta toplam süreye ulaşılması muhtemel olur.
• Dördüncü adım – güven aralıkları: OTP göstergesi için %5, %50 (medyan) ve %95 uygunluk aralıkları çıkarılır. Bu sayede operasyonlar için tamponlar belirlenir.

Uygulamada, basit bir modelin en güçlü yönü esnekliğidir. Cogu durumda, veriye bağlı olarak model karmaşıklaştırılabilir; ancak temel ihtiyaçlar için, bu basit çerçeve çoğu senaryoda yeterli güvenilirlik sağlar. Parçalı olarak düşünürsek, hangi durakta hangi gecikmelerin baskın olduğunu bilmek bile karar destek için önemli bir adımdır.

Pratik Uygulama Örneği: Üç Durağı Olan Şehirlerarası Tren Yolculuğu

Diyelim ki bir tren İstanbul–Ankara–Kırıkkale üç duraklı bir güzergâhta çalışıyor. Varsayılan değerler şu şekilde olsun:

• Segman yolculuk süreleri: 60 dk (İstanbul–Ankara), 75 dk (Ankara–Kırıkkale), 90 dk (Kırıkkale–son durak)
• Duruş süreleri: 5 dk, 7 dk, 6 dk
• Gecikme için dağılım parametreleri: her segment için ortalama gecikme 5–6–4 dk ve standart sapma 2–3 dk

Bu verilerle basit bir hesaplama yapalım: Toplam temel süre = 60 + 75 + 90 + 5 + 7 + 6 = 243 dk. Ortalama gecikme toplamı yaklaşık 15 dk olarak öngörülebilir. Böylece toplam tahmin süre yaklaşık 258 dk civarında olabilir. Elbette bu sadece bir örnek; gerçek dünyada gecikmelerin dağılımları ve duruş sürelerindeki varyanslar nedeniyle sapmalar meydana gelebilir. Ancak model, hangi durumlarda ne kadar tampon gerekir sorusuna yanıt verir.

Yapılan hesaplamalarda dikkat edilmesi gereken noktalar:

• Yoğun saatlerde duruşlar uzayabilir; bu yüzden önemli duraklarda varyans artabilir.
• Hava koşulları ve bakım çalışmaları, gecikme dağılımlarını sağa kaydırır; bu durumlar için ekstra tampon önerilir.
• Gecikme topluluğu, tüm seferleri etkilemese de “kademeli etkilenme” ile toplam OTP üzerinde belirgin bir baskı kurabilir.

Birçok demiryolu operatörü, bu tür basit modelleri kullanarak, hangi duraklarda hangi eşiklerin aşılması gerektiğini belirleyebilir ve seferler için akıllı tamponlar belirleyebilir. Ayrıca, sistem dinamiklerini gerçek zamanlı olarak izlemek için veri akışını güçlendirmek, OTP’yi önemli ölçüde artırabilir. Bu, teknik olarak da uygulanabilir bir stratejidir: gerçek zamanlı gecikme verileri ile modelin güncellenmesi.

Geliştirme Stratejileri ve Uygulama İçin Tavsiyeler

Basit bir model ile başlanabilir ve zamanla daha sofistike hale getirilebilir. İşte uygulanabilir stratejiler:

• Veri kalitesini artırın: Otomatik veri toplama ve temizleme süreçleri kurun; hatalara karşı dayanıklı bir veri altyapısı oluşturun.
• Mevsimsel etkileri hesaba katın: Yaz–kış farkı gibi etkenler duruş sürelerini ve yolculuk sürelerini etkileyebilir; bu değişimleri model parametrelerinde yansıtın.
• Gecikme dağılımlarını periyodik güncelleyin: Özellikle hat üzerindeki olaylar ve bakım çalışmaları sonrası dağılımları yeniden kalibre edin.
• Tampon stratejilerini belirleyin: OTP hedefleri doğrultusunda her durak için minimum ve maksimum tamponlar belirleyin; bu, müşteri memnuniyetini korur ve operasyonel riskleri azaltır.
• Dokümantasyon ve iletişim: Aday planlar ve yapılan güncellemeler konusunda iç iletişimi güçlendirin; yolculara gerçekçi beklentiler sunun.

Bu adımlar, basit bir modelden çıkarak gerçek dünyaya uyarlanabilir bir karar destek aracına dönüşmeyi sağlar. Su an için en iyi yaklaşım, veriyi sürekli güncel tutmak ve modelin çıktısını operasyonel karar süreçlerine entegre etmektir.

Sıkça Sorulan Sorular

Tren zaman tahmin modeli nedir ve neden önemlidir?

Bir trenin toplam yolculuk süresinin, duruş süreleri ve gecikme dağılımlarını birleştiren basit bir zaman tahmin modeliyle hesaplanmasıdır. OTP’yi iyileştirmek için tamponlar belirlenir, operasyonel planlama güçlendirilir ve yolcu güveni artar.

Veri olmadan bu model uygulanabilir mi?

Veri olmadan da temel bir model kurulabilir; ancak güvenilirlik düşer. İlk adım olarak basit geçmiş kayıtları kullanmak, daha sonra ek veriyle dağılımlar güncellenebilir. Kesin olmamakla birlikte, bazı sektör standartlarıyla bile uygulanabilir bir temel elde etmek mümkündür.

Gecikmeleri hangi distribüsyonlar üzerinden modelliyorsunuz?

Genelde gamma veya log-normal dağılımları tercih edilir. Bu dağılımlar, pozitif değerli gecikmeleri iyi yakalar ve uç gecikmeleri da kapsar. Ancak bazı durumlarda normal dağılım da kullanılabilir; en iyi yaklaşım, geçmiş verilerden elde edilen istatistiklere göre seçmektir.