Kentsel raylı ulaşım sistemlerinde enerji tüketimi ve karbon ayak izi tahmini için makine öğrenmesi yaklaşımlarının karşılaştırmalı analizi

KAMBER KÜLAHCI

Kentsel raylı ulaşım sistemlerinde enerji tüketimi ve karbon ayak izi tahmini için makine öğrenmesi yaklaşımlarının karşılaştırmalı analizi

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Erciyes Üniversitesi, Fen Bilimleri Enstitüsü, MEKATRONİK MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2026

Tezin Dili: Türkçe

Öğrenci: KAMBER KÜLAHCI

Danışman: Sertaç Savaş

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Kentsel raylı ulaşım sistemleri, ulaşıma bağlı emisyonları önemli ölçüde azaltma potansiyeline sahip olmakla birlikte elektrik talebi ve buna eşlik eden karbon ayak izinin isabetli tahmini, operasyonların etkin yönetimi ve karbon bütçesinin planlanması açısından önemli bir gerekliliktir. Bu çalışmada, kentsel raylı ulaşım sistemlerinde enerji tüketimi ve karbon ayak izini tahmin etmek üzere beş makine öğrenmesi yaklaşımı tasarlanmış ve karşılaştırmalı olarak değerlendirilmiştir. Beş trafo merkezine ait on yıllık enerji tüketiminin aylık verileri ile bunlara karşılık gelen toplam karbon ayak izi verileri kullanılmıştır. Tahmin çalışmasında SVR, XGBoost, LSTM, ANFIS ve NAR-NN modelleri kullanılmıştır. Modellerin hiperparametreleri 20 iterasyonluk Rastgele Arama yaklaşımı ile optimize edilmiş ve stokastik modeller optimize edilmiş ayarlar kullanılarak 10 kez çalıştırılmıştır. Model performansları RMSE, MAE, MAPE ve R² metrikleri ile değerlendirilmiştir. Tüm trafo merkezlerinde sinir ağı tabanlı modellerin çoğu kez sıfıra yakın veya negatif R² ürettiği yüksek varyanslı zorlu durumlarda bile SVR en güvenilir genelleme performansını sağlamıştır (R²≈0.896–0.993). Karbon ayak izi tahmininde de SVR en yüksek doğruluğu elde etmiş (R²=0.942; MAPE=%3.51), XGBoost ise ikinci sırada yer almıştır. Genel olarak bulgular, sınırlı veri içeren aylık zaman serisi koşullarında, iyi düzenlileştirilmiş klasik makine öğrenmesi modellerinin (özellikle SVR) yüksek veri gereksinimli sinir ağlarına kıyasla daha üstün performans gösterebileceğini ve kentsel raylı ulaşım operasyonlarında enerji arzı planlaması, pik yük yönetimi ve karbon bütçelemesi için pratik fayda sağlayabileceğini ortaya koymuştur.