AKILLI ŞEHİRLER İÇİN PARK YÖNETİM SİSTEMİ Aslı SEBATLI SAĞLAM T.C. BURSA ULUDAĞ ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ AKILLI ŞEHİRLER İÇİN PARK YÖNETİM SİSTEMİ Aslı SEBATLI SAĞLAM 0000-0002-9445-6740 Prof. Dr. Fatih ÇAVDUR (Danışman) DOKTORA TEZİ ENDÜSTRİ MÜHENDİSLİĞİ ANABİLİM DALI BURSA – 2023 Her Hakkı Saklıdır TEZ ONAYI Aslı SEBATLI SAĞLAM tarafından hazırlanan “AKILLI ŞEHİRLER İÇİN PARK YÖNETİM SİSTEMİ” adlı tez çalışması aşağıdaki jüri tarafından oy birliği ile Bursa Uludağ Üniversitesi Fen Bilimleri Enstitüsü Endüstri Mühendisliği Anabilim Dalı’nda DOKTORA TEZİ olarak kabul edilmiştir. Danışman: Prof. Dr. Fatih ÇAVDUR Başkan : Prof. Dr. Erdal EMEL İmza 0000-0002-9220-7353 Bursa Uludağ Üniversitesi, Mühendislik Fakültesi, Endüstri Mühendisliği Anabilim Dalı Üye : Prof. Dr. Fatih ÇAVDUR İmza 0000-0001-8054-5606 Bursa Uludağ Üniversitesi, Mühendislik Fakültesi, Yöneylem Araştırması Anabilim Dalı Üye : Prof. Dr. Gürkan ÖZTÜRK İmza 0000-0002-9480-176X Eskişehir Teknik Üniversitesi, Mühendislik Fakültesi, Endüstri Mühendisliği Anabilim Dalı Üye : Prof. Dr. Ali Ekrem ÖZKUL İmza 0000-0002-5522-850X Mudanya Üniversitesi, Mühendislik, Mimarlık ve Tasarım Fakültesi, Endüstri Mühendisliği Anabilim Dalı Üye : Prof. Dr. Tülin İNKAYA İmza 0000-0002-6260-0162 Bursa Uludağ Üniversitesi, Mühendislik Fakültesi, Endüstri Mühendisliği Anabilim Dalı Yukarıdaki sonucu onaylarım Prof. Dr. Ali KARA Enstitü Müdürü ../../…. B.U.Ü. Fen Bilimleri Enstitüsü tez yazım kurallarına uygun olarak hazırladığım bu tez çalışmasında; − tez içindeki bütün bilgi ve belgeleri akademik kurallar çerçevesinde elde ettiğimi, − görsel, işitsel ve yazılı tüm bilgi ve sonuçları bilimsel ahlak kurallarına uygun olarak sunduğumu, − başkalarının eserlerinden yararlanılması durumunda ilgili eserlere bilimsel normlara uygun olarak atıfta bulunduğumu, − atıfta bulunduğum eserlerin tümünü kaynak olarak gösterdiğimi, − kullanılan verilerde herhangi bir tahrifat yapmadığımı, − ve bu tezin herhangi bir bölümünü bu üniversite veya başka bir üniversitede başka bir tez çalışması olarak sunmadığımı beyan ederim. 19/07/2023 Aslı SEBATLI SAĞLAM TEZ YAYINLANMA FİKRİ MÜLKİYET HAKLARI BEYANI Enstitü tarafından onaylanan lisansüstü tezin/raporun tamamını veya herhangi bir kısmını, basılı (kâğıt) ve elektronik formatta arşivleme ve aşağıda verilen koşullarla kullanıma açma izni Bursa Uludağ Üniversitesi’ne aittir. Bu izinle Üniversiteye verilen kullanım hakları dışındaki tüm fikri mülkiyet hakları ile tezin tamamının ya da bir bölümünün gelecekteki çalışmalarda (makale, kitap, lisans ve patent vb.) kullanım hakları tarafımıza ait olacaktır. Tezde yer alan telif hakkı bulunan ve sahiplerinden yazılı izin alınarak kullanılması zorunlu metinlerin yazılı izin alınarak kullandığını ve istenildiğinde suretlerini Üniversiteye teslim etmeyi taahhüt ederiz. Yükseköğretim Kurulu tarafından yayınlanan “Lisansüstü Tezlerin Elektronik Ortamda Toplanması, Düzenlenmesi ve Erişime Açılmasına İlişkin Yönerge” kapsamında, yönerge tarafından belirtilen kısıtlamalar olmadığı takdirde tezin YÖK Ulusal Tez Merkezi / B.U.Ü. Kütüphanesi Açık Erişim Sistemi ve üye olunan diğer veri tabanlarının (Proquest veri tabanı gibi) erişimine açılması uygundur. Fatih ÇAVDUR Aslı SEBATLI SAĞLAM 19/07/2023 19/07/2023 İmza İmza Bu bölüme kişinin kendi el yazısı ile okudum Bu bölüme kişinin kendi el yazısı ile okudum anladım yazmalı ve imzalanmalıdır. anladım yazmalı ve imzalanmalıdır. ÖZET Doktora Tezi AKILLI ŞEHİRLER İÇİN PARK YÖNETİM SİSTEMİ Aslı SEBATLI SAĞLAM Bursa Uludağ Üniversitesi Fen Bilimleri Enstitüsü Endüstri Mühendisliği Anabilim Dalı Danışman: Prof. Dr. Fatih ÇAVDUR Trafik yoğunluğu, günlük hayatta sıklıkla karşı karşıya kalınan insan ve toplum üzerinde olumsuz etkilere neden olan bir problemdir. Dünya nüfusundaki ve şehirleşmedeki hızlı artış, şehir içi trafik yoğunluğunu daha da arttırmaktadır. Bu yoğunluğun ortalama %30’una ise uygun park yeri bulmak için yapılan yolculuklar neden olmaktadır. Park problemi, bilgi ve iletişim teknolojilerinin ulaştırma alanında kullanılması ile ortaya çıkan akıllı ulaşım sistemleri çerçevesinde ele alınarak çözülebilir. Bu tez çalışmasında, akıllı şehirler için bütünleşik bir park yönetim sistemi önerilmektedir. Geliştirilen sistem, otoparkların uygunluğunun tahmini ile ajan-tabanlı bir park öneri mekanizmasını entegre bir şekilde içermekte ve rezervasyonlu araçlar ile rezervasyonsuz araçlar birlikte ele alınmaktadır. Otoparkların uygunluğunun tahmin edildiği ilk aşamada, literatürde yer alan farklı tahmin yöntemleri kullanılmaktadır. Ardından, geliştirilen ajan-tabanlı model ile farklı tipteki araçlar için maksimum faydalı park önerileri sunulmaktadır. Burada kalkış noktası ile aday otoparklar arasındaki sürüş mesafesi/süresi, varış noktası ile aday otoparklar arasındaki yürüme mesafesi, otopark ücreti, aday otoparkların etrafındaki trafiğe karşılık gelen yönlendirilen araç derecesi ve otoparkların uygunluk derecesi dikkate alınmaktadır. Mikro ölçekte, söz konusu fayda fonksiyonu parametrelerine verilen ağırlık cinsinden farklı kullanıcı davranışları ele alınmaktadır. Makro ölçekte ise sistemi oluşturan farklı aktörler (araçlar ve otoparklar) için farklı bakış açılarını yansıtacak şekilde yürüme mesafesi eşik değerinin ve ücret eşik değerinin farklı değerleri için senaryolar oluşturulmuştur. Buna ek olarak, önerilen park yönetim sisteminin önemini ve gerekliliğini vurgulamak amacıyla, rezervasyonlu ve rezervasyonsuz araç tiplerine ek olarak önerilen sistemi kullanmayarak rassal arama yapan araçlar da ele alınmıştır. Uygun park yeri arayan araçların, geliştirilen sistemi kullanım oranları da yürüme mesafesi ve ücret eşik değerlerine ek olarak bir diğer senaryo parametresi olarak dikkate alınmıştır. Uygulama aşamasında, dünyadaki bilinen bir park yönetim sisteminin veri seti kullanılmıştır. Söz konusu veri seti kullanılarak farklı senaryolar için elde edilen sonuçlar çeşitli performans parametrelerine göre analiz edilmiştir. Son olarak, farklı park yönetim stratejilerini simüle ederek elde edilen sonuçların analiz edilebilmesi için bir kullanıcı arayüzü prototipi geliştirilmiştir. Anahtar Kelimeler: Akıllı ulaşım sistemleri, akıllı şehirler, park tahmini, park yönetimi, ARIMA, yapay sinir ağları, ajan-tabanlı modelleme, simülasyon 2023, vii + 134 sayfa. i ABSTRACT PhD Thesis A PARK MANAGEMENT SYSTEM FOR SMART CITIES Aslı SEBATLI SAĞLAM Bursa Uludağ University Graduate School of Natural and Applied Sciences Department of Industrial Engineering Supervisor: Prof. Dr. Fatih ÇAVDUR Traffic congestion is a problem that is frequently encountered in daily life and causes negative effects on people and society. The rapid increase in the world's population and urbanization further increases urban traffic density. On average, 30% of this congestion is caused by trips to find an available parking space. The parking problem can be solved by addressing it within the framework of intelligent transportation systems that emerged with the use of information and communication technologies in the field of transportation. In this thesis, an integrated parking management system for smart cities is proposed. The proposed system integrates the prediction of parking space availability and an agent- based parking recommendation mechanism and considers both reservation and non- reservation vehicles. In the first phase, where the availability of parking spaces is predicted, different prediction methods in the literature are used. Then, an agent-based model is developed to provide maximum utility parking recommendations for different types of vehicles. The driving distance/duration between the departure point and the candidate parking spaces, the walking distance between the destination point and the candidate parking spaces, the parking fee, the degree of directed vehicles corresponding to the traffic around the candidate parking spaces, and the degree of availability of the parking spaces are considered. At the micro level, different user behaviors are considered in terms of the weights given to these utility function parameters. At the macro level, scenarios are created for different values of the walking distance threshold and the parking fee threshold to reflect the different perspectives of the different actors (vehicles and parking spaces) that make up the system. In order to emphasize the importance and necessity of the proposed parking management system, in addition to the reservation and non-reservation vehicle types, vehicles that do not use the proposed system and randomly searching for parking are also considered. The utilization rate of the proposed system by vehicles searching for an available parking space is also considered as another scenario parameter in addition to the walking distance and parking fee thresholds. In the implementation phase, the dataset of a well-known parking management system in the world is used. Using this dataset, the results obtained for different scenarios are analyzed according to various performance parameters. Finally, a user interface prototype is developed to simulate different parking management strategies and analyze the results. Key words: Intelligent transportation systems, smart cities, parking prediction, parking management, ARIMA, artificial neural networks, agent-based modeling, simulation 2023, vii + 134 pages. ii ÖNSÖZ ve TEŞEKKÜR Lisansüstü eğitim hayatım boyunca bilgi, birikim ve tecrübeleri ile yol gösteren, desteğini hiçbir zaman esirgemeyen danışman hocam sayın Prof. Dr. Fatih ÇAVDUR’a; doktora tez izleme komitemde yer alarak kıymetli bilgilerini esirgemeyen ve tezime katkı sağlayan sayın hocalarım Prof. Dr. Erdal EMEL ve Prof. Dr. Gürkan ÖZTÜRK’e; birlikte çalıştığımız kısa süre içerisinde değerli tecrübelerini aktararak mesleki vizyonumu genişleten sayın hocam Prof. Dr. Ali Ekrem ÖZKUL’a ve tez savunma sınavımda yer alarak kıymetli görüşlerini aktaran sayın hocam Prof. Dr. Tülin İNKAYA’ya teşekkürlerimi sunarım. Bugünlere gelmemde katkısı olan ve adını sayamadığım eğitim hayatıma dokunmuş tüm eğitmenlere şükranlarımı sunarım. Bir ağacın altına uzanıp dinlenen bir kaz, başını kaldırır ve havada uçan kazları görür. Ardından onlara seslenir: “Ey, yüz kazlar! Nereye gidiyorsunuz, ben de size katılabilir miyim?” Havada uçan kazlar cevap verir: “Biz yüz kazlar değiliz. Bizim kadar, yarımız kadar, yarımızın yarısı kadar daha ve bir de sen gelirsen yüz kazlar olacağız. Kaç kaz olduğumuzu hesaplayabilirsen bize katılabilirsin. İşte, benim matematikle tanışmam bu soru sayesinde oldu. Henüz ilkokul yıllarımın başındayken beni matematikle ve denklem sistemleri ile tanıştıran, bugün büyük sistemleri modelleyebilmem için analitik düşünce gücünü aşılayan, mühendis olmamda büyük payı olan, meslek büyüğüm babam Vedat SEBATLI’ya; hayatın matematikten ibaret olmadığını öğreten, bizi biz yapan, hayat enerjim annem Ferhan SEBATLI’ya; varlıklarıyla hayatıma anlam katan ve her zaman bana destek olan kardeşlerim Talha SEBATLI ve Zeynep SEBATLI’ya; ilkokul yıllarından beri yanımda olan, hayatın her alanında olduğu gibi akademik kariyerimde de beni yalnız bırakmayan ve bana benden çok inanarak her zaman elimden tutan yol arkadaşım, biricik eşim Opr. Dr. Murat Enes SAĞLAM’a teşekkürlerimi sunarım. Desteğini her daim hissettiğim, çevrimiçi ofis arkadaşım ve kıymetli dostum Tuğçe HASIRCILAR ÇAKAL’a; her zaman yanımda olan dostlarım Duygu EKER ERDEM ve Gülcan ÇAĞLAR’a; lisansüstü eğitimin zorlu dönemeçlerinden birlikte geçtiğimiz arkadaşlarım Hilal ATICI ULUSU, Zeynep ÜSTÜNEL, Elif KAYMAZ, Tuğçe ATEŞ ve Merve BAKIR’a; çalışma arkadaşlarım Merve KÖSE KÜÇÜK ve Gülveren TABANSIZ’a teşekkür eder, meslek hayatlarında başarılar dilerim. Bu tez çalışması, YÖK 100/2000 Doktora Burs Programı kapsamında desteklenmiştir. Doktora eğitim sürecim, TÜBİTAK BİDEB 2211/A Yurt İçi Genel Doktora Burs Programı kapsamında desteklenmiştir. Desteklerinden dolayı YÖK’e ve TÜBİTAK’a teşekkür eder, saygılarımı sunarım. Bu çalışmayı, bugüne kadar insanlığa katkı sağlayarak bilimi günümüzdeki seviyeye ulaştıran tüm bilim insanlarına ithaf ediyorum… Aslı SEBATLI SAĞLAM 19/07/2023 iii İÇİNDEKİLER Sayfa ÖZET.................................................................................................................................. i ABSTRACT ...................................................................................................................... ii ÖNSÖZ ve TEŞEKKÜR .................................................................................................. iii KISALTMALAR DİZİNİ ................................................................................................. v ŞEKİLLER DİZİNİ .......................................................................................................... vi ÇİZELGELER DİZİNİ ................................................................................................... vii 1. GİRİŞ ..................................................................................................................... 1 2. KAYNAK ARAŞTIRMASI ......................................................................................... 6 2.1. Akıllı Ulaşım Sistemleri ve Akıllı Şehirler ................................................................ 6 2.2. Park Yeri Uygunluğunun Tahmini ............................................................................. 9 2.3. Park Yönetim Sistemleri .......................................................................................... 13 3. MATERYAL ve YÖNTEM ........................................................................................ 21 3.1. Materyal ................................................................................................................... 21 3.1.1. Zaman serisi tahmini ............................................................................................. 21 3.1.2. Ajan-tabanlı modelleme ........................................................................................ 27 3.2. Yöntem ................................................................................................................... 31 4. BULGULAR ve TARTIŞMA ..................................................................................... 51 4.1. Veri Ön-İşleme ......................................................................................................... 51 4.2. Uygun Tahmin Modeli Yapılarının Belirlenmesi .................................................... 56 4.3. Uygulama, Bulgular ve Tartışma ............................................................................. 67 5. SONUÇ ................................................................................................................... 90 KAYNAKLAR ............................................................................................................... 95 EKLER .......................................................................................................................... 104 EK 1 Performans Parametreleri: Kurgu – 1 .................................................................. 105 EK 2 Performans Parametreleri: Kurgu – 2 .................................................................. 118 ÖZGEÇMİŞ .................................................................................................................. 131 iv KISALTMALAR DİZİNİ Kısaltmalar Açıklama AHP Analitik Hiyerarşi Prosesi ARI Sürücü Radyo Yayını Bilgi Sistemi (Autofahrer Rundfunk Informationssystem) ARIMA Otoregresif Entegre Hareketli Ortalama Modeli (Autoregressive Integrated Moving Average) ATIS İleri Yolcu Bilgi Sistemleri (Advanced Traveler Information Systems) ATMS İleri Ulaşım Yönetim Sistemleri (Advanced Transportation Management Systems) AUS Akıllı Ulaşım Sistemleri AVCS İleri Araç Kontrol Sistemleri (Advanced Vehicle Control Systems) BPR Kamu Yolları Bürosu (Bureau of Public Roads) CACS Kapsamlı Araç Trafiği Kontrol Sistemi (Comprehensive Automobile Traffic Control System) ELECTRE Eleme ve Gerçeği İfade Eden Seçim (Elemination and Choice Translating Reality) ERGS Elektronik Güzergah Kılavuz Sistemi (Electronic Route Guidance System) NARX Dışsal Girdili Doğrusal Olmayan Otoregresif Ağ (Nonlinear Autoregressive Network with Exogenous Inputs) NHTSA Ulusal Karayolu Trafik Güvenliği İdaresi (National Highway Traffic Safety Administration) SARIMA Mevsimsel Otoregresif Entegre Hareketli Ortalama Modeli (Seasonal Autoregressive Integrated Moving Average) SFMTA San Francisco Belediyesi Ulaştırma Ajansı (San Francisco Municipal Transportation Agency) VBA Visual Basic for Applications YSA Yapay Sinir Ağları v ŞEKİLLER DİZİNİ Sayfa Şekil 2.1. Çok-katmanlı AUS yapısı .................................................................. 8 Şekil 3.1. Park tahmininin önemini gösteren örnek park etme problemi ........... 22 Şekil 3.2. Örnek YSA yapısı gösterimi .............................................................. 27 Şekil 3.3. Sistem bileşenleri: Kurgu – 1 ............................................................. 32 Şekil 3.4. Sistem bileşenleri: Kurgu – 2 ............................................................. 33 Şekil 3.5. Ajan-tabanlı park öneri modülü iş akış şeması: Kurgu – 1 ................ 41 Şekil 3.6. Ajan-tabanlı park öneri modülü iş akış şeması: Kurgu – 2 ................ 50 Şekil 4.1. Ortalama doluluk oranları .................................................................. 57 Şekil 4.2. Senaryo parametrelerinin gezinen araç oranına etkisi: Kurgu – 1 ..... 71 Şekil 4.3. Senaryo parametrelerinin global maliyete etkisi: Kurgu – 1 ............. 72 Şekil 4.4. Kurgu – 2 kapsamında ele alınan harita ............................................. 78 Şekil 4.5. Senaryo parametrelerinin gezinen araç oranına etkisi: Kurgu – 2 ..... 82 Şekil 4.6. Senaryo parametrelerinin global maliyete etkisi: Kurgu – 2 ............. 83 Şekil 4.7. Geliştirilen kullanıcı arayüzü başlangıç ekranı .................................. 88 Şekil 4.8. Örnek uygulamanın gösterimi ........................................................... 89 vi ÇİZELGELER DİZİNİ Sayfa Çizelge 2.1. Park yeri uygunluğu tahmin çalışmaları ....................................... 12 Çizelge 2.2. Park yönetim sistemi çalışmaları .................................................. 19 Çizelge 3.1. Araç ajanının özellikleri: Kurgu – 1 ............................................. 35 Çizelge 3.2. Otopark ajanının özellikleri: Kurgu – 1 ........................................ 36 Çizelge 3.3. Araç ajanının özellikleri: Kurgu – 2 ............................................. 42 Çizelge 3.4. Otopark ajanının özellikleri: Kurgu – 2 ........................................ 43 Çizelge 3.5. Yol ağı ajanının özellikleri: Kurgu – 2 ......................................... 44 Çizelge 4.1. Kapalı otopark veri seti açıklamaları (SFMTA, 2013) ................. 52 Çizelge 4.2. Yol-üstü otopark veri seti açıklamaları (SFMTA, 2013) .............. 53 Çizelge 4.3. Yol-üstü otopark veri setine eklenen alanlar ................................ 54 Çizelge 4.4. Gelişler arası sürelerin analizi ....................................................... 55 Çizelge 4.5. Servis sürelerinin analizi ............................................................... 55 Çizelge 4.6. ARIMA tasarımlarının sonuçları .................................................. 60 Çizelge 4.7. SARIMA tasarımlarının sonuçları ................................................ 61 Çizelge 4.8. YSA tasarımlarının sonuçları ........................................................ 62 Çizelge 4.9. Ele alınan bölge için ARIMA tasarımlarının sonuçları ................ 65 Çizelge 4.10. Ele alınan bölge için SARIMA tasarımlarının sonuçları .............. 65 Çizelge 4.11. Ele alınan bölge için YSA tasarımlarının sonuçları ...................... 66 Çizelge 4.12. Kurgu – 1 için elde edilen sonuçların özeti .................................. 69 Çizelge 4.13. Performans parametrelerinin analizi: Kurgu – 1 / 75. senaryo ..... 74 Çizelge 4.14. Yürüyüş mesafesi eşik değerinin etkisi: Kurgu – 1 / 60. senaryo 76 Çizelge 4.15. Ücret eşik değerinin etkisi: Kurgu – 1 / 69. senaryo..................... 77 Çizelge 4.16. Kurgu – 2 için elde edilen sonuçların özeti .................................. 79 Çizelge 4.17. Performans parametrelerinin analizi: Kurgu – 2 / 75. senaryo ..... 85 Çizelge 4.18. Yürüyüş mesafesi eşik değerinin etkisi: Kurgu – 2 / 30. senaryo 86 Çizelge 4.19. Ücret eşik değerinin etkisi: Kurgu – 2 / 66. senaryo..................... 87 vii 1. GİRİŞ Dünya nüfusu hızla artmakta ve 2050 yılına gelindiğinde toplam nüfusun %80’inin şehirlerde yaşayacağı tahmin edilmektedir (Chang ve Kalawsky, 2017). Nüfus oranındaki bu artışla birlikte, trafiğe katılan araç sayısı da artmakta ve bu durum trafik yoğunluğuna neden olmaktadır. Trafik yoğunluğunun yaklaşık %30’una ise uygun bir park yeri bulmak için yapılan yolculuklar neden olmaktadır, trafiğin yoğun olduğu saatlerde ise bu oran %50’ye kadar çıkmaktadır (Enriquez vd., 2017; Jin vd., 2012; T. Lin, Rivano ve Le Mouel, 2017). ABD’de yapılan bir araştırma bu durumun 4,2 milyar saat daha fazla, dünyanın etrafını 38 kere gezmeye eş değer, yolculuğa ve 2,9 milyar galon ekstra yakıt tüketimine neden olduğunu göstermektedir (Schrank ve Lomax, 2007; White 2007). Park yeri bulmak için harcanan süre ise ortalama 8,1 dakikadır (Shoup, 2006). T. S. Lin (2015) tarafından sunulan tez çalışmasında, trafiğin yoğun olduğu şehir içi ticaret bölgelerinde park yeri aramak için harcanan sürenin günde en az 400 saat olduğu belirtilmiştir. Cookson (2019) tarafından sunulan bir raporda ise bir sürücünün yılda ortalama 17 saatini park yeri arayarak geçirdiği ve New York gibi büyük şehirlerde bu sürenin 107 saate kadar çıktığı göze çarpmaktadır. 2016 yılında yapılan bir park sistemi araştırmasının sonuçları, %60'tan fazla özel aracın boş yeri olan bir park yerini hızlı bir şekilde tespit edemediğini, buna karşın park yerlerinin ortalama kullanım oranlarının sadece %70,7 olduğunu göstermektedir (S. Y. Zhang ve Zhang, 2017). Z. Mei, Zhang, Zhang ve Wang (2020) ise bu sorunun iki temel nedeni olduğunu öne sürerek ilk nedenin, araçların hem yolculuk başlamadan önce hem de yolculuk sırasında otoparklar hakkında bilgi edinememesinin olduğunu ifade etmişlerdir. Bir diğer neden ise araçların her zaman varış noktasına yakın olan park yerlerine park etmek istemesi nedeniyle popüler yerlerde park yerlerinin yetersizliğinin ve aşırı tüketiminin olmasıdır. Manville ve Shoup (2005) tarafından yapılan çalışmada ise büyük şehirlerde iş merkezlerinin yoğun olduğu bölgelerdeki park alanlarının toplam alanın %31’ini işgal ettiği ve bu sayının birtakım şehirlerde %7 (Tokyo) iken bazı şehirlerde ise %81 (Los Angeles) olduğu belirtilmiştir. Sürücülerin/araçların uygun bir park yeri bulmak için trafikte harcadığı zaman yalnızca trafik sıkışıklığına neden olmamakta, aynı zamanda yakıt tüketimini ve karbondioksit salınımını da arttırmaktadır. Araçların hızı park yeri ararken düşmekte ve bu durum da çevre kirliliğini önemli ölçüde arttırmaktadır. 20 km/sa hızla giden bir aracın karbon 1 monoksit ve nitrojen hidrit emisyonları 50 km/sa hızla gittiği duruma göre %50'den daha fazladır (Teng vd., 2001). Ayala vd. (2011) tarafından Chicago’da yapılan çalışmada, uygun park yeri bulmak için yapılan yolculuklar nedeniyle, yılda 63 milyon mil mesafe katedildiği ve çevreye 48 000 ton karbondioksit yayıldığı belirtilmiştir. Dolayısıyla, uygun bir park yerinin bulunması sürücü/araç tarafında zaman ve yakıt tasarrufu açısından öneme sahipken; trafik sıkışıklığı ve hava kirliliği de dikkate alındığında toplum ve çevre için daha kritik bir problem haline dönüşmektedir. Öte yandan, otopark yöneticisi tarafından problem ele alındığında parkın doluluğunun ve buna bağlı olarak park alanından elde edilecek gelirin de dikkate alınması ile problem daha karmaşık bir hal almaktadır. Park yönetim problemi, bahsedilen tüm unsurları içerecek şekilde, bilgi ve iletişim teknolojisindeki imkanların ulaştırma alanında kullanılması ile ortaya çıkan Akıllı Ulaşım Sistemleri (AUS) çerçevesinde ele alınabilir. AUS kavramı ise insan üzerindeki karar verme yükünü hafifletmek amacıyla, ulaşım çözümleri geliştirmeye yönelik sistemler olarak tanımlanmaktadır (T.C. Ulaştırma, Denizcilik ve Haberleşme Bakanlığı, 2014). Uygun park yeri bulma problemi, sebep olduğu trafik yoğunluğu, zaman kaybı ve çevre kirliliği nedeniyle kritik bir ulaşım sorunu olup AUS çerçevesinde çözümü aranan bir problem tipidir. Akıllı park uygulamalarının avantajları ise aşağıdaki gibi özetlenebilir (Saric ve Mihaljevic, 2017): • Araçların (araç hareketliliğinin) verimli kullanımı • Park alanının tam kullanımı • Ücretsiz park yerleri için arama süresinin azalması • Trafik sıkışıklığının azalması • Emisyonu azaltarak şehirdeki kirlilik seviyesinin düşmesi • Gerçek zamanlı talep dikkate alarak park fiyatlandırma stratejilerinin manipülasyonu • Yol kenarında kural dışı park etmiş araçların azaltılması • Akıllı şehir içi hareketlilik çözümlerinin genel hareketliliğinde ve gelecekteki gelişiminde iyileştirmeler yapılması Bu tez çalışmasında, akıllı şehirler için otoparkların uygunluğunun tahmini ile ajan- tabanlı bir park öneri mekanizmasını bütünleşik bir şekilde içeren bir park yönetim 2 sistemi önerilmektedir. Geliştirilen sistemde, rezervasyonlu araçlar ile rezervasyonsuz araçlar birlikte ele alınmaktadır. Gelişen bilgi ve iletişim teknolojileri sayesinde uygun bir park yerinin bulunmasının ardından gidilecek yere varılmadan, park yerinin rezervasyonu mümkün hale gelmektedir. Günümüzde uygun alt yapıya sahip araçların da trafikte aktif rol almasıyla rezervasyon seçeneği daha anlamlı hale gelmektedir ve bu araçlar, henüz varış noktasına ulaşmadan uygun bir park yeri için doğrudan rezervasyon yapabilme özelliğine sahiptirler. Rezervasyon ücreti ise rezervasyonun yapıldığı andan itibaren ilgili otoparka ulaşıncaya kadar geçen süre ile ilişkilendirilerek hesaplanmaktadır ve park ücretine dahil edilmektedir. Çalışmanın ilk aşamasını oluşturan otoparkların uygunluğunun tahmin edildiği aşamada, literatürde yer alan üç farklı tahmin yöntemi kullanılmaktadır: (i) otoregresif entegre hareketli ortalama (Autoregressive Integrated Moving Average – ARIMA) modeli, (ii) mevsimsel otoregresif entegre hareketli ortalama (Seasonal Autoregressive Integrated Moving Average – SARIMA) modeli ve (iii) Yapay Sinir Ağları (YSA). Tahmin aşamasında, park yerlerinin yalnızca geçmiş doluluk oranları değil, bu doluluk oranlarını etkileyen gün tipi ve saat dilimi olmak üzere dışsal değişkenler de dikkate alınmaktadır. Öncelikle, bir defaya mahsus olmak üzere, ele alınan yöntemlerin her birinin farklı model yapıları ile tahminler yapılmış ve her bir yöntem için en iyi model tasarımı bulunmuştur. Bütünleşik yapı içerisinde ise söz konusu yöntemler için belirlenen en iyi tasarımlar kullanılarak her bir otopark için uygun kapasite tahmini yapılmakta ve elde edilen sonuçlar ortalama karesel hatalar cinsinden değerlendirilmektedir. En iyi performansa ait yöntem ile hesaplanan uygun kapasite değeri, ajan-tabanlı park öneri sisteminin girdisi olarak ele alınmaktadır. Otoparkların uygunluğunun tahmin edilmesinin ardından, geliştirilen ajan-tabanlı model ile farklı tipteki araçlar için maksimum faydalı park önerileri sunulmaktadır. Burada kalkış noktası ile aday park yerleri arasındaki sürüş mesafesi/süresi, varış noktası ile aday park yerleri arasındaki yürüme mesafesi, otopark ücreti, aday park yerleri etrafındaki trafiğe karşılık gelen yönlendirilen araç derecesi ve park yerlerinin uygunluk derecesi parametreleri dikkate alınmaktadır. Mikro ölçekte, söz konusu fayda fonksiyonu parametrelerine verilen ağırlıklar cinsinden farklı kullanıcı davranışları ele alınmaktadır. Makro ölçekte ise sistemi oluşturan farklı aktörler (araçlar ve otoparklar) için farklı bakış açılarını yansıtacak şekilde yürüme mesafesi eşik değeri ve ücret eşik değerinin farklı 3 değerleri için senaryolar oluşturulmuştur. Buna ek olarak, önerilen park yönetim sisteminin önemini ve gerekliliğini vurgulamak amacıyla, rezervasyonlu ve rezervasyonsuz araç tiplerine ek olarak önerilen sistemi kullanmayarak rassal arama yapan araçlar da ele alınmıştır. Uygun park yeri arayan araçların, geliştirilen sistemi kullanım oranları da yürüme mesafesi ve ücret eşik değerlerine ek olarak bir diğer senaryo parametresi olarak ele alınmıştır. Çalışma kapsamında, ajan-tabanlı park öneri sistemi çerçevesinde birbirinden bağımsız iki ayrı kurgu geliştirilmiştir. Kurgu – 1 olarak sunulan yapı kesikli-olay simülasyonu olarak kurgulanarak sisteme daha yukarıdan bakmaktadır. Burada, olay-tabanlı bir yapı ile park süreci simüle edilmektedir ve ilgili bölümde detayları sunulduğu üzere bu kurguda araç ve otopark olmak üzere iki tip ajan yer almaktadır. Tahmin ve ajan-tabanlı park öneri modüllerine ek olarak, senaryo oluşturma, analiz yapma ve fayda fonksiyonu parametrelerini hesaplama gibi birtakım yardımcı işlemleri gerçekleştiren modüller de yer almaktadır. Kurgu – 2 olarak adlandırılan yapı ise dinamik trafik koşullarının da dikkate alındığı bir sürekli-zaman simülasyonu olarak geliştirilen sistemdir. Burada, dinamik yol ağı üzerinde araçların konumları ve trafik durumu da dikkate alındığından Kurgu – 1’e kıyasla sistem daha derinden ele alınmaktadır. Kurgu – 1’deki araç ve otopark ajanlarına ek olarak burada yol ağı ajanı da sisteme dahil edilmiştir. Araçların bu ağ üzerinde izledikleri rota da optimize edilmekte ve araçların bu rota üzerindeki konumları takip edilerek park kararları dinamik olarak verilmektedir. Kurgu – 1’de yer alan modüllere ek olarak bu yapıda rotalama modülü de geliştirilmiştir. Uygulama aşamasında, San Francisco’da yapılan SFpark projesinin veri seti kullanılmıştır (San Francisco Municipal Transportation Agency [SFMTA], 2013). Söz konusu veri seti kullanılarak farklı senaryolar için elde edilen sonuçlar çeşitli performans parametrelerine göre analiz edilmiştir. Son olarak, farklı park yönetim stratejilerini simüle ederek elde edilen sonuçların analiz edilebilmesi için bir kullanıcı arayüzü prototipi geliştirilmiştir. Bu tez çalışmasının literatüre olan katkısı; (i) park tahmini ve önerisinin bütünleşik yapı altında entegre edilmesi, (ii) rezervasyonlu ve rezervasyonsuz araçlar ile rassal arama yapan araçların birlikte ele alınması, (iii) mikro ölçekte fayda fonksiyonu parametrelerine verilen ağırlıklar cinsinden farklı kullanıcı davranışlarının ele alınması ve (iv) makro ölçekte ise sistemi oluşturan farklı aktörler (araçlar ve otoparklar) için farklı bakış 4 açılarını yansıtacak şekilde yürüme mesafesi eşik değeri, ücret eşik değeri ve sistemi kullanan araç oranının farklı değerleri için farklı senaryoların dikkate alınması ile birlikte elde edilen sonuçların analiz edilmesidir. Bunlara ek olarak, ilerleyen bölümlerde detayları sunulduğu üzere, tezin motivasyonu ile uyumlu olacak şekilde aday park yerleri etrafındaki trafiğe karşılık gelen yönlendirilen araç derecesi ve park yerlerinin uygunluk derecesi değerlerinin de fayda fonksiyonu parametresi olarak ele alınış şekli tezin bir diğer özgün yönünü oluşturmaktadır. Yalnızca araç kalkış noktası ile aday park yerleri arasındaki sürüş rotasının değil, aday park yerleri ile varış noktası arasındaki yürüyüş rotasının da optimize edilmesi çalışmanın bir diğer özgün değeridir. Tez çalışması kapsamında önerilen park yönetim sisteminin, yerel ve merkezi yönetimlerin ulaşım planlamasında kullanılabilecek bir karar destek aracının alt yapısını oluşturduğu söylenebilir. Böylelikle, uygun park yeri bulmak için yapılan yolculuklar azaltılarak hem yakıt tüketiminde hem de trafikte harcanan sürelerde azalışlar beklenmektedir. Yakıt tüketimindeki düşüşle birlikte karbon salınımı ve çevre kirliliğinin azaltılmasına olanak sağlanacaktır. Bunlara ek olarak, faydalı bir şekilde yönetilen bir park sisteminin insan ve toplum sağlığı için de önemli katkıları olacağı düşünülmektedir. 5 2. KAYNAK ARAŞTIRMASI Bu bölüm kendi içerisinde üç alt bölüm halinde ele alınmış olup ilk bölümde AUS ve akıllı şehirler ile ilgili genel bilgi verilmiştir. Takip eden alt bölümlerde ise sırasıyla, park yeri uygunluğunun tahmini ve park yönetim sistemleri kapsamında literatürde yer alan güncel çalışmalar sunulmuştur. 2.1. Akıllı Ulaşım Sistemleri ve Akıllı Şehirler Ulaşım sistemlerini düzenlemeye yönelik yapılan çalışmalara bakıldığında, bu alandaki ilk uygulamaların trafik lambalarının kullanılması ile başladığı söylenebilir. İlk üç renkli trafik sinyali 1914'te kullanılmış ve ardından ilk parkmetre 1935'te kurulmuştur. Güvenlik ise 1930'ların ortalarından beri bilinen bir ulaşım sorunudur, ancak devlet kurumları 1960'lardan başlayarak araç ve karayolu güvenliği standartlarını belirlemeye başlamışlardır. Emniyet kemerleri, yastıklı gösterge panelleri, standart tampon yükseklikleri ve çift fren sistemleri 1967'de yeni otomobiller için zorunlu hale getirilmiştir. Daha sonra hava yastıkları ve çocuk oto koltukları gibi standartlar uygulanmıştır. ABD’de 1970’te Karayolu Güvenliği Yasası ile Ulusal Karayolu Trafik Güvenliği İdaresi (National Highway Traffic Safety Administration – NHTSA) kurulmuştur. Böylece ulaşım sisteminde ileri teknolojilerin kullanımı ile ilgili kavramlar ortaya çıkmıştır. Bir diğer ifadeyle, bu dönemde AUS’un temellerinin atıldığı söylenebilir. Güvenlik sorunu, trafik sıkışıklığının azaltılmasının ve hareketliliğin geliştirilmesinin amaçlanması AUS’a duyulan ihtiyacın arkasındaki itici güç olmuştur (Auer vd., 2016). Yolların kapasitesinden en yüksek düzeyde faydalanmak, insan-araç- altyapı-merkez arasında çok yönlü veri alışverişi sağlamak, güvenliği arttırmak, trafik sıkışıklığını azaltmak, hareketliliği geliştirmek, enerji verimliliğini arttırmak ve buna bağlı olarak çevreye verilen zararı azaltmak AUS uygulamalarının temel amaçlarıdır. Dünyada ilk AUS uygulaması ise 1960’ların sonunda kullanılmaya başlanan elektronik değişken mesaj işaretleri ve kırmızı ışık kameraları olarak kabul edilmektedir. Dünyada öne çıkan ilk AUS uygulamaları arasında; ABD’de 1969’da geliştirilen Elektronik Güzergah Kılavuz Sistemi (Electronic Route Guidance System – ERGS), Japonya’da 1973’te sunulan Kapsamlı Araç Trafiği Kontrol Sistemi (Comprehensive Automobile 6 Traffic Control System – CACS) ve Almanya’da 1974’te geliştirilen Sürücü Radyo Yayını Bilgi Sistemi (Autofahrer Rundfunk Informationssystem – ARI) gösterilmektedir (S. H. An, Lee ve Shin, 2011). Türkiye’de ise 1984’te İstanbul’da gerçekleştirilen ve ana arterlerde bulunan kavşaklarda zaman dilimlerine göre yapılan sinyalizasyon çalışmaları ile AUS çalışmalarının temelinin atıldığı söylenebilir. Bu çalışmaları, 1990’lı yıllarda çeşitli ücretlendirme sistemleri ve kartlı ödeme sistemleri takip etmiştir (Yardım ve Akyıldız, 2005). 1990’lı yılların sonunda ve 2000’li yılların başında kurulan trafik kontrol merkezleri, yol ve trafik bilgilendirme sistemleri, köprü ve ücretli yol geçiş sistemleri, elektronik denetleme sistemleri, adaptif kavşak kontrol sistemleri ve otomatik araç sayım sistemleri Türkiye’de AUS’un yaygınlaştırılması noktasında önemli adımlar olmuştur (Katanalp vd., 2018). Türkiye’de günümüzdeki anlamıyla, AUS kavramı ilk olarak 2000’lerde birtakım ulusal politika belgelerinde bir ihtiyaç olarak ele alınmıştır. Ancak tam anlamıyla ele alınması ve bu alanda ülkemizde izlenecek yolların belirlenmesi “Ulusal Akıllı Ulaşım Sistemleri Strateji Belgesi 2014-2023 ve Eki Eylem Planı 2014-2017” raporunun sunulması ile olmuştur (Meriç, 2018). Burada yer alan eylem kararınca 2016 yılında AUS Türkiye Derneği kurulmuştur ve günümüzde T.C. Ulaştırma ve Altyapı Bakanlığı’nın himayesinde faaliyet göstermektedir (Akıllı Ulaşım Sistemleri Derneği, 2017). Şekil 2.1’de görüldüğü gibi AUS’un çok-katmanlı bir yapısı bulunmaktadır. Bu yapıyı oluşturan katmanlar ise (i) fiziksel katman, (ii) iletişim katmanı, (iii) operasyon katmanı ve (iv) servis katmanıdır. Fiziksel katman ulaşım sistemindeki altyapı, araçlar ve insanlar olmak üzere tüm fiziksel bileşenleri içermektedir. Bu katmanda yer alan veriler ise sensörler ve onların bulunduğu platformlar aracılığıyla elde edilmektedir. İletişim katmanı, AUS alt sistemleri arasında doğru ve zamanında bilgi alışverişini sağlayan katmandır. Operasyon katmanı ise AUS mimarisinin temel katmanı olup veriyi toplayarak bilgiye dönüştürmektedir. Operasyon katmanında üç temel bileşen bulunmaktadır, bunlar; (i) İleri Ulaşım Yönetim Sistemleri (Advanced Transportation Management Systems – ATMS), (ii) İleri Yolcu Bilgi Sistemleri (Advanced Traveler Information Systems – ATIS) ve (iii) İleri Araç Kontrol Sistemleri’dir (Advanced Vehicle Control Systems – AVCS). Servis katmanı ise servislerin sunulduğu ve çalıştırıldığı 7 katmandır. Operasyon katmanının sonucu kullanılarak daha iyi ulaşım sistemleri sağlanmaktadır ve kullanıcısı genel halk veya bir sistem operatörü olabilir (Y. Lin, Wang ve Ma, 2017). Hedefler Sürdürülebilir Hareketlilik Kolaylık Ulaşım Servis Katmanı Kullanıcı Servis Paketi Operasyon Katmanı Ulaşım Yönetim Yolcu Yönetim Araç Yönetim Sistemi Sistemi Sistemi İletişim Katmanı Araç-Araç Saha-Araç Nokta-Nokta Mobil Fiziksel Katman Yolcu Altyapı Araç Şekil 2.1. Çok-katmanlı AUS yapısı (Y. Lin, Wang ve Ma, 2017) Akıllı şehirler ise yerel hizmetlerin sunumunda bilgi ve iletişim teknolojilerinden faydalanılarak ekonomik ve siyasi verimliliğin arttırıldığı, sosyal, kültürel ve kentsel kalkınmanın sağlandığı, yaşam kalitesinin yüksek olduğu, kaynakların daha etkin kullanıldığı, hizmetlerin daha verimli bir şekilde yönetildiği, maliyet ve enerji tasarrufu sağlanan, çevre kirliliğinin azaltıldığı, sürdürülebilir şehirlerdir (Caragliu vd., 2011). Deakin ve Al Waer (2011) çalışmalarında, bir şehrin akıllı şehir olarak tanımlanması için bu dört özelliği içermesi gerektiğini vurgulamışlardır: (i) çok çeşitli elektronik ve dijital teknolojilerin uygulanması, (ii) bölgedeki yaşam ve çalışma ortamlarını dönüştürmek için bilgi ve iletişim teknolojilerinin kullanılması, (iii) bu tür bilgi ve iletişim teknolojilerinin kamu sistemlerine yerleştirilmesi ve (iv) sundukları yenilik ve bilgiyi geliştirmek için bilgi ve iletişim teknolojileri ile insanları bir araya getiren uygulamaların bölgeselleştirilmesi. 8 Geçmişte farklı tanımlar olduğu görülse de günümüzdeki anlamıyla akıllı şehir kavramının temelinin 1990’lı yıllara dayandığı söylenebilir (Caragliu vd., 2011). Akıllı şehircilik uygulamalarını dünyada ilk başlatan ülkelerden biri ABD olup 2015 yılında ABD’de Akıllı Şehirler ve Topluluklar Çerçevesi yayınlanmıştır. Avrupa Komisyonu'nun Dijital Gündem girişimi ise Avrupa'da akıllı şehirleri teşvik etmektedir ve enerji verimli şehirlere odaklanan bir Akıllı Şehirler ve Topluluklar girişimi de mevcuttur. Japonya’nın vatandaş odaklı, güven verici ve canlı bir dijital toplum oluşturmaya çalışan stratejisi bulunmaktadır. Benzer şekilde, Singapur’da geleceğin akıllı şehirlerini inşa etmek için birçok proje mevcuttur. Çin ve Hindistan gibi ülkelerde de akıllı şehirlerin kurulması yönünde çeşitli girişimler yapılmaktadır (Yin vd., 2015). Türkiye’deki akıllı şehir çalışmalarının ise 2023 yılı itibariyle yaklaşık sekiz-on yıllık bir geçmişinin olduğu söylenebilir (Ünsal ve Avcı, 2023). Ülkemizdeki akıllı şehircilik uygulamalarına örnek olarak; sinyalizasyon çalışmaları, akıllı kavşak uygulamaları, araç tanıma sistemleri, akıllı enerji sayaçları ve şebekeleri, akıllı güvenlik sistemleri, akıllı atık yönetim sistemleri, evde bakım ve uzaktan sağlık uygulamaları verilebilir (Erkek, 2017). Nohutçu ve Akpınar (2021) tarafından yapılan çalışmada, Türkiye’deki akıllı şehir yaklaşımları incelenmiş olup akıllı şehirlere dair hedef ve planların ulaşım, trafik, otopark, afet, tarım/sulama, katılım, veri seti oluşturma, iç örgütlenme, çevre/hava, aydınlatma gibi alanlarda yer aldığı belirtilmiştir. Artan dünya nüfusuna karşılık hızla tükenen doğal kaynaklar ve nüfusun büyük çoğunluğunun şehirlerde yaşaması akıllı şehircilik uygulamalarına olan ihtiyacı her geçen gün daha da arttırmaktadır. Dolayısıyla, sürdürülebilir şehirlerin inşasında akıllı şehircilik uygulamalarının büyük öneme sahip olduğu söylenebilir. Akıllı şehircilik uygulamaları, günümüz ihtiyaçlarını daha iyi karşılarken gelecek kuşakların ihtiyaçlarının karşılanmasını engellemeyecek şekilde tasarlanmalıdır (Dal ve Özdemir, 2020). 2.2. Park Yeri Uygunluğunun Tahmini Etkili bir park yönetimi için park yerlerinin uygunluğunun doğru bir şekilde tahmini kritik öneme sahiptir. Bir diğer ifadeyle, araç sahiplerinin park yerlerinin uygunlukları ile ilgili 9 bilgi sahibi olmaları, daha etkili bir şekilde uygun bir park yeri bulmalarıma imkan sağlayabilir. Bu durum da park yeri ararken yapılan yolculuklar nedeniyle oluşan şehir içi trafik yoğunluğunu azaltmak açısından kritik öneme sahiptir. Günümüzde, gelişen bilgi ve iletişim teknolojileri sayesinde gerçek zamanlı olarak park yerlerinin uygun kapasitelerine ilişkin bilgiye ulaşılabilse de trafik koşullarındaki değişkenlik sebebiyle varış noktasına varıldığında parkın uygunluğu ve/veya fiyatı gibi parametreler değişebilmektedir. Bu nedenle, etkin bir tahmin modelinin varlığı kritik öneme sahiptir. Çizelge 2.1’de literatürdeki park yeri uygunluğu tahmini yapan çalışmalar, kullanılan yöntem özelinde özetlenmiştir. Çizelgede de görüldüğü gibi, makine öğrenme yöntemleri sıklıkla kullanılmaktadır, bunların yanı sıra kuyruk teorisi ve Markov karar süreçleri gibi diğer analitik yöntemler de kullanılmaktadır. Makine öğrenme algoritmaları kullanılarak yapılan tahmin çalışmalarında ise yapay sinir ağı ve derin öğrenme tabanlı çalışmaların öne çıktığı söylenebilir. Vlahogianni vd. (2016) tarafından yapılan çalışmada, ilki çok katmanlı bir perceptron yapısı ile seçilen bir bölge için geçmiş verilere dayalı olarak park doluluk oranının (yüzdelik olarak) tahmini olmak üzere iki tip tahmin yapılmıştır. Çalışmada önerilen ikinci tahmin yönteminde ise farklı bölgeler için geliştirilen süre modelleri aracılığıyla boş bir park yerinin boş kalmaya devam etme olasılığı (zaman cinsinden) ele alınmaktadır. Pflugler vd. (2016) ise bir yapay sinir ağı aracılığıyla, konum, zaman, hava durumu, trafik ve olay verilerinin farklı kategorileri için park yerlerinin uygunluğunu tahmin etmektedirler. Tiedemann vd. (2015) çalışmalarında, park tahmini için sinirsel gaz kümeleme (neural gas clustering) tabanlı hibrit bir yöntem kullanmışlardır ve tahmin ile talep sorgu-yanıt sistemini birleştiren bir uygulama sunmuşlardır. J. Li, Li ve Zhang (2018) derin öğrenme tabanlı bir tahmin sistemi geliştirmişlerdir ve uzun-kısa vadeli hafıza ağı yapısını kullanmışlardır. Geçmiş park doluluk verilerinin yanı sıra, günün saat dilimi, hava durumu ve tatil günü verisi gibi bazı dışsal verileri de dikkate almışlardır. Camero vd. (2019) tekrarlayan sinir ağı yapısında derin öğrenme tekniği kullanarak park doluluk oranını tahmin etmişlerdir ve ağ mimarisini iki farklı evrimsel algoritma ile optimize etmişlerdir. Arjona vd. (2020) uzun- kısa vadeli hafıza ve geçitli tekrarlayan birim gibi farklı tekrarlayan sinir ağı yapıları ile otopark uygunluğunu tahmin etmektedirler. Tahmin performansını artırmak için yaklaşımlarına hava durumu ve takvim verilerini de dahil etmişlerdir. S. Yang, Ma, Pi ve 10 Qian (2019) yalnızca parkmetre verilerini değil, trafik ve hava durumu verilerini de dikkate alarak park yerlerinin hem mekansal hem de zamansal desenlerini modellemek için grafik-evrimsel sinir ağlarını ve uzun-kısa vadeli hafıza yöntemini birleştiren bir çözüm yaklaşımı önermişlerdir. X. Xiao, Jin, Hui, Xu ve Shao (2021) ise önerdikleri hibrit grafik-evrimsel sinir ağı yapısı ile anlık ve uzun-vadeli zamansal ve mekansal korelasyonları tespit etmişlerdir. Kasera ve Acharjee (2022) çalışmalarında, evrişimli sinir ağı ve uzun-kısa vadeli hafıza yöntemini kullanan hibrit bir yaklaşım önermişlerdir ve kapalı bir otopark için belirli tarih ve saatlerdeki geçmiş park bilgilerini kullanılarak park doluluk yüzdesini tahmin etmişlerdir. Zeng vd. (2022) ise geçmiş doluluk oranlarının yanı sıra hava koşullarını ve tatil günleri gibi takvim bilgilerini de dikkate alarak geçitli tekrarlayan birim ve uzun-kısa vadeli hafıza yöntemlerini birlikte kullanan hibrit bir yaklaşım önermişlerdir. Literatürde park yeri uygunluğunun tahmini için diğer makine öğrenme yöntemlerini kullanan çalışmalar da mevcuttur. Rajabioun ve Ioannou (2015) zamansal ve mekansal ilişkileri dikkate alarak otoregresif bir model ile park yerlerinin uygunluğunu tahmin etmişlerdir. Tamrazian vd. (2015) çevrimiçi ve çevrimdışı veri ile çalışmak üzere sırasıyla k-ortalamalar kümeleme algoritması ve k-en yakın komşu algoritması olmak üzere farklı makine öğrenme algoritmaları geliştirmiş ve çevrimiçi model ile çevrimdışı modelin desenlerinin farklı olduğunu gözlemlemişlerdir. Ziat vd. (2016) trafik yoğunluğunun önemli bir kısmına park yeri arayan sürücülerin sebep olması motivasyonu ile temsı̇li öğrenme tabanlı bir makı̇ne öğrenme teknı̇ğı̇ kullanarak hem trafik yoğunluğu hem de park yeri doluluğu tahmini yapmışlardır. Provoost vd. (2020) hem yapay sinir ağları hem de rassal ormanlar kullanarak nesnelerin interneti teknolojisinin park yeri uygunluğunun tahmini üzerindeki etkisini incelemişlerdir. Birtakım çalışmalarda ise farklı makine öğrenme teknikleri kullanılarak elde edilen sonuçlar karşılaştırılmıştır (Awan vd., 2020; Badii vd., 2018; Balmer vd., 2021; Errousso vd., 2022; Fabusuyi vd., 2014; Fokker vd., 2022; Inam vd., 2022; Kuhail vd., 2019; Morell vd., 2023; Stolfi vd., 2017; Stolfi vd., 2020; Z. Zhao, Zhang ve Zhang, 2020; Zheng vd., 2015). Lu ve Liao (2020) ise literatürdeki diğer çalışmalardan farklı olarak, park yeri uygunluğunun tahmini ile park yeri atamasını birleştirmişlerdir. Öncelikle farklı 11 makine öğrenme teknikleri kullanarak park yeri doluluğunu tahmin etmektedirler, ardından eşleştirme tabanlı bir strateji ile park yerlerini tahsis etmektedirler. Richter vd. (2014) ise doğru tahmin için gerekli depolama alanının azalacağına dikkat çekerek farklı veri kümeleme yaklaşımları önermişlerdir. Benzer bir çalışmada, Mufida vd. (2023) hesaplama yükünün azaltılması ve doğru tahmin modellerinin geliştirilmesi için otoparkları mekansal-zamansal desenlerine göre gruplandıran iki-aşamalı bir kümeleme tekniği önermişlerdir. Ionita vd. (2018) tarafından yapılan çalışmada klasik makine öğrenme teknikleri ile park yeri doluluğu tahmin etmenin yanı sıra, park konumları için kümeleme ve benzerlik ilişkilerinin çıkarılması üzerinde de durulmuştur. Çizelge 2.1. Park yeri uygunluğu tahmin çalışmaları Yöntem Çalışmalar ARIMA Badii vd. (2018), Fokker vd. (2022), Kuhail vd. (2019), Morell vd. (2023), Modelleri Z. Zhao, Zhang ve Zhang (2020) Arjona vd. (2020), Camero vd. (2019), Fokker vd. (2022), Inam vd. (2022), J. Li, Li ve Zhang (2018), Kasera ve Acharjee (2022), Kuhail vd. (2019), Derin Öğrenme Morell vd. (2023), S. Yang, Ma, Pi ve Qian (2019), X. Xiao, Jin, Hui, Xu ve Shao (2021), Zeng vd. (2022) Destek Vektör Badii vd. (2018), Z. Zhao, Zhang ve Zhang (2020), Zheng vd. (2015) Makineleri Awan vd. (2020), Errousso vd. (2022), Fokker vd. (2022), Inam vd. (2022), Diğer Makine Kuhail vd. (2019), Lu ve Liao (2020), Morell vd. (2023), Rajabioun ve Öğrenme Ioannou (2015), Stolfi vd. (2017), Stolfi vd. (2020), Tamrazian vd. (2015), Yöntemleri Z. Zhao, Zhang ve Zhang (2020), Ziat vd. (2016) Awan vd. (2020), Errousso vd. (2022), Fabusuyi vd. (2014), Inam vd. Karar Ağaçları (2022), Ionita vd. (2014), Lu ve Liao (2020), Zheng vd. (2015) Kuyruk J. Xiao, Lou ve Frisby (2018), Tavafoghi vd. (2019) Modelleri Ionita vd. (2014), Mufida vd. (2023), Richter vd. (2014), Stolfi vd. (2017), Kümeleme Stolfi vd. (2020), Tamrazian vd. (2015) Markov Karar B. Li (2022), Caliskan vd. (2007), Tilahun ve Di Marzo Serugendo (2017) Problemleri Naive Bayes Fabusuyi vd. (2014), Lu ve Liao (2020) Rassal Awan vd. (2020), Balmer vd. (2021), Inam vd. (2022), Lu ve Liao (2020), Ormanlar Provoost vd. (2020) Awan vd. (2020), Badii vd. (2018), Balmer vd. (2021), Errousso vd. Yapay Sinir (2022), Fabusuyi vd. (2014), Inam vd. (2022), Ionita vd. (2014), Pflugler Ağları vd. (2016), Provoost vd. (2020), Tiedemann vd. (2015), Vlahogianni vd. (2016), Z. Zhao, Zhang ve Zhang (2020), Zheng vd. (2015) Literatürde yer alan bazı çalışmalarda ise problemin bir kuyruk sistemi veya Markov karar problemi olarak modellendiği göze çarpmaktadır. J. Xiao, Lou ve Frisby. (2018) 12 önerdikleri iki-aşamalı çözüm yaklaşımı ile kuyruk modeli aracılığıyla park doluluğunu tahmin etmektedirler. İlk aşamada model parametreleri, ikinci aşamada ise park doluluğu tahmin edilmektedir. Tavafoghi vd. (2019) yaptıkları çalışmada, kuyruk modeli temelli iki tahmin yöntemi geliştirilmişlerdir. Biri mikro diğeri makro düzeydedir ve gerçek- zamanlı olasılıksal park doluluk tahmini yapılmaktadır. Mikro düzeydeki model ile her park yeri ayrı ele alınmakta, makro düzeyde ise bütünleşik olarak tüm park yerleri dikkate alınmaktadır. Caliskan vd. (2007) tarafından sunulan çalışmada, her bir park alanı bir kuyruk sistemi olarak modellenmiş ve sürekli-zamanlı homojen Markov zinciri olarak tanımlanarak park doluluk oranları tahmin edilmiştir. Bir diğer çalışmada, Tilahun ve Di Marzo Serugendo (2017) ise ajan-tabanlı bir çözüm yaklaşımı geliştirerek her park için oluşturdukları ajanlar ile park uygunluğunu tahmin etmek için dinamik ve zamanla değişen Markov zincirlerini kullanmaktadırlar. Bu ajanlar bir mahalledeki park uygunluğunu tahmin etmek için birbiri ile iletişim halindedirler ve böylece sadece tek bir parkın değil, çevresindeki diğer parkların da davranışları dikkate alınmaktadır. B. Li (2022) tarafından yapılan çalışmada ise sürücülerin zamanla değişen varış/ayrılış davranışlarını modellemek ve park yeri uygunluğunu tahmin etmek amacıyla birbirine bağlı iki Markov sürecinden oluşan stokastik bir model önerilmiştir. İlk olarak, kuyruk teorisine dayalı olarak kısa bir zaman dilimi içerisindeki park etme davranışları ele alınmaktadır. Ardından, daha uzun bir zaman diliminde sürücülerin varış/ayrılışlarındaki davranışsal değişiklikleri hesaplamak için, varış/ayrılış davranışının rejim değiştirme mekanizmasını tanımlamak üzere bir Markov rejim değiştirme süreci kapsama dahil edilmektedir. 2.3. Park Yönetim Sistemleri Zaman ve yakıt tasarrufu sağlanması, park alanlarının verimli bir şekilde kullanılması, park arama sürecinden kaynaklı karbon emisyonunun ve buna bağlı olarak çevre kirliliğinin azaltılması açısından etkili bir park yönetim sisteminin varlığı kritik öneme sahiptir. Park yönetim sistemleri üzerine yapılan literatür araştırması, Çizelge 2.2’de kullanılan yöntem özelinde özetlenmiştir. Çizelgede de görüldüğü gibi park yönetiminde, ajan-tabanlı modelleme tekniklerinin sıklıkla kullanıldığı söylenebilir. Örneğin, Benenson vd. (2008) tarafından geliştirilen ajan-tabanlı simülasyon modeli ile her 13 sürücünün davranışı mekansal olarak simüle edilmektedir. Söz konusu model, park arama süresi, yürüme mesafesi ve park etme maliyetleri gibi değerlerin farklı sürücü gruplarına göre dağılımlarını dikkate almaktadır. Tasseron ve Martens (2017) ise Benenson vd. (2008) tarafından geliştirilen ajan-tabanlı modeli kullanarak rezervasyon kurgusunu da ele almışlardır. Söz konusu çalışmada, aşağıdan yukarıya bilgi aktarımıyla bir rezervasyon sistemi geliştirilmiştir. Normal ve akıllı olmak üzere iki tip araç dikkate alınmakta, akıllı araçlar park sensörlerinden ve diğer akıllı araçlardan bilgi alabilmektedirler. Sürüş ve yürüyüş mesafelerine göre olasılıklar hesaplanıp aday park yerleri, bu değerlere göre sıralanmakta bu sıralamaya göre iteratif olarak park rezervasyonu yapılmaktadır. Ni ve Sun (2017) tarafından yapılan çalışmada ise rezervasyon kurgusunun önemi ön plana çıkarılmaktadır ve rezervasyon sistemlerinin park problemine olan etkisi değerlendirilmektedir. Burada gerçek zamanlı veri ile çalışılarak hem akıllı hem de normal araçlar için rezervasyon kurgusu altında park yeri atamaları yapılmaktadır. Geliştirilen ajan-tabanlı sistemin aracılığıyla farklı senaryolar test edilmiştir. Yolculuk süresi, park yerindeki bekleme süresi, yürüyüş süresi ve park ücreti olmak üzere dört parametre dikkate alınarak her bir park yeri için olumsuz fayda değeri hesaplanmakta ve bir eşik değer ile bu değerler kıyaslanmaktadır. Ardından Dijkstra algoritması kullanılarak en kısa yollar hesaplanmaktadır. Araç tipine ilişkin tanımlanan kurallar doğrultusunda iteratif olarak park rezervasyonları yapılmaktadır. Di Napoli vd. (2014) sürücülerin ve otopark sahiplerinin farklı ihtiyaçlarını ve tercihlerini karşılayacak şekilde uzlaşı-temelli ajan-tabanlı bir sistem geliştirmişlerdir. Otopark tarafında fayda fonksiyonu, talebin alındığı andaki otopark uygunluğuna ve otoparkın şehir merkezine olan uzaklığına bağlıyken; sürücü tarafında ise otoparkın fiyatına ve talep edilen varış noktasına olan uzaklığına bağlıdır. Her iki tipteki kullanıcının da tek taraflı olarak tekliflerini sunduğu bir yapı aracılığıyla en faydalı eşleşmelerin bulunması hedeflenmektedir. Benzer bir çalışmada, Di Nocera (2014) park-seçim süreci için önerdikleri ajan-tabanlı modelleme yapısı ile hem sürücü tercihlerini hem de şehrin ihtiyaçlarını dikkate almışlardır ve uzlaşı-temelli bir yaklaşım sunmuşlardır. Böylelikle, çatışan hedefleri arasında bir uzlaşma bulan kullanıcıların ve şehir yöneticilerinin sosyal refahını en üst düzeye çıkarmayı amaçlanmaktadırlar. Chou vd. (2008) tarafından yapılan çalışmada ise park ücretlerinin dinamik olarak belirlenmesi motivasyonuyla bir uzlaşı algoritması önerilmiştir ve geliştirilen ajan-tabanlı sistem aracılığıyla kullanıcı tercihleri 14 doğrultusunda en uygun park önerileri yapılmaktadır. Jioudi vd. (2019) geliştirdikleri ajan-tabanlı sistem ile gerçek-zamanlı park fiyatlandırma ve rezervasyon sistemi sunmuşlardır ve geliştirdikleri web-tabanlı bir uygulama ile bir gerçek hayat veri seti üzerinde uygulama yapmışlardır. Kullanıcı tercihleri doğrultusunda, uygun parklar listelenmekte ve yürüme mesafesi, park ücreti ve park doluluğu gibi kriterlere göre hesaplanan maliyet değeri dikkate alınarak en uygun park yeri belirlenmektedir. Belkhala vd. (2019) geliştirdikleri park yönetim sisteminde nesnelerin interneti, yapay zeka ve ajan-tabanlı modelleme tekniklerini entegre ederek çok-katmanlı bir yapı sunmuşlardır. Böylelikle, park yönetiminde tüm tarafların birbirleriyle iletişim kurmasına ve sistem operatöründen yardım istemesine olanak sunarken park etme sürecini basitleştirmeyi amaçlamışlardır. Önerilen yapı, sürücülerin gerçek zamanlı olarak uygun park yerlerini kontrol etmelerine, uygun bir yere rezervasyon yapmalarına ve mevcut konumlarından sistem tarafından atanan park yerine optimum rota ile yönlendirilmelerine imkan sunmaktadır. Rizvi vd. (2018) ise geliştirdikleri ajan-tabanlı sistem ile park yeri türü, kabul edilebilir maksimum park ücreti ve varış noktası ile park yeri arasındaki yürüyüş mesafesinin üst sınırı gibi kullanıcıların farklı tercihleri için rezervasyon sürecini otomatikleştiren nesnelerin interneti tabanlı bir sistem önermişlerdir. Literatürdeki diğer yaklaşımlardan farklı olarak çok-kriterli karar verme yöntemlerinden Analitik Hiyerarşi Prosesi (AHP) kullanarak en uygun park yerini bulmaktadırlar. Najmi vd. (2021) çalışmalarında, fiyat politikasının belirlenmesini ön plana çıkarmaktadırlar. Ajan-tabanlı bir simülasyon modeli ile park arama süreçleri farklı durumlar altında simüle edilerek park politikaları belirlenmekte ve park kullanımını arttıracak fiyat politikasının belirlenmesi amaçlanmaktadır. Z. Mei, Feng, Ding, Zhang ve Wang (2019) ile Z. Mei, Feng, Kong, Zhang ve Chen (2020) çalışmalarında, ajan-tabanlı bir simülasyon modeli ile uygun park fiyatlandırma stratejilerinin belirlenmesini hedeflemişlerdir. İlk olarak, Z. Mei, Feng, Ding, Zhang ve Wang (2019) çalışmasında, park alanlarının verimliliğini artırmak için park ücreti ve rezervasyon mekanizmalarının literatürde sıklıkla kullanıldığı vurgulanmış ve bu yapıları analiz etmek amacıyla ajan-tabanlı simülasyon modeli geliştirilmiştir. Park ücreti ve rezervasyon mekanizmalarının ortalama seyahat süresine ve toplam park yeri kullanımına etkisi analiz edilmiştir. Burada bahsi geçen park ücreti mekanizmasında, park yerleri rezerve edilmemekte, park yerlerine ekstra ödeme yapmaya istekli kullanıcılara ilgili parklar tahsis edilerek popüler otoparkların park ücretinin farklı 15 değerleri için simülasyon yapılmaktadır. Diğer yapı olan rezervasyon mekanizmasında ise park ücreti sabit tutularak kullanıcıların ve park yerlerinin rezervasyon oranları değiştirilerek simülasyon yapılmıştır. Z. Mei, Feng, Kong, Zhang ve Chen (2020) çalışmasında ise ajan-tabanlı simülasyon modeli ile farklı fiyatlandırma stratejilerinin etkisi analiz edilmiştir. Mevcut durumda kullanılan iki farklı strateji ve optimize edilmiş bir park stratejisi sunulmaktadır. Mevcut stratejilerin ilkinde tüm otoparklar için sabit tek bir fiyat dikkate alınmaktadır, ikinci stratejide ise farklı otoparklar için farklı sabit fiyatlar söz konusudur. Optimize edilmiş strateji ise farklı konumlar ve zaman dilimleri için farklı fiyatlar önermektedir. Park doluluk oranları için alt ve üst eşik değerler belirlenerek dolulukların bu eşik değerlerin üstünde/altında kalınması durumunda farklı otoparklar için farklı fiyatlandırma stratejileri uygulanmaktadır. Benzer bir çalışmada, Z. Mei, Zhang, Zhang ve Wang (2020) tarafından genetik algoritma ile rezervasyon stratejilerinin optimizasyonu amaçlanmakta ve park süreçlerinin simüle edilmesinde geçmiş çalışmalarda (Z. Mei, Feng, Ding, Zhang ve Wang, 2019; Z. Mei, Feng, Kong, Zhang ve Chen 2020) sunulan ajan-tabanlı model kullanılmaktadır. Bu tez çalışmasında Kurgu – 2 kapsamında geliştirilen ajan-tabanlı sistem de bahsi geçen çalışmalarda önerilen ajan- tabanlı yapı temel alınarak tasarlanmıştır. Park yönetimi alanındaki diğer çalışmalar incelendiğinde, bazı çalışmalarda tamsayılı programlama yönteminin kullanıldığı görülmektedir. Bu alanda bilinen en eski çalışmalardan biri Mouskos vd. (2000) tarafından yapılmış olup söz konusu çalışmada, atama ve kapasite kısıtları altında toplam park etme maliyetini minimize etmek amacıyla 0-1 tamsayılı programlama modeli önerilmiştir. Bir diğer çalışmada, Y. Geng ve Cassandras (2011a) park rezervasyonu için bir karışık-tamsayılı programlama modeli geliştirmişlerdir. Bu model aracılığıyla, varış noktasına yakınlık ve park maliyeti açısından sürücüler en uygun park yerine atanmakta ve park kapasitelerinin verimli bir şekilde kullanılması sağlanmaktadır. Sistemin mevcut durum bilgisine göre her karar noktasında söz konusu model yeniden çözülmektedir. Yazarlar daha sonra bu modeli geliştirerek iletişim kavramına da değinmişlerdir (Y. Geng ve Cassandras, 2012). Y. Geng ve Cassandras (2011b) tarafından yapılan bir başka çalışmada ise algoritmik bir yapı içerisinde sürekli olarak rassal talep oluşturulmakta ve her bir talep için daha iyi bir karar verilemeyene kadar karışık-tamsayılı programlama modeli yeniden çözülerek 16 optimizasyon yapılmaktadır. X. Zhao, Zhao ve Hai (2014) park problemini, doğrusal atama problemi olarak formüle ederek problemin çözümü için bir yakınsama algoritması geliştirmişlerdir. Mejri vd. (2016) rezervasyon-tabanlı çok-amaçlı akıllı otopark sistemi için çok-amaçlı bir tamsayılı programlama modeli formüle etmişlerdir. Burada varış noktasına olan yürüme mesafesi, rezervasyon talebinin gönderildiği anda araç ile park yeri arasındaki mesafe ve talep edilen parkın sıkışıklığı dikkate alınmaktadır. Problemin çözümü için tavlama benzetimi algoritması kullanılmıştır. Boudali ve Ouada (2017) ise operasyonel kısıtlar altında kullanıcı tercihlerini optimize etmek amacıyla park rezervasyonu problemini çok-kriterli optimizasyon problemi olarak ele almışlardır. Çalışmalarında rezervasyon problemi için çok-kriterli bir formülasyon önermişlerdir ve farklı kriterleri ayrı ayrı optimize ederek bir dizi uzlaşma çözümü üretmişler, ardından Eleme ve Gerçeği İfade Eden Seçim (Elemination and Choice Translating Reality – ELECTRE) III yöntemiyle çözümleri sıralayarak en iyi çözümü seçmişlerdir. Birtakım çalışmalarda ise algoritmik bir yaklaşımla problemin çözüldüğü görülmektedir. Shin ve Jun (2014) sürücüler ve otoparklar için maksimum faydalı park önerilerinin sunulması amacıyla sürüş süresi/mesafesi, yürüyüş mesafesi, park ücreti, trafik yoğunluğu ve uygun park yeri bulma olasılığı kriterlerini dikkate alarak algoritmik bir yaklaşım önermişlerdir. Söz konusu çalışmada, rezervasyon yapılabilen ve yapılamayan kurgular için maksimum faydalı park yerleri önerilmekte ve geliştirilen algoritma bir park yönlendirme sistemi çatısı altında sunulmaktadır. Farag vd. (2017) ise geliştirdikleri algoritma ile farklı maliyet parametrelerine göre kullanıcıların en düşük maliyet ile optimum bir yere park etme olasılığını artırmayı hedeflemektedirler. Söz konusu maliyet parametreleri ise kullanıcıların konumu ile park yeri arasındaki mesafe, park yeri ile servis alanı arasındaki mesafe, her bir park yerindeki boş alanların yüzdesi ve ilgili zamandaki park etme maliyetinden oluşmaktadır. Wu vd. (2014) tarafından sunulan çalışmada bir maliyet fonksiyonu tanımlanarak her bir park yeri için başarılı park etme olasılığı ve park yerine ulaşma süresi üzerinden bir park yeri öneri sistemi sunulmaktadır. Başarılı park etme olasılığı zamana göre değiştiğinden, olasılık değerleri belirli aralıklarla yenilenen kullanılabilir park yeri sayısı bilgisi üzerinden hesaplanmaktadır. Diaconu vd. (2013) ise sürücülerin önceden rezervasyon yapabildiği ve varış noktasına yakın aday park yerleri arasından en uygun çözümün bulunduğu bir uygulama geliştirmişlerdir. 17 Geliştirilen bu sisteme ödeme alt yapısı da entegre edilmiştir. Mainetti vd. (2015) nesnelerin interneti tabanlı bir akıllı park yönetim sistemi geliştirmişlerdir. Bu sistem aracılığıyla; çevresel parametreler ve park yerlerinin doluluk durumu ile ilgili bilgiler gerçek zamanlı olarak toplanarak belirli bir alandaki uygun park yerleri listelenebilmekte, kullanıcılar en yakın uygun park yerine yönlendirebilmekte, seçilen park yeri için yol tarifi alınabilmekte, park ücreti ödenebilmekte, kalan park süresi kontrol edilebilmekte ve satın alınan süre dolduğunda bildirim alınabilmektedir. Aydin vd. (2017) akıllı şehirler için navigasyon ve rezervasyon tabanlı bir park öneri sistemi geliştirilmişlerdir ve bu sistemin entegrasyonunda nesnelerin interneti teknolojilerinden yararlanmışlardır. Araçların mevcut konumuna en yakın park yerleri ise genetik algoritma ile bulunmaktadır. Zajam ve Dholay (2018) çalışmalarında, bulut bilişim teknolojisini kullanarak park yerleri hakkında gerçek zamanlı bilgi ile kullanıcının yakınındaki en uygun park yerini belirlemektedirler. Söz konusu çalışmada, gerçek zamanlı trafiğe dayalı olarak kullanıcı ile park yeri arasındaki rotayı optimize eden bir algoritma önerilmektedir. Taherkhani vd. (2016) çalışmalarında, varış noktasına olan uzaklık ve park maliyeti cinsinden farklı kullanıcı davranışlarına göre varış noktasına en yakın otoparkı öneren nesnelerin interneti tabanlı bir çözüm yaklaşımı önerilmiştir. Söz konusu çalışmada yolculuk süresi tahmin edilerek kullanıcılara uygun bir rota önerisi sunulmaktadır. Rehena vd. (2018) tarafından yapılan çalışmada ise park rezervasyonu problemi, çok- kriterli karar verme problemi olarak ele alınmıştır ve problemin çözümü için çok-kriterli karar verme tabanlı bir algoritma geliştirilmiştir. Kullanıcıların farklı ihtiyaçları dikkate alınarak en uygun rezervasyon seçeneği önerilmekte ve üç farklı kullanıcı davranışı için simülasyon yapılmaktadır. Noor vd. (2017) tarafından yapılan çalışmada kural-tabanlı teklif verme (bidding) yapısı aracılığıyla kullanıcıların uygun bir park yeri bulmaları hedeflenmektedir. Geliştirilen yapı en yakın park yerinin rezerve edilmesinin yanı sıra acil taleplerin karşılanmasını sağlayan bir kurguyu da teşvik etmektedir. Jin vd. (2012) önerdikleri park yönetim sisteminde, literatürdeki diğer çalışmalardan farklı olarak eşitlik kavramına dikkat çekmişlerdir. Rezervasyon esnasında belirtilen tahmini varış anında, ilgili araç otoparka ulaşamazsa, söz konusu park yeri için yeni bir aday aracın seçimi mümkün hale gelmektedir. Eşitlik kavramı da buradan devreye girmekte ve otoparka 300 metre mesafedeki araçlara öncelik tanınmaktadır. 18 Çizelge 2.2. Park yönetim sistemi çalışmaları Çalışma Yöntem Aydin vd. (2017) Genetik algoritma Belkhala vd. (2019) Ajan-tabanlı modelleme Benenson vd. (2008) Ajan-tabanlı modelleme Boudali ve Ouada (2017) Çok-kriterli optimizasyon Chou vd. (2008) Ajan-tabanlı modelleme Di Napoli vd. (2014) Ajan-tabanlı modelleme Di Nocera vd. (2014) Ajan-tabanlı modelleme Diaconu vd. (2013) Uygulama geliştirme Farag vd. (2017) Algoritma geliştirme Jin vd. (2012) Algoritma geliştirme Jioudi vd. (2019) Ajan-tabanlı modelleme Mainetti vd. (2015) Uygulama geliştirme Mejri vd. (2016) Tavlama benzetimi algoritması Mouskos vd. (2000) Tamsayılı programlama Najmi vd. (2021) Ajan-tabanlı modelleme Ni ve Sun (2017) Ajan-tabanlı modelleme Noor vd. (2017) Teklif verme (bidding) algoritması P. Zhao, Guan ve Wang (2020) Ajan-tabanlı modelleme P. Zhao, Guan, Wang ve Yan (2020) Tamsayılı programlama Rehena vd. (2018) Çok-kriterli karar verme Rizvi vd. (2018) AHP + Ajan-tabanlı modelleme Shao vd. (2016) Tamsayılı programlama Shin ve Jun (2014) Algoritma geliştirme Taherkhani vd. (2016) Algoritma geliştirme Tasseron ve Martens (2017) Ajan-tabanlı modelleme W. Zhang, Gao, Sun, Yu, Tang ve Liu (2020) Parçacık sürü algoritması Wu vd. (2014) Algoritma geliştirme X. Zhao, Zhao ve Hai (2014) Algoritma geliştirme Y. Geng ve Cassandras (2011a) Tamsayılı programlama Y. Geng ve Cassandras (2011b) Tamsayılı programlama Y. Geng ve Cassandras (2012) Tamsayılı programlama Yang vd. (2017) Tamsayılı programlama Z. Mei, Feng, Ding, Zhang ve Wang (2019) Ajan-tabanlı modelleme Z. Mei, Feng, Kong, Zhang ve Chen (2020) Ajan-tabanlı modelleme Z. Mei, Zhang, Zhang ve Wang (2020) Ajan-tabanlı modelleme Zajam ve Dholay (2018) Algoritma geliştirme Shao vd. (2016) tarafından yapılan çalışmada ise literatürde yer alan diğer çalışmalardan farklı olarak paylaşımlı park yeri kavramı ele alınmış ve özel park yerlerinin kiraya verilerek halka açık hale getirilmesi sağlanmıştır. Burada hem bireylere ek gelir olması hem de park yerlerinin arttırılması motivasyonu söz konusudur ve park alanlarının kullanımını maksimize etmek amacıyla 0-1 tamsayılı programlama modeli geliştirilmiştir. Yang vd. (2017) ise Shao vd. (2016) tarafından sunulan modeli 19 geliştirerek farklı zaman penceresi bilgileri altında çoklu-otoparklar için park yeri atama modeli önermişlerdir. P. Zhao, Guan ve Wang (2020) geliştirdikleri akıllı park yönetim sistemi ile hem kullanıcıların hem de paylaşımlı park sahiplerinin park davranışlarındaki belirsizlikleri zamansal ve mekansal boyutta simüle etmişlerdir. Böylelikle stokastik talep yapısı dikkate alınarak paylaşımlı parkların ve ön ödemeli park yerlerinin optimum atamaları yapılmaktadır. Benzer bir çalışmada, P. Zhao, Guan, Wang ve Yan (2020) paylaşımlı park yerlerinin atamasını gerçekleştirmek amacıyla hizmet verilen araç sayısını maksimize eden bir tamsayılı programlama modeli formüle etmişlerdir ve problemin çözümü için dal ve kesme algoritması kullanmışlardır. W. Zhang, Gao, Sun, Yu, Tang ve Liu (2020) ise paylaşımlı parkların kullanımını maksimize etmek ve park yerleri ile varış noktaları arasındaki yürüme mesafesini minimize etmek amacıyla paylaşımlı park yerlerinin ataması için çok-amaçlı bir matematiksel programlama modeli önermişlerdir. Problemin çözümü için parçacık-sürü algoritmasını kullanmışlardır. Literatürde yer alan çalışmalarla kıyaslandığında, bu tez çalışmasının öne çıkan unsurları, (i) park tahmini ve önerisinin bütünleşik yapı altında entegre edilmesi, (ii) rezervasyonlu ve rezervasyonsuz araçlar ile rassal arama yapan araçların birlikte ele alınması, (iii) mikro ölçekte fayda fonksiyonu parametrelerine verilen ağırlıklar cinsinden farklı kullanıcı davranışlarının ele alınması ve (iv) makro ölçekte ise sistemi oluşturan farklı aktörler (araçlar ve otoparklar) için farklı bakış açılarını yansıtacak şekilde yürüme mesafesi eşik değeri, ücret eşik değeri ve sistemi kullanan araç oranının farklı değerleri için farklı senaryoların dikkate alınması ile birlikte elde edilen sonuçların analiz edilmesidir. Önerilen çözüm yaklaşımının jenerik uygulama imkanının sunulması amacıyla bir kullanıcı arayüzü prototipi geliştirilmiştir. Böylelikle, özellikle büyük şehirlerdeki trafik yoğunluğunun önemli kısmını oluşturan park probleminin çözümü için sistematik bir yapı sunulduğu söylenebilir. Geliştirilen sistem, yerel ve merkezi yönetimlerin ulaşım planlamasında karar destek aracı olarak kullanılabilir. Böylelikle, uygun park yeri bulmak için yapılan yolculuklar azaltılarak hem yakıt tüketiminde hem de trafikte harcanan sürelerde azalışlar beklenmektedir. Yakıt tüketimindeki düşüşle birlikte karbon salınımı ve çevre kirliliğinin azaltılması sağlanacaktır. Bunlara ek olarak, insan ve toplum sağlığı için de önemli katkıları olacağı düşünülmektedir. 20 3. MATERYAL ve YÖNTEM Bu bölümde iki alt başlıkta sırasıyla materyal ve yönteme ilişkin detaylar sunulmaktadır. Materyal bölümü ise kendi içinde zaman serisi tahmini ve ajan-tabanlı modelleme ile ilgili alt bölümleri içermektedir. 3.1. Materyal Tez kapsamında geliştirilen park yönetim sistemi, otoparkların uygunluğunun tahminin yapıldığı tahmin modülü ve her bir araç için park önerilerinin sunulduğu ajan-tabanlı öneri modülü olmak üzere iki ana modülden oluşmaktadır. Tahmin modülü kapsamında, ele alınan bölgede bulunan aday otoparkların geçmiş doluluk oranları dikkate alınarak gelecek doluluk oranları tahmin edilmektedir. Burada, park yerlerinin sadece geçmiş doluluk oranları değil, bu oranları etkileyen gün tipi ve saat dilimi olmak üzere dışsal değişkenler de dikkate alınmaktadır. Burada, literatürde yer alan üç farklı tahmin yöntemi kullanılmaktadır ve (3.1.1) numaralı bölümde çalışma kapsamında ele alınan zaman serisi tahmin yöntemlerine ilişkin teorik bilgi sunulmaktadır. Öneri modülü kapsamında ise park yönetim sistemi bir ajan-tabanlı sistem olarak modellenmiştir. (3.1.2) numaralı bölümde de ajan-tabanlı modelleme yaklaşımları ile ilgili genel bilgiler yer almaktadır. 3.1.1. Zaman serisi tahmini Park yönetimi dar bir çerçeveden bakıldığında, araçların uygun park yerlerine bırakılması problemi gibi görülmektedir. Bununla birlikte, aslında park problemi; aracın kalkış noktasından hareket ederek varış noktasına olan yolculuğunu, varış noktası etrafında park yeri arama sürecini, aracın uygun bir park yerine bırakılmasını, park yerinden varış noktasına yürüme sürecini ve belli bir sürenin ardından park yerine geri dönerek aracın geri alınmasını içeren bütüncül ve karmaşık bir süreçtir. Özellikle varış noktasının etrafında park yeri arama süreci ciddi bir zaman kaybına ve yakıt tüketimine neden olmaktadır. Park problemi, birey özelinde zaman kaybına ve yakıt tüketimine neden olan bir problem olmakla birlikte, daha geniş bir perspektiften bakıldığında toplumsal açıdan ciddi trafik yoğunluğuna ve çevre açısından önemli miktarda hava kirliliği artışına neden olmaktadır. Bu nedenle, tez kapsamında ele alındığı şekliyle, aracın kalkış noktasından 21 itibaren aday park yerlerinin gelecekteki durumlarının dikkate alınmasıyla araçların park yerlerine yönlendirilmesi kritik önem taşımaktadır. Bir diğer ifadeyle, tahmin-tabanlı park önerilerinin sunulması ve park sürecinin bütünleşik bir çerçeve altında ele alınması park probleminin çözümünde önem arz etmektedir ve bu tez çalışmasının da özgün yanlarından birini oluşturmaktadır. Günümüzde, bilgi ve iletişim teknolojilerinin gelişmesiyle birlikte gerçek veriye ulaşmak da olukça kolaylaşmıştır. Ancak gerçek veriye ulaşabilme noktasındaki önemli gelişmelere rağmen tahminin önemi ortadan kalkmış değildir. Güçlü bir tahmin modelinin varlığının, park yeri aramak için geçen süreyi büyük ölçüde azaltacağı öngörülmektedir. Örneğin, Şekil 3.1’de görüldüğü gibi bir aracın A lokasyonundan B lokasyonuna gideceğini ve buradaki aday park yerlerinin X ve Y lokasyonları olduğunu varsayalım. t anında henüz A lokasyonundayken B lokasyonunun yakınındaki X ve Y park yerlerinin (t + n) anındaki uygunluklarının tahmin edildiği varsayılsın. Bu park yerleri için aracın B lokasyonuna ulaşacağı (t + n) anındaki doluluk tahmini bilgisine sahip olunması önemli bir tasarruf sağlayabilecektir. Aracın B lokasyonuna vardığında ve o bölgede gerçek zamanlı veriye sahip olduğunda kararını oluşturması veya değiştirmesi yerine, güçlü bir tahmin modelinden alacağı öneriler sayesinde yapacağı seyahat süresinin azaltılması ve doğrudan uygun park yerine yönlendirilmesi sağlanacaktır. Böyle bir tahmin modülünün olmaması, (t + n) anında B lokasyonuna ulaşıldığında, B lokasyonu ile aday otoparklar arasında seyahat edilmesine neden olacaktır. Burada, aracın park edeceği yer değişmese de park yeri bulmak için harcadığı zaman değişebilecektir. Bir diğer ifadeyle, aracın her iki durumda da X aday park yerine park edeceğini varsayarsak, güçlü bir tahmin modeli sayesinde A lokasyonundan doğrudan X park yerine yönelerek genel anlamda trafik yoğunluğunun azalmasına katkı sağlayacak ve kendi açısından da önemli bir enerji-maliyet-zaman kazanımı sağlamış olacaktır. Şekil 3.1. Park tahmininin önemini gösteren örnek park etme problemi 22 Çalışmanın ilk aşamasında, çeşitli tahmin modelleri aracılığıyla, aday otoparkların uygunluğu tahmin edilmektedir. Bir diğer ifadeyle, belirli bir zamanda belirli bir lokasyondaki otoparkın uygunluğu (doluluğu) tahmin edilmektedir. Elde edilen bu değerler her bir araç için otopark önerilerinin yapıldığı aşamada girdi olarak ele alınmaktadır. Her bir otopark için literatürde yer alan farklı yöntemler ile otoparkların uygun kapasiteleri tahmin edilmekte ardından söz konusu yöntemlerin performansları kıyaslanarak performans parametrelerince en iyi sonucu veren yöntemin tahmin sonucu, bir sonraki aşamada dikkate alınmaktadır. Çalışma kapsamında ele alınan yöntemler (i) ARIMA, (ii) SARIMA ve (iii) YSA olup öncelikle, bir defaya mahsus olmak üzere, ele alınan yöntemlerin her birinin farklı model yapıları ile tahminler yapılmış ve her bir yöntem için en iyi model tasarımı bulunmuştur. Bütünleşik park yönetim sistemi içerisinde ise söz konusu yöntemlerin en iyi tasarımları kullanılarak her bir otopark için uygun kapasite tahmini yapılmakta ve elde edilen sonuçlar ortalama karesel hatalar cinsinden değerlendirilmektedir. En iyi performansa ait yöntem ile hesaplanan uygun kapasite değerleri, ajan-tabanlı park öneri sisteminin girdisi olarak ele alınmaktadır. Tahmin aşamasında kullanılan yöntemlerden ilki, Dışsal Değişkenli Otoregresif Entegre Hareketli Ortalama (Autoregressive Integrated Moving Average with Exogenous Variable – ARIMAX) yöntemidir. ARIMA yöntemi, Box ve Jenkins (1976) tarafından sunulmuştur ve geçmiş verilere bağlı olarak tahmin yapılan Otoregresif (Autoregressive – AR) Model ile geçmiş tahminlerin hata değerlerine göre tahmin yapılan Hareketli Ortalama (Moving Average – MA) Model’inin entegrasyonudur. Buradaki entegrasyon (Integrated – I); geçmiş değerlerin, kendi değerleri ile kendinden önceki değerler arasındaki farkla yer değiştirildiğini ifade etmektedir. Fark alma işlemi, zaman serisine bağlı değişiklikleri, dolayısıyla trendi ve mevsimselliği ortadan kaldırmaktadır. Birinci dereceden fark alma işlemi 𝑦′𝑡 = 𝑦𝑡 − 𝑦𝑡−1 şeklinde ve ikinci mertebeden fark alma işlemi ise 𝑦′′𝑡 = 𝑦𝑡 − 2𝑦𝑡−1 + 𝑦𝑡−2 şeklinde yazılabilir. ARIMA modelinin gösterimi 𝐴𝑅𝐼𝑀𝐴(𝑝, 𝑑, 𝑞) şeklindedir. Burada 𝑝, 𝑑 ve 𝑞 sırasıyla AR modelinin, fark alma işleminin ve MA modelinin derecelerini ifade etmektedir. Çalışma kapsamında kullanılan ARIMA yönteminde ise geçmiş verilere göre ele alınan parametrelere ilave olarak bu verileri etkileyen dışsal değişkenler (X) de dikkate alınmaktadır. (3.1) numaralı denklem ile çalışma kapsamında ele alınan ARIMA modelinin genel gösterimi verilmiştir. Burada, 23 𝑐 sabit katsayıyı, 𝜑1, 𝜑2, … , 𝜑𝑝 AR modelinin parametrelerini, 𝜃1, 𝜃2, … , 𝜃𝑞 MA modelinin parametrelerini, 𝑦′𝑡 mevsimsellikten arındırılmış zaman serisinin mevcut değerini, 𝑦′ ′ ′𝑡−1, 𝑦𝑡−2, … , 𝑦𝑡−𝑝 ise geçmiş dönemlerdeki (𝑡 − 1, 𝑡 − 2, … , 𝑡 − 𝑝) değerlerini, 𝜀𝑡, 𝜀𝑡−1, … , 𝜀𝑡−𝑞 rassal hata değerlerini, 𝛽1 ve 𝛽2 regresyon katsayılarını ve 𝑥1𝑡 ile 𝑥2𝑡 gün tipi ve saat dilimine karşılık gelen dışsal değişkenleri ifade etmektedir. 𝑦′𝑡 = 𝑐 + 𝛽1𝑥1𝑡 + 𝛽2𝑥2𝑡 +𝜑 𝑦′1 𝑡−1 + ⋯ + 𝜑 𝑦 ′ 𝑝 𝑡−𝑝 + 𝜃1𝜀𝑡−1 + ⋯ + 𝜃𝑞𝜀𝑡−𝑞 + 𝜀𝑡 (3.1) 𝐵 geri öteleme (backshift) operatörü olmak üzere, 𝐵𝑦𝑡 = 𝑦𝑡−1 olarak ifade edilmekte ve bu operatör ile veriler bir dönem geriye kaydırılabilmektedir. Böylelikle, 𝑑. dereceden fark alma işlemi (1 − 𝐵)𝑑𝑦𝑡 şeklinde yazılmaktadır. Çalışmada ele alınan ARIMA modelinin genel gösterimi, Denklem (3.2) ile 𝐵 geri öteleme notasyonunda verilmiştir. (1 − 𝜑1𝐵 − ⋯ − 𝜑 𝑝 𝑑 𝑝𝐵 )(1 − 𝐵) 𝑦𝑡 𝑞 (3.2) = 𝑐 + 𝛽1𝑥1𝑡 + 𝛽2𝑥2𝑡 + (1 + 𝜃1𝐵 + ⋯ + 𝜃𝑞𝐵 )𝜀𝑡 Çalışma kapsamında ele alınan bir diğer tahmin yöntemi olan, SARIMA modelleri ise ARIMA modellerinde mevsimselliğin (seasonality – S) dikkate alınmasıyla ortaya çıkan model yapısıdır. SARIMA modelinin gösterimi 𝑆𝐴𝑅𝐼𝑀𝐴(𝑝, 𝑑, 𝑞)(𝑃𝑠, 𝐷𝑠, 𝑄𝑠)𝑠 şeklindedir. Burada 𝑝, 𝑑 ve 𝑞 sırasıyla AR modelinin, fark alma işleminin ve MA modelinin derecelerini ifade etmektedir. Küçük harfle yazılan parametreler mevsimsel olmayan, büyük harfle yazılan parametreler ise mevsimsel parametrelerdir. 𝑠 ile periyot ifade edilmektedir. Çalışma kapsamında da tahmin edilen değer, zaman serisinin yanı sıra dışsal değişkenlere bağlı olarak tahmin edildiğinden Dışsal Değişkenli Mevsimsel Otoregresif Entegre Hareketli Ortalama (Seasonal Autoregressive Integrated Moving Average with Exogenous Variable – SARIMAX) modeli kullanılmaktadır. Çalışmada ele alınan SARIMA modelinin genel gösterimi, Denklem (3.3) ile verilmiştir. (1 − 𝜑 𝐵 − ⋯ − 𝜑 𝐵𝑝)(1 − Φ 𝐵𝑠 − ⋯ − Φ 𝐵𝑃𝑠)(1 − 𝐵)𝑑(1 − 𝐵𝑠)𝐷1 𝑝 1 𝑃 𝑦𝑡 = 𝑐 + 𝛽1𝑥1𝑡 + 𝛽2𝑥2𝑡 (3.3) +(1 + 𝜃1𝐵 + ⋯ + 𝜃 𝐵 𝑞 𝑞 ) + (1 + Θ 𝐵 𝑠 1 + ⋯ + Θ 𝐵 𝑄𝑠 𝑄 )𝜀𝑡 24 Literatürde etkin bir tahmin aracı olarak bilinen ve hem kategorik verilerle hem de zaman serisi verileriyle çalışabilen YSA, tez çalışması kapsamında bir diğer tahmin aracı olarak ele alınmaktadır. Yapay sinir ağları, insan sinir sisteminin çalışma mekanizmasından esinlenilerek geliştirilen ve tahmin, sınıflandırma, fonksiyon kestirimi, özellik belirleme gibi problemlerin çözümünde kullanılan bir modelleme tekniğidir. Bu çalışmada, ağın birkaç katmanını çevreleyen geri besleme bağlantıları nedeniyle tekrarlayan dinamik bir ağ olan dışsal girdili doğrusal olmayan otoregresif ağ (nonlinear autoregressive network with exogenous inputs – NARX) yapısı kullanılmaktadır. NARX yapısı, geçmiş girdi ve çıktı değerlerinden oluşan bir zaman penceresini girdi olarak alan ve mevcut çıktıyı hesaplayan çok-katmanlı bir perceptron yapısından oluşmaktadır (T. Lin, Horne, Tino ve Giles, 1996; Siegelmann vd., 1997). Denklem (3.4)'te, 𝑦𝑡 ve 𝑥𝑡 sırasıyla bağımlı çıktı ve bağımsız (dışsal) girdi değerlerinin zaman serisi verileri olmak üzere NARX modelinin genel formu verilmiştir. Burada 𝑓 doğrusal olmayan bir fonksiyon olmak üzere, 𝑦𝑡 ve 𝑥𝑡 ile sırasıyla çıktı ve dışsal değişken değerleri gösterilmekte; 𝑑𝑦 ≥ 1, 𝑑𝑥 ≥ 1 ve 𝑑𝑥 ≤ 𝑑𝑦 olmak üzere 𝑑𝑦 ve 𝑑𝑥 ise gecikme (delay) derecelerini ifade etmektedir. 𝑗. gizli katmanının girdisi 𝑦𝑡−1, 𝑦𝑡−2, … , 𝑦𝑡−𝑑 , 𝑥𝑡−1, 𝑥𝑡−2, … , 𝑥𝑡−𝑑 olmak üzere çıktısı (𝑧 ) 𝑦 𝑥 𝑗 Denklem (3.5)’te verilen ifade ile hesaplanmaktadır. Burada, 𝑓1 genellikle doğrusal olmayan bir aktivasyon fonksiyonu, 𝑤𝑗𝑖 parametresi 𝑖. girdi nöronu ile 𝑗. gizli nöron arasındaki ağırlık değeri ve 𝑏𝑗 ise 𝑗. gizli nöronun sabit sapma (bias) değeridir. Nihai çıktı (𝑦𝑡) Denklem (3.6)’da verilen ifade ile hesaplanmakta ve burada 𝑓2 genellikle doğrusal bir aktivasyon fonksiyonu, 𝑛ℎ gizli nöron sayısı, 𝑤𝑜𝑗 parametresi 𝑗. gizli nöron ile 𝑜. çıktı nöronu arasındaki ağırlık değeri ve 𝑏𝑜 ise 𝑜. gizli nöronun sabit sapma (bias) değeridir. Çıktı değeri ağ üzerinde ileriye doğru ilerlenerek hesaplanmaktadır. Hata değeri hesaplandıktan sonra ağ üzerinden geriye doğru lokal gradyanlar hesaplanmakta ve ağırlık değerleri için düzeltmeler yapılmaktadır. Levenberg-Marquardt yöntemi literatürde sıklıkla kullanılan bir eğitim algoritması olup bu yönteme göre Denklem (3.7)’de verilen ifade ile ağırlık değerleri ∆𝐰 kadar güncellenmektedir. Burada 𝐠 gradyan vektörü, 𝐇 Hessian matrisi, 𝐈 birim matrisidir ve 𝜆 düzenleyici parametredir. 𝑦𝑡 = 𝑓(𝑦𝑡−1, 𝑦𝑡−2, … , 𝑦𝑡−𝑑 , 𝑥𝑦 𝑡−1, 𝑥𝑡−2, … , 𝑥𝑡−𝑑 ) 𝑥 (3.4) 25 𝑑𝑦 𝑑𝑥 𝑧𝑗(𝑡−1) = 𝑓1 (∑ 𝑤𝑗𝑖𝑦𝑡−𝑖 + ∑ 𝑤𝑗𝑖𝑥𝑡−𝑖 + 𝑏𝑗) (3.5) 𝑖=1 𝑖=1 𝑛ℎ 𝑦𝑡 = 𝑓2 (∑ 𝑤𝑜𝑗𝑧𝑗(𝑡−1) + 𝑏𝑜) (3.6) 𝑗=1 ∆𝐰 = [𝐇 + 𝜆𝐈]−1𝐠 (3.7) Şekil 3.2’de görüldüğü gibi kapalı döngü YSA yapısı ile zaman serisi tahmini yapılmaktadır. Burada öncelikle bir açık döngü YSA oluşturulmaktadır. Açık döngü YSA’lar hem girdi parametrelerine ait hem de çıktılara (gerçek değerlere) ait zaman serileri ile eğitilmektedirler. Başka bir deyişle, gecikmeli gerçek değerler yeni bir girdi gibi ele alınmaktadır. Dolayısıyla, girdi ve hedef değerler ile aynı zaman periyoduna ait çıktılar üretilebilmektedir. Açık döngü YSA’nın eğitilmesinin ardından bu ağ kapalı döngü ağa dönüştürülmektedir ve çalışmanın sonraki aşaması olan öneri modülünde kullanılabilecek şekilde gelecek dönem için tahmin yapılabilen uygun yapıya dönüştürülmektedir. Kapalı döngü YSA’lar ise girdi parametrelerinin zaman serileri üzerinden tahmin yapmaktadırlar. Burada tahmin edilen çıktılara ait zaman serisi de ağın girdisi olarak ağı beslemektedir. Bir başka deyişle, açık döngü yapı ile karşılaştırıldığında gecikmeli hedef değeri gecikmeli çıktı ile yer değiştirmektedir. Bu nedenle, bu yapı aracılığıyla girdi ile aynı zaman periyoduna ait dönem için çıktı üretilebilmektedir. Bu yapının çok-adımlı tahmin için daha uygun olduğu söylenebilir (Boussaada vd., 2018; Xie vd., 2009). Şekil 3.2’de görüldüğü gibi girdi katmanında gün tipi (𝑥1) ve zaman dilimi (𝑥2) olmak üzere iki tür dışsal girdi ele alınmaktadır. Çıktı katmanında hem geçmiş zaman serisi değerleri hem de dışsal değişkenlerin değeri ile tahmin edilecek park doluluk oranını temsil eden tek bir nöron bulunmaktadır. Şekildeki örnek ağ gösteriminde bir gizli katman ve bu katmanda on gizli nöron bulunmaktadır. Çalışma kapsamında farklı ağ topolojileri dikkate alınarak bu yapıların performansı analiz edilmiştir. 26 Şekil 3.2. Örnek YSA yapısı gösterimi 3.1.2. Ajan-tabanlı modelleme Ajan-tabanlı modelleme ile ajan olarak adlandırılan özerk karar verici birimlerin bir koleksiyonu olarak sistem aşağıdan yukarıya doğru modellenmektedir. Her ajan mevcut durumu ayrı ayrı değerlendirerek birtakım kurallara göre karar vermekte ve durumun sistem üzerindeki etkisi bir bütün olarak ele alınmaktadır. Bir diğer ifadeyle, ajan-tabanlı simülasyon, önceden tanımlanmış bir dizi basit mikro kurala sahip bir birey veya ajan popülasyonu kullanarak karmaşık sistemlerin en temel öğeleriyle temsil edilmesine olanak tanımaktadır. Modelin farklı simülasyonları ile bu ajanlar arasındaki etkileşim, sistemin ortaya çıkan davranışına veya makro etkilerine yol açmaktadır (Vargas-Perez vd., 2023). Ajan-tabanlı simülasyondaki bir ajan, kendi özellikleri ve davranışları olan bir özerk varlıktır. Ajan-tabanlı bir model geliştirilirken her bir ajan türü için ajanın davranışları, özellikleri ve diğer ajanlarla ve çevreyle etkileşim biçimi ayrıntılarıyla ele alınmaktadır. Ajan-tabanlı simülasyonun gücü, makro dinamik bilgisi gerektirmemesidir. Bunun yerine, mikro davranış kuralları kodlanmakta ve ardından ortaya çıkan makro düzeydeki sonuçlar ölçülmektedir (Rand ve Rust, 2011). Ajan-tabanlı modelleme yaklaşımının tarihçesi incelendiğinde, bu tekniğin 1990’lı yıllarda popülerlik kazanmaya başladığı ve klasik simülasyon yaklaşımlarından ayrıldığı söylenebilir. Ajan-tabanlı modellemenin popülerliğinin ve diğer simülasyon paradigmalarından ayrılmasının birincil nedeni ise bu tekniğin karmaşık sistemleri simüle edebilmesi ve incelemeye yardımcı olabilmesidir. Bu da ajan-tabanlı modellerin birçok alt sistem etkileşiminden oluşan büyük sistemleri temsil edebileceği anlamına gelmektedir. Bu sistemler tipik olarak öngörülemez, merkezi olmayan ve neredeyse ayrıştırılabilir olarak nitelendirilir. (Heath vd., 2009) Ajan-tabanlı modelleme, insanın 27 sosyal, davranışsal, kültürel, fiziksel ve biyolojik sistemlerini kapsayan birçok alana uygulanmaktadır (Macal ve North, 2014). Tipik bir ajan-tabanlı simülasyon, üç ana öğe içermektedir (Shaikh ve Yayilgan, 2023): • Muhtemel heterojen bir davranışsal spesifikasyonu kapsayan ajanlar, • Ajanlara algılarını ve eylemlerini sağlayan bir ortam, • Her ajanın davranışını ve diğer ajanlarla ve çevreyle olan yerel etkileşimlerini yöneten kurallar. Ajan-tabanlı model, ajanların kararlarını yeniden verdiği simülasyon zamanı boyunca adım adım çalıştırılmaktadır. Hem ajan-ajan hem de ajan-çevre etkileşimleri kullanılarak ilerlenmektedir. Ajanlar, etraflarındaki durum değiştikçe kararlarını değiştirerek zaman içinde uyum sağlamaktadırlar. Aynı ajan farklı durumlarda farklı kararlar alabildiğinden ve aynı durumdaki farklı ajanlar farklı kararlar alabildiğinden, heterojenlik de barındırmaktadırlar. Bu nedenle ajan-tabanlı simülasyon, modellenen karmaşık sistem ile model arasında potansiyel olarak daha fazla aslına uygunluk sağlamaktadır. Buna karşılık bu uygunluk, model davranışından gerçek dünyadaki sistem davranışının tahminini desteklemektedir. Bu durum da modelden elde edilen kavramların, sistemi anlamak ve politika seçeneklerini karşılaştırmak için kullanılmasına olanak tanımaktadır (Badham vd., 2018). Ajan-tabanlı modelleme, bir teknolojiden çok bir zihniyettir. Bu zihniyet, bir sistemi onu oluşturan birimlerin perspektifinden tanımlamaya dayanmaktadır. Ajan- tabanlı simülasyonun diğer tekniklere göre avantajları şu şekilde özetlenebilir: (i) ortaya çıkan olayları yakalar; (ii) bir sistemin doğal bir tanımını sağlar ve (iii) esnektir. Bununla birlikte, ajan-tabanlı simülasyonun ortaya çıkan olaylarla başa çıkma yeteneğinin diğer faydaları yönlendirdiği açıktır (Bonabeau, 2002). Ajan-tabanlı modeller esnek bir yapıdadır ve esneklik birden çok boyutta gözlemlenebilir. Örneğin, ajan-tabanlı bir modele daha fazla ajan eklemek oldukça kolaydır. Ajan-tabanlı modelleme ayrıca ajanların karmaşıklığını ayarlamak için davranış, rasyonellik derecesi, öğrenme ve gelişme yeteneği ve etkileşim kuralları gibi konularda doğal bir çerçeve sağlamaktadır. Ajan-tabanlı simülasyonun uygulama alanları şu şekilde özetlenebilir (Bonabeau, 2002): 28 • Akışlar: Tahliye, trafik ve müşteri akış yönetimi • Piyasalar: Borsa, alışveriş robotları ile yazılım ajanları ve stratejik simülasyon • Organizasyonlar: Operasyonel risk ve tasarım • Yayılma: İnovasyonun yayılması ve benimseme dinamikleri Ajan-tabanlı model geliştirirken genel hatlarıyla aşağıdaki adımlar izlenmektedir (North ve Macal, 2007; Turgut ve Bozdag, 2023): • Modellenen sistem hakkında ampirik kanıtlara dayanan teoriler aranmaktadır. • Bu teorileri kullanarak kavramsal bir model oluşturulmaktadır. Bu adım aşağıdaki alt adımlardan oluşmaktadır: o Ajanların sınıflandırılması: Sistemdeki ajanlar, gerçek sistem veya literatürden alınan veriler kullanılarak sınıflandırılır. o Ajanlar arasındaki ve ajanlarla çevre arasındaki etkileşimlerin tanımlanması: Çevresel unsurların ve ajan etkileşimlerinin gerektiğinde yerinde olduğundan emin olunmalıdır. Diğer ajanlar ve çevre ile etkileşimler, bir ajanın davranışını şekillendirebilmektedir. o Ajan davranışlarının tanımlanması: Gerçek dünyadaki ajanları gözlemleyerek veya literatürdeki teori ve hipotezleri inceleyerek ajanların davranışı ile ilgili çıkarım yapılmalıdır. o Ajan mimarisinin tanımlanması: Kara kutu olarak ele alınan genel davranış tanımına dayalı olarak ajan mimarisine karar verilmelidir. • Ajan-tabanlı simülasyon modeli, kavramsal ajan-tabanlı model girdileri kullanılarak oluşturulmaktadır. Bu adım, ajanların davranışlarının formüle edilmesini içermektedir. Bir ajanın davranışını ve etkileşimlerini simüle etmek için adım adım bir protokol izlenmektedir. • Kavramsal model, bir programlama dili veya belirli bir simülasyon yazılımı kullanılarak bilgisayar ortamında uygulanmaktadır. Bu adım, bilgisayar modelinin kavramsal modelle tutarlı olmasını sağlayan bir doğrulama prosedürünü içermektedir. • Ajan-tabanlı modelin parametreleri, ampirik veriler kullanılarak kalibre edilmektedir. Kalibrasyon adımının ardından ampirik verilere dayalı bir 29 doğrulama prosedürü kullanılmaktadır. Mikro düzeydeki verilerin yetersizliği nedeniyle literatürde yaygın olarak makro düzeyde doğrulama kullanılmaktadır. Buna ek olarak, üretilen modelleri doğrulamak için doğrulanmış simülasyon modelleri kullanılmaktadır. Ajan-tabanlı simülasyonun aşağıdaki gibi birtakım zorlukları vardır (Turgut ve Bozdag, 2023): • Tasarım: Ajan-tabanlı simülasyonda karşılaşılan ilk zorluk, modeli tasarlamaktır. Bu, süreçlerin kurallar olarak formüle edilmesini ve temsil edilecek süreçlerin belirlenmesinin yanı sıra, modelin amaçlarına uygun ayrıntı düzeyinin tanımlanmasını içermektedir. Gerçek hayat davranışını bir dizi kural olarak tanımlamak, ajan-tabanlı model geliştirmenin karşılaştığı en zorlu görevdir. Model tasarımının zor kısmı, temel bir teorik soruyu özetlemek için yeterince basit ve düzenli olan, buna karşın ilgilenilen davranışı veren kuralların araştırılmasıdır. Simülasyon modelleri gerçekliğin basitleştirilmiş bir temsilidir. Bu nedenle, tüm önemli ayrıntıları içermezler, yalnızca en önemli yönleri içerirler. Bu bakımdan model temel bir teorik soruyu özetleyecek kadar basit olmalı ve modelde kurallar doğru bir şekilde tanımlanmalıdır. • Uygulama: Ajan-tabanlı simülasyonda, bilgisayar modellerini geliştirme esnasında da zorluklarla karşılaşılabilmektedir. Bu zorluklar donanımdan veya yazılımdan kaynaklanabilmektedir. Yazılım tarafında, model bir programlama dili kullanılarak veya mevcut simülasyon programları kullanılarak oluşturulabilmektedir. Donanım tarafında, üretilen model daha karmaşık olabilir ve yüksek derecede hesaplama karmaşıklığına sahip olabilmektedir. • Paylaşım: Ajan-tabanlı simülasyona yöneltilen en yaygın eleştiri, modellerin bir defaya mahsus olarak geliştirilmeleridir. Öte yandan, araştırmacılar ajan-tabanlı simülasyonun paylaşılarak yaygınlaştırılması ve başka çalışmalarda yeniden kullanılması gerektiğini öne sürmektedirler. 30 3.2. Yöntem Bu tez çalışması kapsamında, akıllı şehirler için bütünleşik bir park yönetim sistemi önerilmekte olup birbirinden bağımsız iki ayrı kurgu tasarlanmıştır. Kurgu – 1 olarak sunulan yapı kesikli-olay simülasyonu olarak kurgulanarak sisteme daha yukarıdan bakmaktadır. Burada, olay-tabanlı bir yapı ile park süreci simüle edilmektedir ve ilerleyen sayfalarda detayları verildiği üzere bu kurguda araç ve otopark olmak üzere iki tip ajan yer almaktadır. Tahmin ve ajan-tabanlı park öneri modüllerine ek olarak, senaryo oluşturma, analiz yapma ve fayda fonksiyonu parametrelerini hesaplama gibi birtakım yardımcı işlemleri gerçekleştiren modüller de yer almaktadır. Kurgu – 2 olarak adlandırılan yapı ise dinamik trafik koşullarının da dikkate alındığı ve sürekli-zaman simülasyonu olarak geliştirilen sistemdir. Burada, yol ağı üzerinde araçların konumları ve trafik durumu da dikkate alındığından Kurgu – 1’e kıyasla sistem daha derinden ele alınmaktadır. Kurgu – 1’deki araç ve otopark ajanlarına ek olarak burada yol ağı ajanı da sisteme dahil edilmiştir. Araçların bu ağ üzerinde izledikleri rota Dijkstra algoritması kullanılarak optimize edilmekte ve araçların bu rota üzerindeki konumları takip edilerek park kararları dinamik koşullar dikkate alınarak güncellenebilmektedir. Kurgu – 1’de yer alan modüllere ek olarak bu yapıda rotalama modülü de geliştirilmiştir. Her iki kurguda da rezervasyonlu ve rezervasyonsuz araç olmak üzere farklı özellikte araçlar dikkate alınmaktadır. Tez kapsamında önerilen yapının önemini vurgulamak amacıyla, önerilen park yönetim sistemini kullanan rezervasyonlu ve rezervasyonsuz araçlara ek olarak sistemi kullanmayan ve rassal arama yapan araçlar da dikkate alınmaktadır. İlerleyen sayfalarda geliştirilen her iki kurgunun da bileşenleri ve uygulama adımları sunulmaktadır. Şekil 3.3’te görüldüğü gibi çalışma kapsamında geliştirilen ilk kurgu, park yeri uygunluğu tahmini ve park önerisi olmak üzere iki ana modülden oluşmaktadır. Park önerisi modülü araç ve otopark ajanları olmak üzere iki tip ajan içermektedir. Bu modülün alt modüllerini ise rezervasyonlu araçlar için park önerisinin yapıldığı rezervasyon modülü, rezervasyonsuz araçlar için park önerisinin yapıldığı öneri modülü ve sistemi kullanmayarak park arayan diğer araçlar için geliştirilen rassal arama modülü oluşturmaktadır. Bu modüllere ek olarak, öneri için gerekli diğer parametrelerin 31 hesaplandığı yardımcı modüller de yer almaktadır. Bu kurgu, ikinci kurguya kıyasla sisteme daha yukarıdan bakan bir yapıya sahiptir ve olay-tabanlı simülasyon yapılmaktadır. Bu kurgunun büyük boyutlu gerçek hayat veri seti ile çalışabilecek bir park yönetim sistemi aplikasyonunun temelini oluşturacağı ön görülmektedir. Şekil 3.3. Sistem bileşenleri: Kurgu – 1 Şekil 3.4’te bileşenleri verilen ve Kurgu – 2 olarak adlandırılan yapı ise Kurgu – 1’in aksine sistemi mikro ölçekte dikkate almaktadır. Yol ağı üzerindeki dinamik trafik koşullarının dikkate alınması ile birlikte araçların kalkış noktaları ile önerilen otopark arasındaki rotalama kararlarının da dinamik olarak verildiği ve değişen trafik koşullarına göre bu rotanın güncellenebildiği bir yapı kurgulanmıştır. Dolayısıyla dinamik trafik koşulları doğrultusunda park önerileri sunulmaktadır ve önceki kurgudaki olay-tabanlı yapının aksine sürekli-zaman simülasyonu yapılmaktadır. Kurgu – 1’de yer alan araç ve otopark ajanlarına ek olarak, Kurgu – 2’de yol ağı ajanı da sisteme entegre edilmiştir ve ajan-tabanlı park öneri modülünün bir alt modülü olarak Dijkstra algoritmasının kullanıldığı rotalama modülü geliştirilmiştir. Her iki yapıda da yer alan modüller ve kullanım amaçları aşağıdaki gibi özetlenebilir: • Park yeri uygunluğu tahmin modülü: Önceki bölümde detayları sunulan ARIMA, SARIMA ve YSA alt modüllerinden oluşmakta, park yeri uygunluğunun tahmini yapılmaktadır. • Senaryo oluşturma modülü: Statik araç özelliklerinin, otopark özelliklerinin ve Kurgu – 2’deki ağ özelliklerinin oluşturulduğu alt modülleri içermektedir. • Rezervasyon modülü: Rezervasyonlu araçlar için maksimum faydalı park önerisini sunmaktadır. Burada aracın rezervasyon için uygun alt yapısının olduğu 32 ve/veya araç sahibinin mobil cihazlar üzerinden rezervasyon yapma imkanının bulunduğu varsayılmaktadır. • Öneri modülü: Rezervasyonsuz araçlar için maksimum faydalı park önerisini sunmaktadır. • Rassal arama modülü: Akıllı park yönetimi sistemi kullanmayarak rassal olarak park arayan araçlar için park arama yapısını simüle etmektedir. Burada araçların varış noktalarına en yakın otoparka gitme eğiliminde olduğu varsayılmaktadır. • Rotalama modülü: Dinamik ağ özellikleri dikkate alınarak kalkış noktası ile varış noktası arasındaki en kısa yol ve bu yolun maliyeti hesaplanmaktadır. Bu modül yalnızca Kurgu – 2’de yer almaktadır. • Analiz ve raporlama modülü: İlgili senaryo için elde edilen simülasyon sonuçlarını performans parametrelerine göre analiz etmektedir. • Diğer yardımcı modüller: Ele alınan senaryoya göre fayda fonksiyonu parametrelerini hesaplamaktadır. Şekil 3.4. Sistem bileşenleri: Kurgu – 2 Rezervasyonlu araç için ele alınan fayda fonksiyonu parametreleri; (i) kalkış noktası ile aday park yerleri arasındaki sürüş süresi, (ii) aday park yerleri ile varış noktası arasındaki yürüyüş mesafesi, (iii) rezervasyon ücreti ve park ücretinin toplamından oluşan toplam ücret ve (iv) yönlendirilen araç derecesidir. Yönlendirilen araç derecesi kavramı, park yerlerine yönlendirilen araç sayısına göre hesaplanan ve otoparkların etrafındaki trafiği azaltmaya yönelik olarak ele alınan bir parametredir. Otoparka giden araç sayısı arttıkça otoparkın etrafındaki trafik de artacağından bu parametre fayda değeri üzerinden negatif etkiye sahiptir. Bir diğer ifadeyle, tez çalışmasının ana motivasyonu olan park yeri arama sürecinden kaynaklı trafik yoğunluğunu azaltma hedefine paralel olarak belirli bir otoparka çok sayıda araç yönlendirilmesi durumunda ortaya çıkabilecek trafik 33 yoğunluğunu engellemek amacıyla ele alınmaktadır. Rezervasyonsuz araç için ele alınan fayda fonksiyonu parametreleri ise (i) kalkış noktası ile aday park yerleri arasındaki sürüş mesafesi, (ii) aday park yerleri ile varış noktası arasındaki yürüyüş mesafesi, (iii) park ücreti, (iv) yönlendirilen araç derecesi ve (v) uygunluk derecesidir. Rezervasyonun yapıldığı andan itibaren park ücreti ödeneceği için sürüş süresi önem kazanmaktadır, bu nedenle rezervasyon durumunda sürüş süresi dikkate alınmaktadır. Rezervasyon olmaması durumunda ise sürüş mesafesi ele alınmaktadır. Rezervasyon olmaması durumunda, önerilen otoparka varıldığında daha önceden önerilen park yerinin uygun olmama ihtimali de bulunduğundan uygunluk derecesi de bir diğer parametre olarak ele alınmaktadır. Rezervasyonlu araçlar için fayda değeri hesaplanırken uygun kapasiteye sahip otoparklar filtrelenerek park önerisi sunulduğundan bu parametre ele alınmazken rezervasyonsuz araçlar için söz konusu parametrenin daha anlamlı olduğu söylenebilir. İlerleyen sayfalarda, Kurgu – 1 kapsamında geliştirilen ajan-tabanlı park öneri modülünün alt bileşenleri sunulmaktadır. Araç ajanının on üçü statik ve on ikisi dinamik olmak üzere toplam yirmi beş özelliği bulunmaktadır. Çizelge 3.1’de görüldüğü gibi statik özellikler; aracın tanımlayıcı numarası (ID), kalkış noktası enlem ve boylamı, varış noktası enlem ve boylamı, araç tipi, üretilme zamanı, parkta kalma (servis) süresi, sürüş ağırlığı, yürüyüş ağırlığı, ücret ağırlığı, trafik ağırlığı, uygunluk ağırlığıdır. Dinamik özellikler ise hedef park, araç durumu, park etme zamanı, sürüş süresi, sürüş mesafesi, yürüyüş mesafesi, park ücreti, rezervasyon ücreti, toplam ücret, trafik derecesi, uygunluk derecesi ve sistemden/otoparktan çıkış zamanıdır. Burada bahsi geçen trafik derecesi önerilen otoparkın önerinin sunulduğu andaki yönlendirilen araç derecesi iken uygunluk derecesi de otoparkın uygunluğunu ifade etmektedir. Bu değerler, ilerleyen sayfalarda detayları sunulan performans parametrelerinin hesaplanmasında kullanılmaktadır. Burada bahsi geçen araç tipinin aldığı değerler ise aşağıdaki gibidir: • 0: sistemi kullanmayan rassal arama yapan araç • 1: sistemi kullanan rezervasyonsuz araç • 2: sistemi kullanan rezervasyonlu araç 34 Dinamik özelliklerden durum özelliği ise farklı durumlar için aşağıdaki değerleri almaktadır: • 0: sisteme henüz giriş yapmamış araç (senaryo üretildiğindeki değer) • 1: sisteme yeni giriş yapmış/üretilmiş araç • 2: parka giriş yapmış araç • 3: parktan çıkış yapmış araç • 4: faydalı bir park önerilemeyen araç • 5: başarısız park girişimi olan araç (faydalı bir otopark önerilmiş olmasına rağmen ilgili otoparka ulaşıldığında uygun park yeri bulunamaması durumu) Çizelge 3.1. Araç ajanının özellikleri: Kurgu – 1 Statik Özellikler 𝑖𝑑𝑣: Araç ID 𝑜𝑙𝑡𝑣 : Kalkış noktası enlemi 𝑙𝑔 𝑜𝑣 : Kalkış noktası boylamı 𝑑𝑙𝑡𝑣 : Varış noktası enlemi 𝑙𝑔 𝑑𝑣 : Varış noktası boylamı 𝑟𝑣: Araç tipi 𝑡𝑏𝑣 : Üretilme zamanı 𝑡𝑠𝑣: Parkta kalma (servis) süresi 𝛼1: Sürüş mesafesi/süresi kriterine verilen ağırlık 𝛼2: Yürüyüş mesafesi kriterine verilen ağırlık 𝛼3: Ücret kriterine verilen ağırlık 𝛼4: Yönlendirilen araç derecesi kriterine verilen ağırlık 𝛼5: Uygunluk kriterine verilen ağırlık Dinamik Özellikler 𝑝𝑣: Hedef otopark 𝑠𝑣: Araç durumu 𝑡𝑝𝑣 : Park etme zamanı 𝑡𝑡𝑣: Sürüş süresi 𝑡𝑑𝑣 : Sürüş mesafesi 𝑤𝑣: Yürüyüş mesafesi 𝑐𝑝𝑣 : Park ücreti 𝑐𝑟𝑣 : Rezervasyon ücreti 𝑐𝑣: Toplam ücret 𝑟𝑝𝑣 : Yönlendirilen araç derecesi 𝑎𝑝𝑣 : Uygunluk derecesi 𝑡𝑒𝑣 : Çıkış zamanı 35 Otopark ajanının ise Çizelge 3.2’de görüldüğü gibi yedisi statik ve beşi dinamik tipte olmak üzere toplam on iki özelliği bulunmaktadır. Statik özellikler; otoparkın tanımlayıcı numarası (ID), blok numarası, toplam kapasitesi, bulunduğu enlem ve boylam değerleri, birim zamandaki park ücreti ve rezervasyon oranıdır. Dinamik özellikler; tahmin edilen uygun kapasite ve derecesi, yönlendirilen araç sayısı ve derecesi ile en iyi tahmin yöntemidir. Burada, her bir otopark için ortalama karesel hatalar cinsinden en iyi sonucu veren tahmin yönteminin bilgisi tutulmaktadır. Çizelge 3.2. Otopark ajanının özellikleri: Kurgu – 1 Statik Özellikler 𝑖𝑑𝑝: Otopark ID 𝑏𝑝: Blok numarası 𝑐𝑝: Toplam kapasite 𝑜𝑙𝑡𝑝 : Enlem 𝑙𝑔 𝑑𝑝 : Boylam 𝑓𝑝: Birim zamandaki park ücreti 𝑟𝑝: Rezervasyon oranı Dinamik Özellikler 𝑥𝑝: Uygun kapasite 𝑥𝑑𝑝 : Uygunluk derecesi 𝑡𝑝: Yönlendirilen araç sayısı 𝑡𝑑𝑝 : Yönlendirilen araç derecesi 𝑚𝑝: Tahmin yöntemi Kurgu – 1 kapsamında geliştirilen ajan-tabanlı park öneri sisteminin genel adımları aşağıdaki gibi özetlenebilir. Burada bahsi geçen gelecek-olay-listesi 3-sütunlu bir yapıda olup her bir olay tipi için şu bilgileri içermektedir: (i) aracın tanımlayıcı numara (ID) değeri (𝑖𝑑𝑣), (ii) olayın tipi (𝑒𝑘) ve (iii) olay zamanı (𝑡𝑘). Olay tipi ise sisteme yeni giriş olayı için 1, otoparka giriş olayı için 2 ve otoparktan/sistemden çıkış olayı için 3 değerini almaktadır. Şekil 3.5’te iş akış şeması verilen ve Kurgu – 1 kapsamında geliştirilen yapının adımları aşağıda özetlenmiştir: Adım 0: Simülasyon ortamı başlangıç koşulları, durdurma kriteri (𝑇) ve diğer simülasyon parametreleri tanımlanır. Simülasyonda dikkate alınacak senaryoya göre gelecek olay 36 listesi oluşturulur. Mevcut olayın sırası (𝑘) bir değerine eşitlenir ve 𝑡𝑘 ilgili olayın zamanını ifade etmektedir. Adım 1: Durdurma kriterine ulaşıncaya kadar (𝑡𝑘 < 𝑇 olduğu sürece) aşağıdaki adımlar izlenir, aksi durumda algoritma sonlandırılır. (i) Mevcut olay sisteme yeni giriş yapan rezervasyonlu bir araca aitse (𝑒𝑘 = 1, 𝑟𝑣 = 2) bir diğer ifadeyle, (1), (2) ve (3) numaralı karar noktalarında “Evet” koşulları sağlandıysa, ele alınan fayda fonksiyonu parametrelerine göre maksimum faydalı rezervasyon önerisi yapılır. Burada fayda değeri parametrelerinin hesaplanmasında süre ve mesafe hesaplama gibi yardımcı modüller kullanılmaktadır. Önerilen hedef otopark, tahmini otoparka giriş zamanı, sistemden çıkış zamanı ve ilgili öneriye ait performans parametreleri gibi dinamik araç ajanı özellikleri güncellenir. Sisteme giriş yapan bu yeni aracın tahmini otoparka giriş zamanı ve sistemden çıkış zamanı parametreleri gelecek olay listesine eklenir ve liste olay zamanlarına göre yeniden sıralanır. Uygun kapasite ve yönlendirilen araç sayısına bağlı olarak dinamik otopark ajanı özellikleri güncellenir. Rezervasyon modülü ile hesaplanan fayda değeri (𝑈1𝑣𝑝) ise Denklem (3.8) ile verilen ifadeye göre her 𝑣 aracı ve 𝑝 otoparkı için hesaplanırken denklemde de görüldüğü gibi ilgili parametrelerin normalize edilen değerleri ele alınmaktadır. Ağırlık değerleri ise araç özelinde farklı kullanıcı davranışlarını ifade edecek şekilde ilerleyen bölümde detayları verildiği üzere belirlenmektedir. Faydalı bir park bulunamaması durumunda ise olursuz (infeasible) çözümleri ortadan kaldırmak ve sistemin hata vermesini engellemek amacıyla ilgili aracın sonsuz kapasiteli hayali bir otoparka yönlendirildiği varsayılmaktadır. 𝑛 tane otopark bulunan bir sistem için aracın yönlendirildiği hayali hedef otopark değeri de (𝑛 + 1) olarak güncellenmekte ve bu aracın hayali bir süre kadar trafikte dolaşıp sistemden çıktığı varsayılmaktadır. 𝑈1 𝑡∗ ∗ ∗ ∗𝑣𝑝 = 𝛼1𝑡𝑣𝑝+𝛼2𝑤𝑣𝑝 + 𝛼3𝑐𝑣𝑝 + 𝛼4𝑡𝑝 (3.8) 37 (ii) Mevcut olay sisteme yeni giriş yapan rezervasyonsuz bir araca aitse (𝑒𝑘 = 1, 𝑟𝑣 = 1) bir diğer ifadeyle, (1), (2) ve (3) numaralı karar noktalarında sırasıyla “Evet”, “Evet” ve “Hayır” koşulları sağlandıysa, ele alınan fayda fonksiyonu parametrelerine göre maksimum faydalı park önerisi yapılır. Burada fayda değeri parametrelerinin hesaplanmasında rezervasyon sürecinde olduğu gibi yardımcı modüller (süre ve mesafe hesaplama modülleri) kullanılmaktadır. Önerilen hedef otopark, tahmini otoparka giriş zamanı, sistemden çıkış zamanı ve ilgili öneriye ait performans parametreleri gibi dinamik araç ajanı özellikleri güncellenir. Sisteme giriş yapan bu yeni aracın tahmini otoparka giriş zamanı ve sistemden çıkış zamanı parametreleri gelecek olay listesine eklenir ve liste olay zamanlarına göre yeniden sıralanır. Yönlendirilen araç sayısına bağlı olarak yönlendirilen araç derecesi gibi dinamik otopark ajanı özellikleri güncellenir. Burada rezervasyon kurgusu olmadığından otoparkın kapasitesi bu aşamada güncellenmemektedir. Park öneri modülünde dikkate alınan fayda değeri (𝑈2𝑣𝑝) ise Denklem (3.9) ile verilen ifadeye göre her 𝑣 aracı ve 𝑝 otoparkı için hesaplanırken denklemde de görüldüğü gibi ilgili parametrelerin normalize edilen değerleri ele alınmaktadır. Faydalı bir park bulunamaması durumunda ise olursuz çözümleri ortadan kaldırmak ve sistemin hata vermesini engellemek amacıyla ilgili aracın sonsuz kapasiteli hayali bir otoparka yönlendirildiği varsayılmaktadır. 𝑛 tane otopark bulunan bir sistem için aracın yönlendirildiği hayali hedef otopark değeri de (𝑛 + 1) olarak güncellenmekte ve bu aracın hayali bir süre kadar trafikte dolaşıp sistemden çıktığı varsayılmaktadır. 𝑈2 𝑡∗𝑣𝑝 = 𝛼1𝑡𝑣𝑝+𝛼 ∗ ∗ ∗ 𝑑∗ 2𝑤𝑣𝑝 + 𝛼3𝑐𝑣𝑝 + 𝛼4𝑡𝑝 + 𝛼5𝑥𝑝 (3.9) (iii) Mevcut olay park-öneri sistemini kullanmayan ve simülasyona yeni giriş yapan bir araca aitse (𝑒𝑘 = 1, 𝑟𝑣 = 0) bir diğer ifadeyle, (1) ve (2) numaralı karar noktalarında sırasıyla “Evet” ve “Hayır” koşulları sağlandıysa, bu aracın yürüme mesafesi cinsinden varış noktasına en yakın otoparka yönlendiği varsayılmaktadır. Bu araç için hedef otopark, tahmini otoparka giriş zamanı, sistemden çıkış zamanı ve performans parametreleri gibi dinamik araç ajanı özellikleri güncellenir. Sisteme giriş yapan bu yeni aracın tahmini otoparka giriş 38 zamanı ve sistemden çıkış zamanı parametreleri gelecek olay listesine de eklenir ve liste olay zamanlarına göre yeniden sıralanır. Yönlendirilen araç sayısına bağlı olarak yönlendirilen araç derecesi gibi dinamik otopark ajanı özellikleri güncellenir. Burada rezervasyon kurgusu olmadığından otoparkın kapasitesi bu aşamada güncellenmemektedir. (iv) Mevcut olay sistemde var olan rezervasyonlu bir aracın otoparka girişi (𝑒𝑘 = 2, 𝑟𝑣 = 2) ise bir diğer ifadeyle, (1), (4) ve (5) numaralı karar noktalarında sırasıyla “Hayır”, “Evet” ve “Evet” koşulları sağlandıysa, park süreci tamamlanır. Aracın hedef parka ulaştığını gösteren dinamik araç ajanı özelliği güncellenir. (v) Mevcut olay sistemde var olan rezervasyonsuz bir aracın (sistemi kullanıp rezervasyonu olmayan veya sistemi kullanmayarak rassal arama yapan aracın) otoparka girişi (𝑒𝑘 = 2, 𝑟𝑣 = 1 veya 𝑟𝑣 = 0) ise bir diğer ifadeyle, (1), (4) ve (5) numaralı karar noktalarında sırasıyla “Hayır”, “Evet” ve “Hayır” koşulları sağlandıysa, önerilen hedef otoparkta uygun bir park yeri olup olmadığı (𝑥𝑝 > 0) kontrol edilir. Bu otoparkta uygun bir park yeri varsa, (6) numaralı karar noktasında “Evet” koşulu sağlandıysa, park süreci tamamlanır. Aracın hedef parka ulaştığını gösteren dinamik araç ajanı özelliği ve otoparkın uygun kapasitesini gösteren dinamik otopark ajanı özelliği güncellenir. (vi) Mevcut olay sistemde var olan rezervasyonsuz bir aracın (sistemi kullanıp rezervasyonu olmayan veya sistemi kullanmayarak rassal arama yapan aracın) otoparka girişi (𝑒𝑘 = 2, 𝑟𝑣 = 1 veya 𝑟𝑣 = 0) ise bir diğer ifadeyle, (1), (4) ve (5) numaralı karar noktalarında sırasıyla “Hayır”, “Evet” ve “Hayır” koşulları sağlandıysa, önerilen hedef otoparkta uygun bir park yeri olup olmadığı (𝑥𝑝 > 0) kontrol edilir. Bu otoparkta uygun bir park yeri yoksa, (6) numaralı karar noktasında “Hayır” koşulu sağlandıysa, olursuz çözümleri ortadan kaldırmak ve sistemin hata vermesini engellemek amacıyla ilgili aracın sonsuz kapasiteli hayali bir otoparka yönlendirildiği varsayılmaktadır. Söz konusu araca ait dinamik özelliklerden olan performans parametreleri sıfır olarak güncellenir. 𝑛 tane otopark bulunan bir sistem için aracın yönlendirildiği hayali hedef otopark değeri 39 de (𝑛 + 1) olarak güncellenir ve bu aracın hayali bir süre kadar trafikte dolaşıp sistemden çıktığı varsayılmaktadır. (vii) Mevcut olay sistemden çıkış yapan herhangi bir araca aitse (𝑒𝑘 = 3) bir diğer ifadeyle, (1) ve (4) numaralı karar noktalarında “Hayır” koşulları sağlandıysa, çıkış süreci için dinamik araç ajanı özellikleri ve ilgili otoparkın kapasitesine ilişkin özellikler güncellenmektedir. Adım 2: Bir sonraki olaya geçilir ve Adım 1’e gidilir. Yukarıda da bahsedildiği gibi Kurgu – 2 kapsamında, diğer kurgudan farklı olarak yol ağı üzerindeki dinamik trafik koşullarının dikkate alınması ile araçların kalkış noktaları ile önerilen otopark arasındaki rotalama kararlarının da dinamik olarak verildiği ve değişen trafik koşullarına göre bu rotanın güncellenebildiği bir yapı kurgulanmıştır. Dolayısıyla dinamik trafik koşulları doğrultusunda park önerileri sunulmaktadır ve önceki kurgudaki olay-tabanlı yapının aksine sürekli-zaman simülasyonu yapılmaktadır. Kurgu – 1’de yer alan araç ve otopark ajanlarına ek olarak, Kurgu – 2’de yol ağı ajanı da sisteme entegre edilmiştir ve ajan-tabanlı park öneri modülünün bir alt modülü olarak Dijkstra algoritmasının kullanıldığı rotalama modülü geliştirilmiştir. Araç ajanının on biri statik ve yirmisi dinamik tipte olmak üzere toplam otuz bir özelliği bulunmaktadır. Çizelge 3.3’te görüldüğü gibi statik özellikler; araç tanımlayıcı numarası (ID), kalkış düğüm noktası, varış düğüm noktası, araç tipi, üretilme zamanı, parkta kalma süresi, sürüş ağırlığı, yürüyüş ağırlığı, ücret ağırlığı, trafik ağırlığı, uygunluk ağırlığıdır. Dinamik özellikler ise hedef park, araç durumu, tahmini park etme zamanı, ağ üzerinde bulunulan geçmiş düğüm noktası, ağ üzerindeki bulunulacak gelecek düğüm noktası, geçmiş düğüm noktasına olan uzaklık (zaman cinsinden), gelecek düğüm noktasına olan uzaklık (zaman cinsinden), gelecek düğüm noktasının park olma durumu (gelecek düğüm noktası parksa 1, aksi durumda 0), ilk parka gidiş zamanı, park edilemeyen (başarısız olunan) son park, park etme zamanı, sürüş süresi, sürüş mesafesi, yürüyüş mesafesi, park ücreti, rezervasyon ücreti, toplam ücret, yönlendirilen araç derecesi, uygunluk derecesi ve çıkış zamanıdır. Araç tipi ve durumu Kurgu – 1’de sunulduğu gibi değer almaktadır. 40 Şekil 3.5. Ajan-tabanlı park öneri modülü iş akış şeması: Kurgu – 1 41 Çizelge 3.3. Araç ajanının özellikleri: Kurgu – 2 Statik Özellikler 𝑖𝑑𝑣: Araç ID 𝑜𝑣: Kalkış düğüm noktası 𝑑𝑣: Varış düğüm noktası 𝑟𝑣: Araç tipi 𝑡𝑏𝑣 : Üretilme zamanı 𝑡𝑠𝑣: Parkta kalma (servis) süresi 𝛼1: Sürüş mesafesi/süresi kriterine verilen ağırlık 𝛼2: Yürüyüş mesafesi kriterine verilen ağırlık 𝛼3: Ücret kriterine verilen ağırlık 𝛼4: Yönlendirilen araç derecesi kriterine verilen ağırlık 𝛼5: Uygunluk kriterine verilen ağırlık Dinamik Özellikler 𝑝𝑣: Hedef otopark 𝑠𝑣: Araç durumu 𝑡𝑝𝑝𝑣 : Tahmini park etme zamanı 𝑎𝑣: Ağ üzerindeki geçmiş düğüm noktası 𝑏𝑣: Ağ üzerindeki gelecek düğüm noktası 𝑡1𝑣 : Geçmiş düğüm noktasına olan uzaklığı (süre) 𝑡2𝑣 : Gelecek düğüm noktasına olan uzaklığı (süre) 𝑠𝑝𝑣 : Gelecek düğüm noktasının park olma durumu; gelecek düğüm noktası parksa 1, aksi durumda 0 𝑡𝑝1𝑣 : İlk parka gidiş zamanı 𝑝𝑙𝑣: Park edilemeyen son park 𝑡𝑝𝑣 : Park etme zamanı 𝑡𝑡𝑣: Sürüş süresi 𝑡𝑑𝑣 : Sürüş mesafesi 𝑤𝑣: Yürüyüş mesafesi 𝑐𝑝𝑣 : Park ücreti 𝑐𝑟𝑣 : Rezervasyon ücreti 𝑐𝑣: Toplam ücret 𝑟𝑝𝑣 : Yönlendirilen araç derecesi 𝑎𝑝𝑣 : Uygunluk derecesi 𝑡𝑒𝑣 : Sistemden/otoparktan çıkış zamanı Bu yapıda, Kurgu – 1’den farklı olarak, aracın önerilen otoparka gittiğinde park sürecinin başarısız olması ve ilgili aracın yeniden yol ağına katılarak park öneri sürecine dahil olması dikkate alınmaktadır. Konum bilgileri ise önceki kurgudaki gibi enlem boylam cinsinden değil, ağ üzerindeki düğüm noktası bilgisi olarak tutulmaktadır. Böylelikle yol ağı ajanının sisteme entegrasyonu için gerekli alt yapı oluşturulmuştur. Aracın ağ üzerinde bulunduğu son düğüm noktası ve bulunacağı gelecek düğüm noktası ile bu 42 noktalara olan uzaklıklar ilerleyen sayfalarda da bahsedildiği gibi aracın konumunun belirlenmesi ve bu konuma bağlı olarak kararların verilmesi için kritik öneme sahiptir. Otopark ajanının, Çizelge 3.4’te görüldüğü gibi altısı statik ve beşi dinamik tipte olmak üzere toplam on bir özelliği bulunmaktadır. Statik özellikler; otoparkın tanımlayıcı numarası (ID), blok numarası, toplam kapasite, ağ üzerinde bulunduğu düğüm noktası, birim zamandaki park ücreti ve rezervasyon oranıdır. Dinamik özellikler; tahmin edilen uygun kapasite ve derecesi, yönlendirilen araç sayısı ve derecesi ile en iyi tahmin yöntemidir. Çizelge 3.4. Otopark ajanının özellikleri: Kurgu – 2 Statik Özellikler 𝑖𝑑𝑝: Otopark ID 𝑏𝑝: Blok numarası 𝑐𝑝: Toplam kapasite 𝑛𝑝: Düğüm noktası 𝑓𝑝: Birim zamandaki park ücreti 𝑟𝑝: Rezervasyon oranı Dinamik Özellikler 𝑥𝑝: Uygun kapasite 𝑥𝑑𝑝 : Uygunluk derecesi 𝑡𝑝: Yönlendirilen araç sayısı 𝑡𝑑𝑝 : Yönlendirilen araç derecesi 𝑚𝑝: Tahmin yöntemi Ağ ajanının ise Çizelge 3.5’te sunulduğu gibi on biri statik ve üçü dinamik tipte olmak üzere toplam on dört özelliği bulunmaktadır. Söz konusu statik özelliklerin ilk ikisi ağ üzerindeki tüm elemanlar için tanımlanırken diğer özelliklerin dördü düğüm noktaları, beşi arklar için tanımlanmaktadır. Statik özellikler; ağ elemanı tanımlayıcı numarası (ID), ağ elemanı tipi, düğüm noktası numarası, düğüm noktası tipi, düğüm noktasının enlemi, düğüm noktasının boylamı, ark numarası, ark başlangıç düğüm noktası, ark bitiş düğüm noktası, ark uzunluğu ve ark kapasitesidir. Dinamik özellikler; ark aktif trafik hacmi, ark seyahat hızı ve ark seyahat süresidir. Ağın başlangıç durumlarını ifade eden her bir ark için seyahat hızı ve seyahat süresi değerleri, Bureau of Public Roads (BPR) fonksiyonu kullanılarak sırasıyla Denklem (3.10) ve (3.11) ile verilen ifadelerdeki gibi 43 hesaplanmaktadır. Burada 𝑣0𝑛 serbest akış trafik hızı iken 𝛼𝑛 ve 𝛽𝑛 ise BPR modeli katsayılarıdır. 𝑞 (0) 𝛽𝑛𝑛 𝑣𝑛(0) = 𝑣 0 𝑛 ⁄(1 + 𝛼𝑛 ( ) ) (3.10) 𝑐𝑛 𝑙𝑛 𝑡𝑛(0) = (3.11) 𝑣𝑛(0) Yol ağının ilgili arkında araç akışı gerçekleştikçe bu arka ait dinamik özellikler ise Denklem (3.12) ve (3.13) ile verilen ifadelere göre güncellenmektedir. 𝑞 (𝑡) 𝛽𝑛𝑛 𝑣 0𝑛(𝑡) = 𝑣𝑛 ⁄(1 + 𝛼𝑛 ( ) ) (3.12) 𝑐𝑛 𝑙𝑛 𝑡𝑛(𝑡) = (3.13) 𝑣𝑛(𝑡) Çizelge 3.5. Yol ağı ajanının özellikleri: Kurgu – 2 Statik Özellikler 𝑖𝑑𝑛: Ağ elemanı ID 𝑠𝑝: Ağ elemanı tipi, düğüm noktası ise 1, ark ise sıfır 𝑛𝑛: Düğüm noktası numarası 𝑛𝑡𝑛: Düğüm noktası tipi; kalkış noktasıysa 1, varış noktasıysa 2, otoparksa 3, ara düğüm noktasıysa 4 𝑙𝑡𝑛: Düğüm noktasının enlemi 𝑙𝑔𝑛: Düğüm noktasının boylamı 𝑎𝑛: Ark numarası 𝑎𝑏𝑛: Ark başlangıç düğüm noktası 𝑎𝑒𝑛: Ark bitiş düğüm noktası 𝑙𝑛: Ark uzunluğu 𝑐𝑛: Ark kapasitesi Dinamik Özellikler 𝑞𝑛: Ark aktif trafik hacmi 𝑣𝑛: Ark seyahat hızı 𝑡𝑛: Ark seyahat süresi Bu kurgu kapsamında geliştirilen ajan-tabanlı park öneri modülünün iş akış şeması Şekil 3.6’da verilmiş olup adımları aşağıdaki gibi özetlenebilir: 44 Adım 0: Simülasyon ortamı başlangıç koşulları oluşturulur. Durdurma kriteri (𝑇), iterasyon adımı (𝑡) ve diğer simülasyon parametreleri tanımlanır. Adım 1: Sistemdeki her bir araç için aracın durumu, konumu gibi özellikler kontrol edilerek aşağıdaki olası durumlara karşı ilgili adımlar izlenir: (i) Sisteme yeni giriş yapan (𝑡𝑏𝑣 = 𝑡) rezervasyonlu araç (𝑟𝑣 = 2) ise bir diğer ifadeyle, (1), (2) ve (3) numaralı karar noktalarında “Evet” koşulları sağlandıysa, maksimum faydalı park rezervasyonu yapılır. Burada Denklem (3.14) ile verilen ifadeye göre maksimum faydalı rezervasyon önerisi yapılmaktadır. Ele alınan parametreler sırasıyla sürüş süresi, yürüyüş mesafesi, park ücreti ve yönlendirilen araç derecesinin normalize edilen değerleridir. Buradaki sürüş süresi dinamik ağ koşulları dikkate alınarak Dijkstra algoritması ile hesaplanmaktadır. Rezervasyon ücreti de bu değer ile ilişkilendirilmektedir. Başarılı bir rezervasyon yapıldıysa hedef otopark, tahmini otoparka giriş zamanı gibi araç ajanı özellikleri ve ilgili otoparkın uygun kapasitesi, yönlendirilen araç sayısına bağlı olarak otoparkın etrafındaki trafik derecesi gibi otopark ajanı özellikleri güncellenir. 𝑈1 = 𝛼 𝑡𝑡∗𝑣𝑝 1 𝑣𝑝+𝛼2𝑤 ∗ 𝑣𝑝 + 𝛼3𝑐 ∗ 𝑣𝑝 + 𝛼 ∗ 4𝑡𝑝 (3.14) (ii) Sisteme yeni giriş yapan (𝑡𝑏𝑣 = 𝑡) rezervasyonsuz araç (𝑟𝑣 = 1) ise bir diğer ifadeyle, (1), (2) ve (3) numaralı karar noktalarında sırasıyla “Evet”, “Evet” ve “Hayır” koşulları sağlandıysa, maksimum faydalı park önerisi yapılmaktadır Burada Denklem (3.15) ile verilen ifadeye göre maksimum faydalı rezervasyon önerisi sunulmaktadır. Ele alınan parametreler sırasıyla, sürüş mesafesi, yürüyüş mesafesi, park ücreti, yönlendirilen araç derecesi ve uygunluk derecesinin normalize edilen değerleridir. Park önerisinin sunulmasının ardından önerilen hedef otopark ve tahmini otoparka giriş zamanı gibi araç ajanı özellikleri güncellenir. Burada yalnızca öneri sunulduğu ve rezervasyon kurgusu olmadığı için otoparka ilişkin dinamik özelliklerden kapasite değeri güncellenmemekte yalnızca yönlendirilen araç sayısı ve derecesi değerleri güncellenmektedir. 45 𝑈2 𝑡∗ ∗ ∗ ∗ 𝑑∗𝑣𝑝 = 𝛼1𝑡𝑣𝑝+𝛼2𝑤𝑣𝑝 + 𝛼3𝑐𝑣𝑝 + 𝛼4𝑡𝑝 + 𝛼5𝑥𝑝 (3.15) (iii) Sisteme yeni giriş yapan (𝑡𝑏𝑣 = 𝑡) park öneri sistemini kullanmayarak rassal arama yapan araç (𝑟𝑣 = 0) ise bir diğer ifadeyle, (1) ve (2) numaralı karar noktalarında sırasıyla “Evet” ve “Hayır” koşulları sağlandıysa, varış noktasına yürüme mesafesi cinsinden en yakın otoparka yönlendiği varsayılır. Bu araç için hedef otopark, tahmini otoparka giriş zamanı, sistemden çıkış zamanı gibi dinamik araç ajanı özellikleri güncellenir. İlgili otopark için yönlendirilen araç sayısına bağlı olarak yönlendirilen araç derecesi dinamik özelliği güncellenir. Bu araçların yol ağı üzerinde takibinin yapılması ve buna bağlı olarak yol ağı özelliklerinin güncellenmesi için bir kereye mahsus olmak üzere araç rotası oluşturulur ve rotaya ilişkin dinamik araç özellikleri ve yol ağı özellikleri güncellenir. Sistemi kullanan araçlar içinse rotalama süreci her düğüm noktasında yeniden yapılmaktadır. (iv) Sistemde daha önceden var olan (𝑡𝑏𝑣 < 𝑡) ve ağ üzerinde herhangi bir arkta 𝑝 bulunan araç (𝑠𝑣 = 0, 𝑡 1 𝑣 > 0, 𝑡 2 𝑣 > 0) ise bir diğer ifadeyle (1), (4), (5) ve (6) numaralı karar noktalarında “Hayır” koşulları sağlandıysa, ilgili arkın aktif trafik hızı ve süresine göre araç konumu güncellenir. (v) Sistemde daha önceden var olan (𝑡𝑏𝑣 < 𝑡) herhangi bir düğüm noktasındaki 𝑝 rezervasyon aracı (𝑠 1𝑣 = 0, 𝑡𝑣 = 0, 𝑟𝑣 = 2) ise bir diğer ifadeyle (1), (4), (5), (6), (7) ve (10) numaralı karar noktalarında “Hayır”, “Hayır”, “Hayır”, “Evet”, “Evet” ve “Evet” koşulları sağlandıysa, hedef otoparka olan rotası, trafik koşullarının dikkate alındığı Dijkstra algoritması kullanılan rotalama modülü aracılığıyla oluşturulur. Tahmini park etme zamanı, aracın geçmiş ve gelecek konumları ve bu konumlara olan uzaklıkları gibi araç ajanı özellikleri güncellenir. İzlediği rota üzerindeki seyahat süresi ve mesafesi içinde bulunulan dinamik koşullara göre güncellenir. Seçilen rota üzerinde takip edilecek arka ilişkin aktif trafik hacmi, seyahat hızı ve süresi gibi ağ ajanı özellikleri güncellenir. Benzer şekilde, mevcut düğüm noktasına gelinen arka ilişkin dinamik özellikler de güncellenir. 46 (vi) Sistemde daha önceden var olan (𝑡𝑏𝑣 < 𝑡) herhangi bir düğüm noktasındaki 𝑝 rezervasyonsuz araç (𝑠 1𝑣 = 0, 𝑡𝑣 = 0, 𝑟𝑣 = 1) ise bir diğer ifadeyle (1), (4), (5), (6), (7) ve (10) numaralı karar noktalarında “Hayır”, “Hayır”, “Hayır”, “Evet”, “Evet” ve “Hayır” koşulları sağlandıysa, maksimum faydalı park önerisi yapılır ve ardından dinamik trafik koşulları dikkate alınarak ilgili hedefe olan minimum maliyetli rota oluşturulur. Önerilen hedef otopark, tahmini otoparka giriş zamanı, aracın geçmiş ve gelecek konumları ve bu konumlara olan uzaklıkları gibi araç ajanı özellikleri güncellenir. Seçilen rota üzerinde takip edilecek arka ilişkin aktif trafik hacmi, seyahat hızı ve süresi gibi ağ özellikleri güncellenir. Benzer şekilde, mevcut düğüm noktasına gelinen arka ilişkin dinamik özellikler de güncellenir. Burada, rezervasyon yapısı olmadığından ve dinamik koşullar altında önceden önerilen parka göre daha faydalı bir otopark olabileceğinden yeniden öneri mekanizması çalışmaktadır. (vii) Sistemde daha önceden var olan (𝑡𝑏𝑣 < 𝑡) herhangi bir düğüm noktasındaki 𝑝 rassal arama yapan araç (𝑠 1𝑣 = 0, 𝑡𝑣 = 0, 𝑟𝑣 = 0) ise bir diğer ifadeyle (1), (4), (5), (6) ve (7) numaralı karar noktalarında “Hayır”, “Hayır”, “Hayır”, “Evet” ve “Hayır” koşulları sağlandıysa, ilgili aracın önceden oluşturulan rotasına göre yol ağı üzerindeki konumu güncellenir. Tahmini otoparka giriş zamanı, aracın geçmiş ve gelecek konumları ve bu konumlara olan uzaklıkları gibi araç ajanı özellikleri güncellenir. Rota üzerinde takip edilecek arka ilişkin aktif trafik hacmi, seyahat hızı ve süresi gibi ağ ajanı özellikleri güncellenir. Benzer şekilde, mevcut düğüm noktasına gelinen arka ilişkin dinamik özellikler de güncellenir. (viii) Sistemde daha önceden var olan (𝑡𝑏𝑣 < 𝑡), bir sonraki lokasyonu hedef park 𝑝 düğüm noktası olan (𝑠𝑣 = 1) ve bu parka belli bir mesafede bulunan herhangi bir araç ise bir diğer ifadeyle (1), (4), (5) ve (8) numaralı karar noktalarında “Hayır”, “Hayır”, “Evet” ve “Hayır” koşulları sağlandıysa, aracın konumu rotası boyunca güncellenir. Tahmini otoparka giriş zamanı, aracın geçmiş ve gelecek konumları ve bu konumlara olan uzaklıkları gibi araç ajanı özellikleri güncellenir. Ağ üzerinde takip edilecek arka ilişkin aktif trafik hacmi, seyahat hızı ve süresi gibi 47 ağ ajanı özellikleri güncellenir. Burada araç, parktan önceki son düğüm noktasında bulunulduğu için diğer düğüm noktalarında olduğu gibi araç tipine bağlı olarak yeniden park önerme ve rotalama süreçleri gerçekleşmemektedir. 𝑝 (ix) Sistemde daha önceden var olan (𝑡𝑏𝑣 < 𝑡), otoparka giriş yapan (𝑠𝑣 = 1, 𝑡 2 𝑣 = 0) rezervasyon aracı (𝑟𝑣 = 2) ise bir diğer ifadeyle (1), (4), (5), (8) ve (9) numaralı karar noktalarında “Hayır”, “Hayır”, “Evet”, “Evet” ve “Evet” koşulları sağlandıysa, parka giriş zamanı, araç durumu, performans parametreleri, konum bilgileri gibi dinamik özellikler güncellenir. Burada yürüme rotası, Dijkstra algoritması ile belirlenmektedir. Mevcut düğüm noktasına gelinen arka ilişkin aktif trafik hacmi, seyahat hızı ve süresi dinamik özellikleri de güncellenir. (x) Sistemde daha önceden var olan (𝑡𝑏𝑣 < 𝑡), bir sonraki lokasyonu hedef park 𝑝 düğüm noktası olan (𝑠 2𝑣 = 1, 𝑡𝑣 = 0) ve başarılı bir rezervasyonu olmamasına rağmen ilgili parkta uygun park yeri bulan araç (𝑟𝑣 ≠ 2, 𝑥𝑝 > 0) ise bir diğer ifadeyle (1), (4), (5), (8), (9) ve (11) numaralı karar noktalarında “Hayır”, “Hayır”, “Evet”, “Evet”, “Hayır” ve “Evet” koşulları sağlandıysa, park süreci tamamlanır. Parka giriş zamanı, araç durumu, performans parametreleri, konum bilgileri gibi araç ajanı özellikleri güncellenir. Burada yürüme rotası, Dijkstra algoritması ile belirlenmektedir. İlgili otoparkın uygun kapasitesi güncellenir. Mevcut düğüm noktasına gelinen arka ilişkin aktif trafik hacmi, seyahat hızı ve süresi dinamik özellikleri de güncellenir. (xi) Sistemde daha önceden var olan (𝑡𝑏𝑣 < 𝑡), bir sonraki lokasyonu hedef park 𝑝 düğüm noktası olan (𝑠𝑣 = 1, 𝑡 2 𝑣 = 0), başarılı bir rezervasyonu olmayan ve önerilen hedef otoparkta da uygun park yeri bulamayan (𝑥𝑝 = 0) araç ise bir diğer ifadeyle (1), (4), (5), (8), (9) ve (11) numaralı karar noktalarında “Hayır”, “Hayır”, “Evet”, “Evet”, “Hayır” ve “Hayır” koşulları sağlandıysa, araç yeniden yol ağına girerek aday park yerleri arar. Başarısız olarak gidilen son park özelliği güncellenir. Araç kalkış noktası bulunulan otoparkın konumu olarak güncellenir ve buradan yeniden araç yol ağına girer. Aracın tipine (𝑟𝑣) bağlı olarak park rezervasyonu/önerisi/araması yapılır ve buna bağlı olarak ilgili araç ajanı 48 özellikleri güncellenmektedir. Eğer yeniden uygun bir park önerilemezse araç sistemden çıkış yapar ve performans parametreleri hesaplanır. (xii) Otoparktan çıkan herhangi bir araç ise bir diğer ifadeyle (1) ve (4) numaralı karar noktalarında “Hayır” ve “Evet” koşulları sağlandıysa, araç durumu ve çıkış zamanı güncellenir. İlgili otoparka ait kapasite değeri güncellenir. Adım 2: Durdurma kriteri sağlanıncaya kadar (𝑡 < 𝑇 olduğu sürece) bir sonraki zaman dilimine geçilir ve Adım 1’e gidilir, aksi durumda durulur. Rotalama modülünde kullanılan Dijkstra algoritması, etiketleme mantığı ile hareket etmektedir. Her bir düğüm noktası için o düğüme hangi düğüm noktasından gelindiği ve ilgili rotanın maliyeti ile düğümün durumu (geçici/kalıcı) bilgileri birer etiket aracılığıyla tutulmaktadır. Başlangıçta tüm düğüm noktaları geçici olarak etiketlidir ve kalıcı bir etiketi olan düğüm noktası için bulunan maliyet değeri, başlangıç düğümünden ilgili düğüme olan en kısa mesafeyi ifade etmektedir. Algoritma, her adımda geçici etiketli düğüm noktaları arasından en küçük maliyet etiketli düğüm noktasını seçerek ilerler ve bu düğümü kalıcı olarak işaretler. Ardından, seçilen düğüm ile bağlantısı olan düğüm noktalarının geçici etiketlerini güncelleyerek bunlar arasından ve en küçük mesafe etiketli düğüm noktasını bulmak için karşılaştırmalar yapar. Algoritmanın genel adımları aşağıda özetlenmektedir (Dijkstra, 1959): Adım 0: Başlangıç noktasını kalıcı olarak etiketle, bu noktadan kendisine olan uzaklığı sıfır olarak al ve ele alınan düğüm yap. Diğer düğüm noktalarını geçici olarak etiketle ve maliyet (uzaklık) değerlerini sonsuz olarak işaretle. Adım 1: Ele alınan düğüm noktasından ulaşılabilen ve geçici etiketi olan düğümlerin uzaklık etiketlerini hesapla. Adım 2: Minimum maliyeti (uzaklığı) bul ve bu maliyeti veren noktayı kalıcı olarak etiketleyerek ele alınan düğüm yap. Adım 3: Ele alınan düğüm noktasından ulaşılabilen tüm noktalar kalıcı etiketliyse dur. Aksi durumda Adım 1’e dön. 49 Şekil 3.6. Ajan-tabanlı park öneri modülü iş akış şeması: Kurgu – 2 50 4. BULGULAR ve TARTIŞMA Bu bölümde üç alt başlıkta uygulama aşamasında elde edilen bulgular sunulmaktadır. Öncelikle ilk alt bölümde, uygulama aşamasında kullanılan veri seti ve bu veri setine yapılan birtakım ön-işlemler hakkında bilgi verilmektedir. Ardından uygun tahmin yönteminin belirlenmesi amacıyla yapılan deneysel çalışmalar sunulmuştur. Üçüncü ve son alt başlıkta ise bütünleşik park yönetim sistemi çerçevesinde yapılan uygulama ve elde edilen sonuçlar verilmiştir. 4.1. Veri Ön-İşleme Önerilen yaklaşımın geçerliliğinin test edilmesi amacıyla San Francisco’da yapılan SFpark uygulamasının veri seti kullanılmıştır (SFMTA, 2013). Söz konusu veri seti hem kapalı hem de yol-üstü otoparklar için lokasyon ve zaman cinsinden park yerlerinin uygunluğu ve ödenen ücrete ilişkin bilgileri içermektedir. Bunun yanı sıra, projenin gerçekleştirildiği döneme ait işgücü ve vergi ödemeleri ile ilgili verilerden hava durumu ve yakıt fiyatları gibi verilere kadar kapsamlı bir veri seti sunulmaktadır. Tez çalışması kapsamında, SFPark kapalı otopark verilerini (Off-Street Data: SFpark Garage Data Payment Transactions) ve yol-üstü otopark verilerini (On-Street Occupancy and Rate Data: SFpark Parking Sensor Data Hourly Occupancy) içeren veri setleri kullanılmaktadır. Burada San Francisco’nun 10 bölgesinde yer alan 14 kapalı otoparka ve toplam 117 sokağın 409 bloğunda yer alan yol-üstü otoparklara ait Nisan 2011’den Temmuz 2013’ün sonuna kadar olan süreye ait veri bulunmaktadır. Çizelge 4.1’de kapalı otoparklara ait veri setinin içerdiği alanlar ve açıklamaları verilmiştir. Çizelgede görüldüğü gibi her otoparka gelen her bir aracın giriş ve çıkış zamanları gün-ay-yıl-saat- dakika cinsinden yer almaktadır. Buna ek olarak, otoparka ödenen miktar ve ödeme tipi bilgisi de bulunmaktadır. Çalışma kapsamında bu veri seti, senaryo oluşturma modülünde araçlar için gelişler arası sürelerin ve servis sürelerinin analizi için kullanılmıştır. Yapılan bu analizler doğrultusunda araç talepleri oluşturulmaktadır. Bir diğer ifadeyle, araçların sisteme geliş zamanları ve parkta kalma süreleri (servis zamanları) üretilmektedir. 51 Çizelge 4.1. Kapalı otopark veri seti açıklamaları (SFMTA, 2013) Alan İsmi Açıklama FACILITY_NAME Kapalı otoparkın ismi ENTRY_DATETIME Giriş zamanı (tarih ve saat) EXIT_DATETIME Çıkış zamanı (tarih ve saat) PAYMENT_AMOUNT Ödenen miktar PAYMENT_TYPE Ödeme tipi Yol-üstü otopark verileri, yol üstünde bulunan sensörler aracılığıyla elde edilmektedir. Veri seti, her blokta bulunan otoparklar için gün-ay-yıl-saat dilimi özelinde park yerlerinin dolu/boş olmasına bağlı olarak veri içermektedir. Gün tipi için hafta içi/sonu ayrımı yapılarak günün her bir saat dilimine karşılık gelen doluluk verileri mevcuttur. Çizelge 4.2’de veri setinin içerdiği alanlar ve açıklamaları sunulmaktadır. Burada blok ID için ilk 3-basamak sokağı, son 2-basamak ise blok numarasını ifade etmektedir. Elde edilen bu veriler tahmin aşamasında kullanılmak üzere MS Excel Visual Basic for Applications (VBA) ortamında yazılan kodlar aracılığıyla birtakım ön işlemlerden geçirilmektedir. Çizelge 4.3’te görüldüğü gibi beş adet yeni alan eklenmiştir. Mevcut veri setinde gün tipi için sözel olarak “weekday” ve “weekend” ayrımı yapılmıştır. Bu alan hafta içi ise 1, hafta sonu ise 0 olacak şekilde sayısal değere dönüştürülmüştür. Ardından 24-saatlik zaman dilimi cinsinden ilgili satırdaki veri girişinin zamanı eklenmiştir. Saatlik doluluk oranı (𝑑𝑜) ise Denklem (4.1)’de verildiği gibi hesaplanmıştır. Burada; 𝑡𝑑 park yerinin dolu olduğu toplam zamanı, 𝑡𝑏 ise park yerinin boş olduğu toplam zamanı ifade etmektedir. 𝑡𝑑 𝑑𝑜 = 𝑡 + 𝑡 (4.1) 𝑑 𝑏 Gün-ay-yıl-saat-dakika cinsinden verilen veri giriş zamanı tarih (gün-ay-yıl) ve saat (saat- dakika) olarak ayrıştırılmıştır. Mevcut durumda, ay bilgisinin metin tipinde olması nedeniyle böyle bir değişikliğe gidilmiş ve ay bilgisi sayısal değere dönüştürülmüştür. Buna ek olarak, tarih (gün-ay-yıl) ve saat (saat-dakika) ayrıştırması yapılarak, mevcut durumda yapılan hafta içi/sonu ayrımına ek olarak gelecekte haftanın yedi-günü için analiz yapılmasına imkan sunulmuştur. Toplam ölçüm yapılan zaman ise ilgili bloktaki 52 park yeri sayısı ile bir saate karşılık gelen 3 600 saniyenin çarpımına eşittir. Bu bilgi doğrultusunda her bir blokta bulunan park yeri sayısı (toplam kapasite) elde edilmiştir. Çizelge 4.2. Yol-üstü otopark veri seti açıklamaları (SFMTA, 2013) Alan İsmi Açıklama BLOCK_ID Her bloğa atanan tanımlayıcı numara (ID) STREET_NAME Sokak ismi BLOCK_NUM Blok numarası STREET_BLOCK Sokak ismi ve blok numarası AREA_TYPE Bölge tipi (pilot / kontrol) PM_DISTRICT_NAME Park yönetim bölgesinin ismi RATE O bloktaki park yerleri için saatlik ücret RATE_TYPE Ücret tipi START_TIME_DT Gün-ay-yıl-saat-dakika cinsinden veri giriş zamanı TOTAL_TIME Toplam süre TOTAL_OCCUPIED_TIME Toplam dolu zaman TOTAL_VACANT_TIME Toplam boş zaman TOTAL_UNKNOWN_TIME Toplam bilinmeyen zaman OP_TIME Sayaçların çalıştığı sürenin toplamı OP_OCCUPIED_TIME Sayaçların çalıştığı dönemdeki toplam dolu zaman OP_VACANT_TIME Sayaçların çalıştığı dönemdeki toplam boş zaman OP_UNKNOWN_TIME Sayaçların çalıştığı dönemdeki toplam bilinmeyen zaman NONOP_TIME Sayaçların devre dışı kaldığı sürenin toplamı NONOP_OCCUPIED_TIME Sayaçların çalışmadığı dönemdeki toplam dolu zaman NONOP_VACANT_TIME Sayaçların çalışmadığı dönemdeki toplam boş zaman NONOP_UNKNOWN_TIME Sayaçların çalışmadığı dönemdeki toplam bilinmeyen zaman GMP_TIME Tüm araçlara açık olunan (GMP) zaman diliminde park etme süresi GMP_OCCUPIED_TIME GMP zaman dilimi için dolu zaman GMP_VACANT_TIME GMP zaman dilimi için boş zaman GMP_UNKNOWN_TIME GMP zaman dilimi için bilinmeyen zaman COMM_TIME Ticari zaman diliminde park etme süresi COMM_OCCUPIED_TIME Ticari zaman dilimi için dolu zaman COMM_VACANT_TIME Ticari zaman dilimi için boş zaman COMM_UNKNOWN_TIME Ticari zaman dilimi için bilinmeyen zaman CAL_MONTH_NAME Ay ismi CAL_YEAR Yıl CAL_DATE Tarih DAY_TYPE Gün tipi (hafta içi / hafta sonu) Veri setine eklenen yeni alanlar üzerinden MS Excel VBA ortamında yazılan kodlar aracılığıyla, tarih alanında yapılan düzenlemeler sonunda San Francisco’da bulunan 409 53 bloğun her biri için ayrı ayrı doluluk oranı bilgilerini içeren bilgiler çekilmiş ve ayrı dosyalarda kaydedilmiştir. Burada tarihe göre büyükten küçüğe sıralama yapılarak her blok için zaman serisi verisi düzenlenmiştir. Çizelge 4.3. Yol-üstü otopark veri setine eklenen alanlar Alan İsmi Açıklama Gün_tipi Gün tipi için sayısal değer (hafta içi ise 1, hafta sonu ise sıfır) Saat_dilimi 24-saatlik zaman dilimi cinsinden veri girişi zamanı Doluluk_oranı İlgili zaman dilimindeki doluluk oranı Tarih Gün-ay-yıl cinsinden veri girişi zamanı Saat Saat-dakika cinsinden veri girişi zamanı Uygulama aşamasında, yeterli büyüklükte veri içermesi nedeniyle Fillmore bölgesinde yer alan Japan Center Garage kapalı otoparkı ve bu otoparkın etrafındaki yol-üstü otoparklara ait Temmuz 2012 – Ağustos 2012 aralığındaki veri seti kullanılmaktadır. Veri setinin içerdiği bilgilerin niteliği gereği, kapalı otopark verileri araç taleplerinin tahmin edilmesi amacıyla kullanılmaktadır. Tahmin ve öneri süreçlerinin gerçekleştirildiği bütünleşik yapıda ise yol-üstü otoparklar ve bu otoparklara ait veri seti ele alınmaktadır. Her bir otopark için Google Haritalar aracılığıyla enlem ve boylam bilgileri elde edilmiştir. Bu otoparkların toplam kapasitesi ile tahmin modeli aracılığıyla tahmin edilen uygunluk oranları ilişkilendirilerek park önerilerinin yapıldığı aşamadaki uygun kapasiteler belirlenmiştir. Simülasyon aşamasında kullanılacak araç taleplerinin oluşturulması amacıyla, yukarıda da bahsedildiği gibi Japan Center Garage kapalı otoparkına ait veriler üzerinden gelişler arası süreler ve servis süreleri analiz edilerek uygun istatistiksel dağılım ve parametreleri belirlenmiştir. Burada öncelikle, MS Excel VBA ortamında bir veri filtreleme mekanizması geliştirilmiştir. Uygulama aşamasında ele alınan otopark ve tarih aralığı için gerekli veriler çekilerek MATLAB ortamında analiz edilmiştir. Çizelge 4.4’te ve Çizelge 4.5’te sırasıyla gelişler arası sürelerin ve servis sürelerinin analizine ilişkin sonuçlar verilmiştir. Çizelgelerde, ele alınan her bir istatistiksel dağılım için tahmin edilen parametre(ler) ve yapılan analiz sonucu yer almaktadır. Hipotez testi sonucunda 𝐻0 = 0 değerini alması durumunda ilgili parametrelerin kabul edilebileceği ifade edilirken Log- 54 Likelihood değerinin küçük olması daha iyi bir sonuç elde edildiğini göstermektedir. Çizelgelerde de görüldüğü gibi gelişler arası sürelerin 𝑎 = 1,1594 ve 𝑏 = 0,0061 parametreleri ile Gama dağılıma uygun olduğu söylenebilir. Servis sürelerinin ise 𝑎 = 0,1066 ve 𝑏 = 2,3572 parametreleri ile Weibull dağılımına uygun olduğu söylenebilir. Çizelge 4.4. Gelişler arası sürelerin analizi İstatistiksel Parametreler Log-Likelihood Hipotez Dağılım Değeri Testi Beta 𝑎 = 1,1522 𝐿 = −748,3050 𝐻0 = 0 𝑏 = 161,9570 Üstel 𝜇 = 0,0071 𝐿 = −747,1215 𝐻0 = 0 Gama 𝑎 = 1,1594 𝐿 = −748,3700 𝐻0 = 0 𝑏 = 0,0061 Lojistik 𝜇 = 0,0060 𝐿 = −686,4113 𝐻0 = 1 𝜎 = 0,0035 LogLojistik 𝜇 = −5,3945 𝐿 = −742,5218 𝐻0 = 0 𝜎 = 0,6298 LogNormal 𝜇 = −5,4427 𝐿 = −748,2071 𝐻0 = 0 𝜎 = 1,0700 Normal 𝜇 = 0,0071 𝐿 = −673,5010 𝐻0 = 1 𝜎 = 0,0069 Weibull 𝑎 = 0,0073 𝐿 = −747,8188 𝐻0 = 0 𝑏 = 1,0694 Çizelge 4.5. Servis sürelerinin analizi İstatistiksel Parametreler Log-Likelihood Hipotez Dağılım Değeri Testi Beta 𝑎 = 3,8580 𝐿 = −101,5017 𝐻0 = 0 𝑏 = 37,1546 Üstel 𝜇 = 0,0942 𝐿 = −79,0271 𝐻0 = 0 Gama 𝑎 = 4,1878 𝐿 = −101,1611 𝐻0 = 0 𝑏 = 0,0225 Lojistik 𝜇 = 0,0926 𝐿 = −97,2724 𝐻0 = 0 𝜎 = 0,0262 LogLojistik 𝜇 = −2,4537 𝐿 = −97,7857 𝐻0 = 0 𝜎 = 0,3087 LogNormal 𝜇 = −2,4867 𝐿 = −99,2819 𝐻0 = 0 𝜎 = 0,5297 Normal 𝜇 = 0,0942 𝐿 = −99,8005 𝐻0 = 0 𝜎 = 0,0437 Weibull 𝑎 = 0,1066 𝐿 = −102,0403 𝐻0 = 0 𝑏 = 2,3572 55 4.2. Uygun Tahmin Modeli Yapılarının Belirlenmesi Araç taleplerinin analiz edilmesinin ardından, park yerlerinin doluluğunun tahmini için uygun tahmin yöntemlerin belirlenmesi amaçlanmıştır. Uygun yöntemlerin belirlenmesinin ardından kullanılan her modelin farklı parametre kombinasyonları için performans analizi yapılarak bu yöntemlerin uygun parametreleri bulunmuştur. Her bir yöntemin, ortalama karesel hatalar cinsinden en iyi sonucu veren kurgusu ise park tahmini ve park önerisini entegre eden yapı içerisinde kullanmak üzere ele alınmıştır. Çalışma kapsamında, belli bir otoparkın belli bir zaman dilimindeki doluluk oranlarının ve dolayısıyla uygun kapasite miktarlarının tahmin edilmesi amacıyla söz konusu otoparkların geçmiş doluluk oranlarına ek olarak, gün tipi ve saat dilimi olmak üzere iki dışsal değişken de ele alınmaktadır. Uygun tahmin modeli yapısının belirlenmesi amacıyla öncelikle uygulama aşamasında ele alınan veri setinde yer alan yol-üstü otoparklara ilişkin veri seti MS Excel VBA ortamında geliştirilen kodlar aracılığıyla birtakım ön işlemlerden geçirilmiştir ve her bir otoparka ait geçmiş doluluk oranları, gün tipi ve saat dilimi özelinde analiz edilmiştir. Burada bahsi geçen doluluk oranı değerleri sıfır ile bir arasında değer almaktadır. Gün tipi hafta içi ise bir değerini, hafta sonu ise sıfır değerini almakta ve saat dilimi 24-saatlik zaman dilimi cinsinden ifade edilmektedir. Söz konusu veri seti, önceki bölümde de bahsedildiği gibi Nisan 2011'den Temmuz 2013’ün sonuna kadar San Francisco'nun 10 bölgesindeki 117 sokağın 409 bloğunda yer alan yol üstü otoparklara ait verileri içermektedir. Bu veriler, her otopark ve zaman dilimi özelinde ilgili park yerlerinin dolu veya boş olduğunu göstermektedir. Bu çalışmada, öncelikle 409 otopark için zaman dilimi özelinde ortalama doluluk oranı desenleri analiz edilmiştir. Şekil 4.1’de örnek olarak farklı bölgelerde yer alan ve farklı doluluk oranı eğilimlerine sahip 12 blok için ortalama doluluk oranlarını gösteren grafikler sunulmuştur. Burada 𝑥-ekseninde, ilk 24 kategori hafta içinde yer alan saat dilimlerini, sonraki 24 kategori ise hafta sonunda yer alan saat dilimlerini ifade etmekte, dolayısıyla gün tipi-saat dilimi çiftlerini gösteren 48 kategori bulunmaktadır. 𝑦-ekseni ise ilgili zaman dilimine karşılık gelen ortalama doluluk oranlarını göstermektedir. Şekilde görüldüğü gibi, farklı otoparkların farklı doluluk oranı eğilimlerine sahip olduğu söylenebilir. Örneğin, 41103 ID numaralı otoparkın ortalama doluluk oranı değeri bire 56 yakın ve nispeten düzgündür. 20100 ID numaralı otoparkın da ortalama doluluk oranı değerleri diğer otoparklara kıyasla daha az dalgalanma içermekte ve yaklaşık %50'dir. Öte yandan, 38003 ve 52001 ID numaralı otoparklarda görüldüğü gibi bazı otoparkların ortalama doluluk oranları oldukça düzensizdir ve bazı zaman dilimlerinde neredeyse %0'dır. Tipik bir günlük doluluk oranı trendi olarak hem hafta içi hem de hafta sonlarında gece boyunca düşük ve gündüz boyunca yüksek doluluk oranlarına sahip yapıdan bahsedilebilir. 61418 ve 70102 ID numaralı otoparklara ait doluluk oranı desenleri, bu yapıya örnek olarak verilebilir. 61418 ID numaralı otopark için bu yapı ortalama olarak daha yüksek doluluk oranına sahipken 70102 ID numaralı otopark için doluluk değeri daha düşük oranlarda seyretmektedir. Şekil 4.1. Ortalama doluluk oranları A) Otopark ID: 41103 B) Otopark ID: 44304 C) Otopark ID: 46400 D) Otopark ID: 70102 E) Otopark ID: 20100 F) Otopark ID: 38003 G) Otopark ID: 52001 H) Otopark ID: 52003 I) Otopark ID: 65001 J) Otopark ID: 44016 K) Otopark ID: 61418 L) Otopark ID: 30500 Yukarıda da bahsedildiği gibi öncelikle park yerlerinin doluluğunun tahmini için uygun tahmin yöntemlerin belirlenmesi amaçlanmıştır. Bu amaçla, ARIMA, SARIMA ve YSA yapıları ele alınmıştır ve tatmin edici sonuçlara ulaşıldığından söz konusu yöntemler kullanılmıştır. Yeterli büyüklükte veri içermesi nedeniyle Temmuz 2012 – Ağustos 2012 aralığındaki veri seti ele alınmıştır. Öncelikle her bir otopark için ele alınan veri setinin %85'i kullanılarak her bir tahmin modeli için parametre tahmini yapılmıştır. Ardından 57 verilerin kalan %15'i ise belirlenen bu model parametreleri ile park yeri uygunluğunun tahmin edilmesi aşamasında kullanılmıştır. Elde edilen sonuçlar ise ortalama karesel hatalar açısından analiz edilmiştir. Tüm yaklaşımlar MATLAB ortamında uygulanmıştır. Çizelge 4.6’da San Francisco’nun farklı bölgelerinde yer alan otoparklar için ARIMA modelinin farklı tasarımları ile yapılan tahminlere ilişkin analizler sunulmuştur. Çizelgede de görüldüğü gibi 𝑝, 𝑑 ve 𝑞 için 1 ve 2 değerlerinin kombinasyonlarından oluşan model kurguları ele alınmıştır. Satırlar her bir model yapısını, sütunlar ise otoparkları temsil etmektedir. Son üç sütun ise sırasıyla her bir modelin minimum, maksimum ve ortalama performans değerlerini içermektedir. Çizelgede de görüldüğü gibi 𝑑 değerinin bire eşit olması durumunda, 𝑑 değerinin ikiye eşit olduğu durumlara kıyasla performansın önemli ölçüde arttığı gözlemlenmiştir. MATLAB’da ARIMA modellerinde izin verilen en yüksek 𝑑 değeri de ikidir. “-” yer alan hücreler ise tahmin edilen modelin tersinir olmadığı anlamına gelmektedir. Son üç satır, her bir otopark için yapılan tahminlerin sırasıyla minimum, maksimum ve ortalama performans değerlerini göstermektedir. Her otopark için elde edilen en iyi sonuç çizelgede gri renkle vurgulanmıştır. Genel olarak, ARIMA modelleri ile yapılan tahminlerin, 41103 ID numaralı otopark gibi doluluk oranları büyük dalgalanmalar içermeyen otoparklar için performans parametreleri açısından daha tatmin edici sonuçlar verdiği söylenebilir. Öte yandan, 61418 ID numaralı otopark gibi doluluk oranlarının gece ve gündüz arasında büyük farklılık gösterdiği ve dalgalanmalara sahip olduğu bazı otoparklar için performans değerleri uç değerlerdedir. ARIMA modellerinin genel performansını ölçmek için hesaplanan minimum ve maksimum değerler sırasıyla yeşil ve turuncu renkle gösterilmiştir. Çizelgede görüldüğü gibi, bu modelin performansı 0,0066 ile 6,5651 değerleri arasında değişmektedir. 𝑑 değerinin bire eşit olduğu durumlarda genel olarak daha iyi sonuçlar gözlemlendiğinden, bu değerin bire sabitlendiği durumda 𝑝 ve 𝑞 parametrelerinin farklı değerlerinin etkileri analiz edilmiş, ancak çizelgede sunulan değerlerden daha tatmin edici sonuçlar gözlemlenmemiştir. 58 Farklı SARIMA model yapıları için elde edilen sonuçlar Çizelge 4.7'de verilmiştir. Burada ARIMA modelinden farklı olarak 12 saatlik, 6 saatlik ve 4 saatlik mevsimsellik etkisi de ele alınmıştır. Çizelgenin son üç sütunu sırasıyla her bir modelin minimum, maksimum ve ortalama performans değerlerini içermektedir. Son üç satır da sırasıyla, her otopark için yapılan tahminlerin minimum, maksimum ve ortalama performans değerleri verilmiştir. ARIMA sonuçlarının sunulduğu çizelgede olduğu gibi burada da “-” yer alan hücreler tahmin edilen modelin tersinir olmadığı anlamına gelmektedir ve her otopark için elde edilen en iyi sonuç çizelgede gri renkle vurgulanmıştır. SARIMA modellerinin genel performansını ölçmek için hesaplanan minimum ve maksimum değerler ise sırasıyla yeşil ve turuncu renkle gösterilmiştir ve bu modelin performansı 0,0124 ile 184,0139 değerleri arasında değişmektedir. Her bir otopark için SARIMA modelleri ile elde edilen en iyi performans değerleri ile ARIMA modelleri ile edilen en iyi performans değerleri arasında önemli bir fark olmadığı söylenebilir. Öte yandan, entegrasyon parametresinin (𝑑) ikiye eşit olduğu durumlarda belirgin bir şekilde performans değerleri kötüleşmektedir. Çizelge 4. 8’de farklı YSA topolojileri için elde edilen sonuçlar verilmiştir. Burada HL gizli katman sayısını, HN ise her bir gizli katmandaki gizli nöron sayısını temsil etmektedir. Her ağ topolojisi için ilgili ağ 100 kez eğitilmiştir ve her eğitim için ortalama karesel hata cinsinden performans parametreleri sunulmuştur. Çizelgede satırlar her bir ağ topolojisini, sütunlar ise otoparkları temsil etmektedir. Her topoloji için 100 eğitimin minimum, maksimum ve ortalama performans değerleri verilmiştir. Son üç sütun ise her bir ağ topolojisi için sırasıyla genel minimum, maksimum ve ortalama performans değerlerini içermektedir. Her bir otopark için en iyi performans sonucu, çizelgede gri renkle vurgulanmıştır. Burada, ağ topolojisindeki değişikliklerin performans ölçütleri üzerinde önemli etkilerinin olmadığı açıkça görülmektedir. Öte yandan, YSA modellerinin genel performansının ARIMA (hem ARIMA hem de SARIMA) modellerinden daha iyi olduğu gözlemlenmektedir. Tüm ağ topolojileri için en iyi performans değerlerinin birbirine oldukça yakın ve tatmin edici düzeyde olduğu söylenebilir. 59 Çizelge 4.6. ARIMA tasarımlarının sonuçları Model 41103 44304 46400 70102 20100 38003 52001 52003 65001 44016 61418 30500 min maks ort (1,1,1) 0,0257 0,2534 0,0481 0,0069 0,0160 0,0917 0,0896 0,0852 0,0446 0,1447 0,1317 0,1430 0,0069 0,2534 0,0901 (1,2,1) 0,3948 2,5736 0,1532 0,0511 0,5774 1,5874 2,5254 4,3960 0,1125 0,1135 6,3232 0,8102 0,0511 6,3232 1,6349 (1,1,2) 0,0245 0,1677 0,0494 0,0070 0,0160 0,0956 0,0780 0,1125 0,0446 0,1464 0,1237 0,1411 0,0070 0,1677 0,0839 (1,2,2) 0,4677 4,0585 0,2219 - 0,5845 0,1345 2,3168 0,3902 0,5309 0,5278 6,5651 0,0656 0,0656 6,5651 1,4421 (2,1,1) 0,0204 0,1114 0,0493 0,0066 0,0191 0,0991 0,0680 0,0979 0,0432 0,1491 0,1290 0,1040 0,0066 0,1491 0,0748 (2,2,1) 0,7031 2,3228 0,1681 0,0491 0,6029 0,8587 0,3931 3,5926 1,8328 0,1346 4,0114 0,6327 0,0491 4,0114 1,2752 (2,1,2) 0,0145 - 0,0479 - 0,0191 0,1234 0,0669 0,0678 0,0442 0,1229 0,1209 0,0944 0,0145 0,1234 0,0722 (2,2,2) 0,7114 1,9275 0,0914 0,0599 0,0297 1,1796 0,3532 0,3232 1,2776 0,3699 1,9974 0,1031 0,0297 1,9974 0,7020 min 0,0145 0,1114 0,0479 0,0066 0,0160 0,0917 0,0669 0,0678 0,0432 0,1135 0,1209 0,0656 maks 0,7114 4,0585 0,2219 0,0599 0,6029 1,5874 2,5254 4,3960 1,8328 0,5278 6,5651 0,8102 ort 0,2953 1,6307 0,1037 0,0301 0,2331 0,5213 0,7364 1,1332 0,4913 0,2136 2,4253 0,2618 min: minimum, maks: maksimum, ort: ortalama 60 Çizelge 4.7. SARIMA tasarımlarının sonuçları Model 41103 44304 46400 70102 20100 38003 52001 52003 65001 44016 61418 30500 min maks ort (1,1,1)(1,1,1)12 0,0250 0,3898 0,4122 0,0666 0,0368 0,0948 0,1043 0,2559 0,2155 0,1615 0,3551 0,1700 0,0250 0,4122 0,1906 (1,2,1)(1,2,1)12 2,8894 0,0504 6,8110 0,2166 0,3747 13,9116 0,6766 0,8638 14,9299 48,7462 36,5618 0,2733 0,0504 48,7462 10,5254 (1,1,2)(1,1,2)12 0,0349 0,0671 0,1007 - 0,0253 0,2026 0,0594 - 0,2575 0,1310 0,1579 0,0915 0,0253 0,2575 0,1128 (1,2,2)(1,2,2)12 0,1241 0,1238 0,2463 0,0336 0,4182 16,5403 0,5206 2,7069 7,9254 29,5158 12,1946 0,2662 0,0336 29,5158 5,8847 (2,1,1)(2,1,1)12 0,0979 0,0819 0,1230 0,0553 0,0385 0,1481 0,1574 0,2329 0,2666 0,0673 0,1202 0,3047 0,0385 0,3047 0,1412 (2,2,1)(2,2,1)12 10,5542 39,3704 0,1750 0,2189 0,0410 3,5331 0,0567 3,7426 11,8478 0,5462 31,6452 13,8224 0,0410 39,3704 9,6295 (2,1,2)(2,1,2)12 0,1079 0,0912 0,0964 - - 0,0936 0,0730 0,1169 0,3469 0,0905 0,1155 0,1179 0,0730 0,3469 0,1250 (2,2,2)(2,2,2)12 0,0329 12,2927 - - 0,0465 18,1968 0,0947 0,6628 22,0309 5,3069 15,7708 0,9760 0,0329 22,0309 7,5411 (1,1,1)(1,1,1)6 0,0188 2,8139 0,0674 0,1817 0,0525 1,0033 0,2243 0,1075 0,1542 0,7172 7,1533 0,2458 0,0188 7,1533 1,0617 (1,2,1)(1,2,1)6 5,7949 6,5273 0,1270 0,2322 1,2457 5,4339 0,4917 19,7664 3,3386 5,6490 81,0662 0,7995 0,1270 81,0662 10,8727 (1,1,2)(1,1,2)6 0,0613 1,3921 0,1533 0,9429 0,0951 0,6653 0,8541 0,0727 0,5104 0,9396 0,5213 0,0947 0,0613 1,3921 0,5252 (1,2,2)(1,2,2)6 1,6543 0,3470 0,1851 0,2955 0,9354 11,8654 0,6065 1,1481 16,9839 20,4058 121,9488 - 0,1851 121,9488 16,0342 (2,1,1)(2,1,1)6 0,0124 0,3998 0,1231 0,0172 0,0294 0,1907 0,1037 0,1176 0,4824 0,0644 1,7358 0,2917 0,0124 1,7358 0,2974 (2,2,1)(2,2,1)6 27,4214 35,9238 0,0910 0,1918 0,1023 0,3297 0,4980 132,6521 4,0970 11,8519 31,9383 3,9734 0,0910 132,6521 20,7559 (2,1,2)(2,1,2)6 0,0232 0,5756 0,0679 0,0149 0,0490 0,1161 0,0509 0,0867 0,3886 0,1166 0,1948 0,1179 0,0149 0,5756 0,1502 (2,2,2)(2,2,2)6 35,4279 12,9549 - 0,2129 0,0296 0,3802 - 44,9302 1,6804 5,1799 153,5769 1,2030 0,0296 153,5769 25,5576 (1,1,1)(1,1,1)4 0,2775 2,1208 0,1672 0,0188 0,0611 0,7427 0,0338 1,1246 0,3730 0,2855 5,4036 0,2356 0,0188 5,4036 0,9037 (1,2,1)(1,2,1)4 7,7359 44,6646 18,0968 1,0058 2,1480 55,9088 0,4667 0,3363 3,3735 24,4097 184,0139 8,9167 0,3363 184,0139 29,2564 (1,1,2)(1,1,2)4 0,1958 0,9020 0,1064 0,0312 0,0278 0,7027 0,0668 0,2676 0,2774 0,2218 5,0735 0,1788 0,0278 5,0735 0,6710 (1,2,2)(1,2,2)4 15,4695 52,1808 7,4216 0,3184 0,3515 65,3474 0,5691 5,9605 2,2043 60,9320 163,1550 1,2388 0,3184 163,1550 31,2624 (2,1,1)(2,1,1)4 0,0586 1,5773 0,2190 0,0186 0,0211 0,1146 0,4918 0,2651 0,4911 0,0777 1,4611 0,2644 0,0186 1,5773 0,4217 (2,2,1)(2,2,1)4 1,3854 1,4773 11,6067 0,1923 0,2790 8,1183 27,7042 28,2866 3,2912 0,8987 53,6236 18,1039 0,1923 53,6236 12,9139 (2,1,2)(2,1,2)4 0,0208 0,2283 0,1450 0,2314 0,0303 0,1395 0,0435 0,3037 0,4949 0,0544 1,1098 - 0,0208 1,1098 0,2547 (2,2,2)(2,2,2)4 - 1,7328 0,2875 0,1894 - 0,2055 4,2846 - 0,0482 0,1929 183,5629 1,3710 0,0482 183,5629 21,3194 min 0,0124 0,0504 0,0674 0,0149 0,0211 0,0936 0,0338 0,0727 0,0482 0,0544 0,1155 0,0915 maks 35,4279 52,1808 18,0968 1,0058 2,1480 65,3474 27,7042 132,6521 22,0309 60,9320 184,0139 18,1039 ort 4,7576 9,0952 2,1286 0,2231 0,2927 8,4994 1,6623 11,0913 4,0004 9,0234 45,5192 2,4117 min: minimum, maks: maksimum, ort: ortalama 61 Çizelge 4.8. YSA tasarımlarının sonuçları Model 41103 44304 46400 70102 20100 38003 52001 52003 65001 44016 61418 30500 min maks ort min 0,0082 0,0176 0,0280 0,0046 0,0134 0,0419 0,0265 0,0232 0,0308 0,0270 0,0186 0,0594 1HL – 5 HN maks 0,0285 3,2258 0,3584 0,0169 0,0502 0,6271 0,1701 0,0635 5,6557 0,1286 9,0389 0,5519 0,0046 9,0389 0,5860 ort 0,0139 0,0968 0,0631 0,0077 0,0192 0,1725 0,0391 0,0357 0,1356 0,0579 0,1600 0,0811 min 0,0096 0,0174 0,0352 0,0047 0,0131 0,0482 0,0237 0,0217 0,0313 0,0260 0,0150 0,0558 1 HL – 10 HN maks 0,7094 0,7355 0,8630 0,1020 0,0407 2,3872 0,1081 0,6442 0,1602 0,7581 2,1286 2,3646 0,0047 2,3872 0,3378 ort 0,0218 0,0666 0,0792 0,0102 0,0195 0,2615 0,0413 0,0454 0,0493 0,0563 0,0854 0,1193 min 0,0082 0,0165 0,0334 0,0048 0,0117 0,0617 0,0205 0,0208 0,0326 0,0279 0,0121 0,0631 1 HL – 20 HN maks 0,1992 1,4078 1,0722 0,1830 0,0904 3,2901 1,4766 0,1381 3,2948 3,3473 1,6149 4,2929 0,0048 4,2929 0,6104 ort 0,0203 0,1145 0,0902 0,0143 0,0218 0,4260 0,0587 0,0454 0,1332 0,0796 0,0973 0,1530 min 0,0089 0,0151 0,0250 0,0050 0,0135 0,0309 0,0222 0,0223 0,0331 0,0283 0,0164 0,0613 2 HL – 5/5 HN maks 0,0407 0,2535 0,1550 0,3435 0,0552 1,5327 0,2099 0,0949 0,3629 0,1035 0,2375 0,8823 0,0050 1,5327 0,1446 ort 0,0148 0,0392 0,0559 0,0121 0,0183 0,1938 0,0362 0,0399 0,0493 0,0549 0,0504 0,0858 min 0,0088 0,0158 0,0261 0,0050 0,0123 0,0377 0,0195 0,0230 0,0299 0,0299 0,0162 0,0607 2 HL – 5/10 HN maks 0,0504 1,3495 0,1358 0,0385 0,0430 3,3123 0,2728 0,0736 0,3403 0,1861 0,9107 0,6014 0,0050 3,3123 0,2311 ort 0,0155 0,0673 0,0576 0,0089 0,0196 0,2142 0,0413 0,0386 0,0559 0,0618 0,0551 0,0837 min 0,0087 0,0149 0,0257 0,0048 0,0132 0,0414 0,0213 0,0263 0,0331 0,0254 0,0154 0,0602 2 HL – 5/20 HN maks 0,2769 0,5491 3,4006 0,0749 0,1516 1,4048 0,3093 0,1092 2,7424 0,2950 3,4418 0,6466 0,0048 3,4418 0,4037 ort 0,0242 0,0627 0,0978 0,0103 0,0218 0,2126 0,0425 0,0423 0,0758 0,0586 0,1017 0,0892 min: minimum, maks: maksimum, ort: ortalama 62 Çizelge 4.8. YSA tasarımlarının sonuçları (devam) Model 41103 44304 46400 70102 20100 38003 52001 52003 65001 44016 61418 30500 min maks ort min 0,0089 0,0191 0,0262 0,0046 0,0133 0,0439 0,0171 0,0202 0,0313 0,0282 0,0133 0,0626 2 HL – 10/5 HN maks 0,0723 2,3390 0,1117 0,0338 0,0584 0,9034 0,1060 0,2169 1,2567 0,3308 0,1324 0,1548 0,0046 2,3390 0,1866 ort 0,0168 0,0930 0,0567 0,0085 0,0193 0,2072 0,0365 0,0411 0,0604 0,0563 0,0408 0,0775 min 0,0084 0,0176 0,0243 0,0047 0,0115 0,0444 0,0181 0,0179 0,0312 0,0260 0,0101 0,0575 2 HL – 10/10 HN maks 0,0487 0,5835 0,4023 0,4368 0,0585 0,7715 0,0955 0,1374 3,9846 0,0945 1,8689 1,5100 0,0047 3,9846 0,3076 ort 0,0167 0,0504 0,0669 0,0150 0,0195 0,2261 0,0383 0,0448 0,1183 0,0504 0,0671 0,0953 min 0,0085 0,0170 0,0250 0,0047 0,0138 0,0407 0,0187 0,0169 0,0349 0,0258 0,0155 0,0591 2 HL – 10/20 HN maks 0,5560 1,5688 0,4842 0,0713 0,0718 3,0185 1,1628 1,6521 1,7475 0,1087 1,0172 0,2121 0,0047 3,0185 0,3608 ort 0,0295 0,1231 0,0833 0,0101 0,0209 0,3528 0,0617 0,0588 0,0974 0,0493 0,0668 0,0842 min 0,0086 0,0162 0,0336 0,0049 0,0128 0,0444 0,0172 0,0190 0,0312 0,0271 0,0135 0,0619 2 HL – 20/5 HN maks 0,1506 1,2633 0,2333 0,0238 0,0652 1,6962 0,2939 0,5136 1,8483 0,1135 0,2252 0,9988 0,0049 1,8483 0,2363 ort 0,0178 0,0578 0,0651 0,0083 0,0221 0,2581 0,0461 0,0465 0,0841 0,0517 0,0478 0,0867 min 0,0090 0,0154 0,0333 0,0047 0,0120 0,0609 0,0165 0,0225 0,0330 0,0241 0,0104 0,0592 2 HL – 20/10 HN maks 0,0377 1,4927 0,2780 0,0507 0,0541 5,6170 2,1637 1,4603 1,2685 0,1027 0,4089 0,2815 0,0047 5,6170 0,4021 ort 0,0126 0,0877 0,0753 0,0086 0,0210 0,3504 0,0796 0,0599 0,0892 0,0485 0,0458 0,0799 min 0,0085 0,0174 0,0317 0,0047 0,0113 0,0531 0,0218 0,0124 0,0313 0,0236 0,0164 0,0603 2 HL – 20/20 HN maks 0,0886 2,3575 0,2260 0,0672 0,1089 2,5729 0,3865 0,2056 2,7945 0,1184 1,8642 1,8981 0,0047 2,7945 0,3928 ort 0,0206 0,1551 0,0788 0,0108 0,0224 0,3427 0,0505 0,0425 0,1627 0,0498 0,0813 0,1416 min: minimum, maks: maksimum, ort: ortalama 63 Önceki sayfalarda detayları sunulduğu gibi park yerlerinin doluluğunun tahmini için öncelikle, uygun tahmin yöntemleri belirlenmiştir. Yapılan ön analizler otoparkların farklı doluluk oranı eğilimlerine göre farklı yöntemlerle daha iyi sonuçlar elde edilebildiğini göstermiştir. Bu yöntemlerin belirlenmesinin ardından kullanılan her modelin farklı parametre kombinasyonları için performans analizleri yapılmıştır. Her bir yöntem için farklı parametre kurguları ile tahmin yapılarak her bir yöntemin kendi içerisinde uygun parametreleri belirlenmiştir. Her bir yöntemin, ortalama karesel hatalar cinsinden en iyi sonucu veren kurgusu ise park tahmini ve park önerisini entegre eden yapı içerisinde diğer yöntemlerle karşılaştırılarak kullanmak üzere ele alınmıştır. Tez çalışmasının uygulama aşamasında, önceki bölümde de belirtildiği gibi, yeterli büyüklükte veri içermesi nedeniyle San Francisco’nun Fillmore bölgesinde yer alan Japan Center Garage kapalı otoparkı ve bu otoparkın etrafındaki yol-üstü otoparklara ait Temmuz 2012 – Ağustos 2012 aralığındaki veri seti kullanılmaktadır. Veri setinin içerdiği bilgilerin niteliği gereği, kapalı otopark verileri araç taleplerinin tahmin edilmesi amacıyla kullanılmaktadır. Tahmin ve öneri süreçlerinin gerçekleştirildiği bütünleşik yapıda ise yol-üstü otoparklar ve bu otoparklara ait veri seti ele alınmaktadır. Burada ele alınan bölgenin merkezinde bulunan 72215 ID numaralı yol-üstü otoparka ait veriler referans alınarak bir defaya mahsus olmak üzere ele alınan bölge için en uygun ARIMA, SARIMA ve YSA tasarımları belirlenmiştir. Ajan-tabanlı park öneri sisteminde bu tasarımlar kullanılarak her bir otopark için uygun kapasite tahmini yapılmakta ve öneri sisteminin girdisi olarak bu modeller arasından da en iyi performansa sahip model ile hesaplanan uygun kapasite değeri ele alınmaktadır. Çizelge 4.9’da ARIMA modeli için yapılan deneylerin sonuçları verilmiştir. Burada, 𝑝, 𝑑 ve 𝑞 için 1 ve 2 değerlerinin kombinasyonlarından oluşan model kurguları ele alınmıştır. Çizelgede görüldüğü gibi 𝐴𝑅𝐼𝑀𝐴(1,2,2) kurgusu ortalama karesel hatalar cinsinden en iyi sonucu vermektedir. Yapılan çalışmalar 𝑑 değerinin 2 olması durumunda performansın önemli ölçüde iyileştiğini göstermiştir. Bu nedenle, 𝑑 değerinin 2'ye sabitlendiği durumda 𝑝 ve 𝑞 parametrelerinin etkileri analiz edilmiştir fakat bulunan en iyi değerden daha tatmin edici sonuçlar ortaya çıkmamıştır. Örneğin, 𝐴𝑅𝐼𝑀𝐴𝑋(2,2,4) ve 𝐴𝑅𝐼𝑀𝐴𝑋(8,2,2) kurguları ile nispeten iyi sonuçlar gözlense de ortalama karesel hata 64 değerleri yaklaşık 0,0500 olarak elde edilmiştir. Bu nedenle, park tahmini ve önerisinin yapıldığı ana kurguda 𝐴𝑅𝐼𝑀𝐴𝑋(1,2,2) modeli ele alınmaktadır. Çizelge 4.9. Ele alınan bölge için ARIMA tasarımlarının sonuçları Model Performans Model Performans 𝐴𝑅𝐼𝑀𝐴(1,1,1) 0,4892 𝐴𝑅𝐼𝑀𝐴(2,1,1) 0,4579 𝐴𝑅𝐼𝑀𝐴(1,2,1) 0,1187 𝐴𝑅𝐼𝑀𝐴(2,2,1) 0,0644 𝐴𝑅𝐼𝑀𝐴(1,1,2) 0,6165 𝐴𝑅𝐼𝑀𝐴(2,1,2) 0,4762 𝐴𝑅𝐼𝑀𝐴(1,2,2) 0,0595 𝐴𝑅𝐼𝑀𝐴(2,2,2) 0,0830 SARIMA modeli için yapılan deneylerin sonuçları Çizelge 4.10’da verilmiştir. Burada ARIMA modelinden farklı olarak mevsimselliğin etkisi de ele alınmaktadır ve çizelgede görüldüğü gibi 4-saatlik periyotların ele alındığı 𝑆𝐴𝑅𝐼𝑀𝐴𝑋(1,1,2)(1,1,2)4 kurgusu uygun model kurgusu olarak belirlenerek park tahmini ve önerisinin yapıldığı ana yapıda ele alınmaktadır. Çizelge 4.10. Ele alınan bölge için SARIMA tasarımlarının sonuçları Model Performans Model Performans 𝑆𝐴𝑅𝐼𝑀𝐴(1,1,1)(1,1,1)12 0,1281 𝑆𝐴𝑅𝐼𝑀𝐴(2,1,1)(2,1,1)6 0,3523 𝑆𝐴𝑅𝐼𝑀𝐴(1,2,1)(1,2,1)12 0,3470 𝑆𝐴𝑅𝐼𝑀𝐴(2,2,1)(2,2,1)6 12,8706 𝑆𝐴𝑅𝐼𝑀𝐴(1,1,2)(1,1,2)12 0,1906 𝑆𝐴𝑅𝐼𝑀𝐴(2,1,2)(2,1,2)6 0,3347 𝑆𝐴𝑅𝐼𝑀𝐴(1,2,2)(1,2,2)12 0,1760 𝑆𝐴𝑅𝐼𝑀𝐴(2,2,2)(2,2,2)6 35,7757 𝑆𝐴𝑅𝐼𝑀𝐴(2,1,1)(2,1,1)12 0,8131 𝑆𝐴𝑅𝐼𝑀𝐴(1,1,1)(1,1,1)4 0,0823 𝑆𝐴𝑅𝐼𝑀𝐴(2,2,1)(2,2,1)12 9,6169 𝑆𝐴𝑅𝐼𝑀𝐴(1,2,1)(1,2,1)4 215,1758 𝑆𝐴𝑅𝐼𝑀𝐴(2,1,2)(2,1,2)12 0,6056 𝑆𝐴𝑅𝐼𝑀𝐴(1,1,2)(1,1,2)4 0,0521 𝑆𝐴𝑅𝐼𝑀𝐴(2,2,2)(2,2,2)12 6,4483 𝑆𝐴𝑅𝐼𝑀𝐴(1,2,2)(1,2,2)4 78,9442 𝑆𝐴𝑅𝐼𝑀𝐴(1,1,1)(1,1,1)6 0,2493 𝑆𝐴𝑅𝐼𝑀𝐴(2,1,1)(2,1,1)4 0,3536 𝑆𝐴𝑅𝐼𝑀𝐴(1,2,1)(1,2,1)6 0,2610 𝑆𝐴𝑅𝐼𝑀𝐴(2,2,1)(2,2,1)4 6,1302 𝑆𝐴𝑅𝐼𝑀𝐴(1,1,2)(1,1,2)6 0,1795 𝑆𝐴𝑅𝐼𝑀𝐴(2,1,2)(2,1,2)4 0,1650 𝑆𝐴𝑅𝐼𝑀𝐴(1,2,2)(1,2,2)6 2,7785 𝑆𝐴𝑅𝐼𝑀𝐴(2,2,2)(2,2,2)4 0,3511 Çizelge 4.11’de farklı YSA tasarımları için elde edilen sonuçlar verilmiştir. Burada D ile ele alınan gecikme derecesi, HL ile gizli katman sayısı ve HN ile her bir gizli katmandaki gizli nöron sayısı ifade edilmektedir. Ele alınan her kurgu için ağ 100 kere eğitilerek elde edilen en iyi sonuca ait ağ kaydedilmiş ve performans değerleri sunulmuştur. Çizelgede de görüldüğü gibi ağ topolojisindeki değişikliklerin sonuç üzerinde önemli bir etkisinin 65 olmadığı, öte yandan, gecikme derecesinin 1 değerinden 2 değerine çıkarıldığı durumlarda nispeten daha iyi sonuçların elde edildiği söylenebilir. Çizelgede görüldüğü gibi 2 gizli katman ve her katmanda 10 gizli nöron bulunan 2𝐷– 2𝐻𝐿– 10/10𝐻𝑁 tasarımı en iyi sonucu vermektedir. Çizelgede yer alan sonuçlara ek olarak, nöron sayısının etkisini gözlemlemek amacıyla farklı nöron sayıları için de deneyler yapılmıştır. Nöron sayısı arttırılarak 50’ye çıkarılması durumunda elde edilen sonuçların mevcut durumdan daha iyi olmadığı gözlemlenmiştir. Nöron sayısı 100’e arttırıldığında ise sonuçlarda kötüleşme görülmüştür. Gecikme derecesi arttırıldığında ise 𝐷 = 4 için mevcut duruma yakın değerler gözlemlenirken 𝐷 = 6 için nispeten daha kötü değerler gözlenmiştir. 𝐷 = 12 olarak ele alındığında ise sonuçlar önemli ölçüde kötüleşmiştir. Dolayısıyla 2𝐷– 2𝐻𝐿– 10/10𝐻𝑁 tasarımı park önerilerinin sunulduğu ana kurguda ele alınmıştır. Çizelge 4.11. Ele alınan bölge için YSA tasarımlarının sonuçları Model Performans Model Performans 1 D – 1 HL – 5 HN 0,0288 2 D – 1 HL – 5 HN 0,0256 1 D – 1 HL – 10 HN 0,0271 2 D – 1 HL – 10 HN 0,0229 1 D – 1 HL – 20 HN 0,0272 2 D – 1 HL – 20 HN 0,0235 1 D – 2 HL – 5/5 HN 0,0260 2 D – 2 HL – 5/5 HN 0,0234 1 D – 2 HL – 5/10 HN 0,0249 2 D – 2 HL – 5/10 HN 0,0250 1 D – 2 HL – 5/20 HN 0,0274 2 D – 2 HL – 5/20 HN 0,0225 1 D – 2 HL – 10/5 HN 0,0277 2 D – 2 HL – 10/5 HN 0,0227 1 D – 2 HL – 10/10 HN 0,0243 2 D – 2 HL – 10/10 HN 0,0198 1 D – 2 HL – 10/20 HN 0,0250 2 D – 2 HL – 10/20 HN 0,0203 1 D – 2 HL – 20/5 HN 0,0269 2 D – 2 HL – 20/5 HN 0,0217 1 D – 2 HL – 20/10 HN 0,0232 2 D – 2 HL – 20/10 HN 0,0211 1 D – 2 HL – 20/20 HN 0,0223 2 D – 2 HL – 20/20 HN 0,0201 Uygun gizli katman ve her katmandaki gizli nöron sayılarının belirlenmesi aşamasında, MATLAB Neural Network uygulamasının varsayılan yöntemi olan Levenberg- Marquardt eğitim algoritması (trainlm) kullanılmıştır. Bir diğer eğitim fonksiyonu olan Bayes Düzenlemesi ile Levenberg-Marquardt eğitim algoritmasının kullanıldığı (trainbr) yöntem ile elde edilen ortalama karesel hata değeri ise 0,0094 olarak gözlenmiştir. Bu yöntemde ağırlık ve sapma değerleri Levenberg-Marquardt algoritmasına göre güncellenmektedir. Karesel hatalar ve ağırlıkların doğru kombinasyonunu minimize eden ağ yapısı belirlenmekte ve bu sürece Bayes Düzenlemesi (Bayesian Regularization) 66 denmektedir. Bu yöntem diğer fonksiyonlarla kıyaslandığında daha uzun işlem süreleri ile bilinmektedir. Son olarak, küçük veri kümelerinde daha iyi sonuçlar verdiği bilinen Ölçeklendirilmiş Eşlenik Gradyan (Scaled Conjugate Gradient) yöntemine göre ağırlık ve sapma değerlerini fonksiyon (trainscg) ile eğitim yapıldığında ise ortalama karesel hata değeri 0,0280 olarak elde edilmiştir. Böylelikle, her bir yöntem için en uygun model tasarımlarının belirlenmesinin ardından park tahmini ve önerilerinin yapıldığı bütünleşik park yönetim sisteminde kullanılacak tahmin modeli yapıları belirlenmiştir. 4.3. Uygulama, Bulgular ve Tartışma Yöntem bölümünde genel adımları verilen yapı, sistemi kullanan farklı aktörlerin farklı stratejilerini yansıtmak ve akıllı park yönetim sisteminin kullanımının önemini vurgulamak amacıyla (i) sistemi kullanan araç oranı, (ii) yürüyüş mesafesi eşik değeri ve (iii) ücret eşik değeri olmak üzere senaryo parametrelerinin farklı değerleri doğrultusunda analiz edilmiştir. Burada sistemi kullanan araç oranı için 0,25, 0,50 ve 0,75 olmak üzere 3 seviye; yürüme mesafesi eşik değeri için 0,25, 0,50, 0,75, 1,00 ve 2,00 olmak üzere 5 seviye ücret eşik değeri için 2,50, 5,00, 10,00, 20,00 ve 40,00 olmak üzere 5 seviye mevcuttur. Böylelikle 75 farklı senaryo ortaya çıkmaktadır. Sistemi kullanan araçların yarısının rezervasyonlu yarısının ise rezervasyonsuz olduğu varsayılmaktadır. Araç tarafında fayda fonksiyonu kriterlerine tekil olarak ağırlık verme ya da vermeme olmak üzere farklı kullanıcı davranışları dikkate alınmaktadır. Örneğin, yürüyüş mesafesine ağırlık veren bir araç kullanıcısı için 𝛼2 = 10 iken 𝛼1 = 𝛼3 = 𝛼4 = 𝛼5 = 1 değerini almaktadır. Benzer şekilde, otopark ücretine ağırlık veren bir kullanıcı için 𝛼3 = 10 iken 𝛼1 = 𝛼2 = 𝛼4 = 𝛼5 = 1 değerini almaktadır. Sırasıyla, her araç için fayda fonksiyonu parametrelerine tekil ağırlık verecek şekilde, rassal olarak ilgili ağırlık parametreleri belirlenmiştir. Sistemi kullanan araçlar için her bir senaryo özelinde, senaryo parametresi olan eşik değerlerle ilişkilendirebilmek adına, yürüme mesafesinin ve toplam ücretin ortalamaları üzerinden global maliyet parametresi hesaplanmaktadır. Burada, 𝑤𝑜𝑟𝑡(𝑐𝑜𝑟𝑡) ortalama yürüme mesafesi (toplam ücret), 𝑤𝑚𝑖𝑛(𝑐𝑚𝑖𝑛) minimum yürüme mesafesi (toplam ücret), 𝑤𝑚𝑎𝑘𝑠(𝑐𝑚𝑎𝑘𝑠) maksimum yürüme mesafesi (toplam ücret) ve 𝛾 ölçek faktörü olmak üzere her bir senaryo için global maliyet değeri (𝐶) Denklem (4.2) ile verilen ifadeye göre hesaplanmaktadır. Uygulama aşamasında ölçek faktörü bir olarak ele 67 alınmıştır. Yürüme mesafesi ve ücret ile ilgili parametrelerse simülasyon sonucundaki ilgili araç ajan özelliklerinin değerleri üzerinden hesaplanmaktadır. 𝑤𝑜𝑟𝑡 𝑐𝑜𝑟𝑡 𝐶 = + 𝛾 (4.2) 𝑤𝑚𝑎𝑘𝑠 − 𝑤𝑚𝑖𝑛 𝑐𝑚𝑎𝑘𝑠 − 𝑐𝑚𝑖𝑛 Geliştirilen kurgunun geçerliliğinin test edilmesi amacıyla, San Francisco veri seti kullanılarak MATLAB ortamında uygulama yapılmıştır. San Francisco’nun Fillmore bölgesinde yer alan Japan Center Garage bölgesinin 1 km çapındaki yol-üstü otoparklar ele alınmıştır. Bu otoparkların, Temmuz 2012 – Ağustos 2012 verileri kullanılarak hafta içi bir gün ve saat 08:00 için park yeri uygunluğu tahmin edilmiştir. Burada, ARIMA, SARIMA ve YSA kurguları aracılığıyla park yerleri için uygun kapasite tahmini yapılmıştır. İlgili otoparkların birim zamandaki ücret değerleri [1,10] aralığında tamsayılı değerler alacak şekilde rassal olarak oluşturulmuştur. Ardından önceden belirlenen talep tahmini parametreleri doğrultusunda araçların sisteme gelişleri arasındaki süreler ve servis (parkta kalma) süreleri oluşturulmuştur. Araç kalkış noktaları San Francisco sınırları içerisinde rassal olarak oluşturulurken varış noktaları ele alınan Japan Center Garage bölgesinde olacak şekilde rassal olarak belirlenmiştir. Araç tipleri ise her bir senaryoda ele alınan sistem kullanım oranı çerçevesinde rassal olarak belirlenmiştir. Durdurma kriteri olarak 12 saat belirlenmiştir. Senaryolar rassal unsurlar içerdiği için her bir senaryo 100 replikasyon boyunca çalıştırılmıştır ve Çizelge 4.12’de Kurgu – 1 için elde edilen özet sonuçlar sunulmuştur. Araç durumunun dört (faydalı otopark bulunamaması) veya beş (önerilen otoparkta uygun kapasite bulunamaması) olması durumunda ilgili araçlar gezinen araç olarak ele alınmakta ve bu araçların sayısının sisteme giriş yapan toplam araç sayısına bölünmesi ile gezinen araç oranı hesaplanmaktadır. Çizelge 4.12’de yer alan sonuçlar incelendiğinde, beklenildiği üzere sistem kullanım oranının ve yürüme mesafesi ile ücret eşik değerlerinin azalmasıyla birlikte, gezinen araç oranı ve global maliyet değeri önemli ölçüde artmaktadır. Örneğin; sistem kullanım oranının 0,75, yürüme mesafesi eşik değerinin 2,00 km ve toplam otopark ücreti eşik değerinin 40,00 birim olduğu 75. senaryoda gezinen araç oranı %1 ve global maliyet değeri 0,5628 iken yürüme mesafesi eşik değerinin 1,00 km olduğu 60. senaryoda bu gezinen araç oranı %4 ve global maliyet değeri 0,7839 olmaktadır. 68 Çizelge 4.12. Kurgu – 1 için elde edilen sonuçların özeti Sistem Yürüme Gezinen Global Toplam Ücret Senaryo Kullanım Mesafesi Araç Maliyet Eşik Değeri Oranı Eşik Değeri Oranı Değeri 1 0,25 0,25 2,50 %97 23,3600 2 0,50 0,25 2,50 %97 5,0636 3 0,75 0,25 2,50 %97 2,4960 4 0,25 0,25 5,00 %84 1,9649 5 0,50 0,25 5,00 %84 1,6640 6 0,75 0,25 5,00 %84 1,5381 7 0,25 0,25 10,00 %69 1,5060 8 0,50 0,25 10,00 %70 1,3456 9 0,75 0,25 10,00 %70 1,2909 10 0,25 0,25 20,00 %65 1,1597 11 0,50 0,25 20,00 %65 1,0914 12 0,75 0,25 20,00 %65 1,0643 13 0,25 0,25 40,00 %63 1,0147 14 0,50 0,25 40,00 %63 0,9854 15 0,75 0,25 40,00 %63 0,9506 16 0,25 0,50 2,50 %93 4,2076 17 0,50 0,50 2,50 %93 2,4046 18 0,75 0,50 2,50 %94 1,8735 19 0,25 0,50 5,00 %72 1,6700 20 0,50 0,50 5,00 %72 1,4928 21 0,75 0,50 5,00 %73 1,4057 22 0,25 0,50 10,00 %46 1,3481 23 0,50 0,50 10,00 %46 1,2605 24 0,75 0,50 10,00 %46 1,2314 25 0,25 0,50 20,00 %41 1,0828 26 0,50 0,50 20,00 %41 1,0278 27 0,75 0,50 20,00 %41 1,0216 28 0,25 0,50 40,00 %39 0,9329 29 0,50 0,50 40,00 %38 0,8975 30 0,75 0,50 40,00 %38 0,8886 31 0,25 0,75 2,50 %89 2,5433 32 0,50 0,75 2,50 %90 1,7605 33 0,75 0,75 2,50 %90 1,5952 34 0,25 0,75 5,00 %61 1,6136 35 0,50 0,75 5,00 %61 1,4339 36 0,75 0,75 5,00 %61 1,3970 37 0,25 0,75 10,00 %28 1,3089 38 0,50 0,75 10,00 %26 1,2553 39 0,75 0,75 10,00 %24 1,2396 40 0,25 0,75 20,00 %18 1,0242 41 0,50 0,75 20,00 %18 1,0117 42 0,75 0,75 20,00 %17 1,0113 43 0,25 0,75 40,00 %21 0,9065 44 0,50 0,75 40,00 %17 0,8818 45 0,75 0,75 40,00 %16 0,8589 69 Çizelge 4.12. Kurgu – 1 için elde edilen sonuçların özeti (devam) Sistem Yürüme Gezinen Global Toplam Ücret Senaryo Kullanım Mesafesi Araç Maliyet Eşik Değeri Oranı Eşik Değeri Oranı Değeri 46 0,25 1,00 2,50 %86 2,4386 47 0,50 1,00 2,50 %87 1,6509 48 0,75 1,00 2,50 %88 1,5201 49 0,25 1,00 5,00 %51 1,5683 50 0,50 1,00 5,00 %50 1,4133 51 0,75 1,00 5,00 %50 1,3789 52 0,25 1,00 10,00 %16 1,2538 53 0,50 1,00 10,00 %12 1,2157 54 0,75 1,00 10,00 %9 1,1997 55 0,25 1,00 20,00 %6 0,9514 56 0,50 1,00 20,00 %5 0,9398 57 0,75 1,00 20,00 %5 0,9419 58 0,25 1,00 40,00 %14 0,8070 59 0,50 1,00 40,00 %8 0,7731 60 0,75 1,00 40,00 %4 0,7839 61 0,25 2,00 2,50 %84 2,0063 62 0,50 2,00 2,50 %85 1,4956 63 0,75 2,00 2,50 %86 1,3542 64 0,25 2,00 5,00 %48 1,3267 65 0,50 2,00 5,00 %47 1,2293 66 0,75 2,00 5,00 %46 1,1859 67 0,25 2,00 10,00 %13 1,0287 68 0,50 2,00 10,00 %7 1,0047 69 0,75 2,00 10,00 %4 0,9955 70 0,25 2,00 20,00 %3 0,7358 71 0,50 2,00 20,00 %2 0,7234 72 0,75 2,00 20,00 %1 0,7288 73 0,25 2,00 40,00 %13 0,6018 74 0,50 2,00 40,00 %5 0,5608 75 0,75 2,00 40,00 %1 0,5628 57. senaryoda ücret eşik değerinin de 20,00 birime çekilmesi ile birlikte gezinen araç oranı %5 ve global maliyet değeri 0,9419 olarak elde edilmiştir. Sistem kullanım oranının da etkisi, aynı yürüme mesafesi ve ücret eşik değerleri için kıyaslandığında gezinen araç oranı ve global maliyet değeri üzerinde açıkça göze çarpmaktadır. Bir diğer ifadeyle, gri rengin farklı tonları ile ayrıştırılan her üç satırda sistem kullanım oranının artışına karşılık olarak gezinen araç oranı ile global maliyet değerlerinin azaldığı görülmektedir. Örneğin; yukarıda da bahsedildiği gibi sistem kullanım oranının 0,75, yürüme mesafesi eşik değerinin 2,00 km ve toplam otopark ücreti eşik değerinin 40,00 birim olduğu 75. senaryoda gezinen araç oranı %1 ve global maliyet değeri 0,5628 olarak elde edilmiştir. 70 Sistem kullanım oranının 0,50 olduğu 74. senaryoda bu değerler sırasıyla %5 ve 0,5608 olarak gözlenmiştir. Sistem kullanım oranının 0,25 olduğu 73. senaryoda ise gezinen araç oranı %13 ve global maliyet değeri 0,6018 olarak elde edilmiştir. Şekil 4.2’de senaryo parametrelerinin ikili kombinasyonlarının gezinen araç oranına olan etkisi yüzey grafiği üzerinde gösterilmiştir. Şekil A ve B’de sistem kullanım oranının eşik değerler ile birlikte etkisi incelendiğinde beklendiği şekilde bu oran arttıkça gezinen araç oranı iyileşmektedir. Sistem kullanım oranının 0,75 olduğu durumlarda gezinen araç oranı için en iyi değerler gözlenmektedir. Şekilde C’de ise görüldüğü gibi yürüme mesafesi ve ücret eşik değerlerinin azalmasıyla birlikte gezinen araç oranı önemli ölçüde artmaktadır. Beklenildiği üzere yürüme mesafesi eşik değerinin 2,00 km ve ücret eşik değerinin 40,00 birim olduğu durumda gezinen araç oranı için en tatmin edici sonuçlar ortaya çıkmaktadır. Şekil 4.2. Senaryo parametrelerinin gezinen araç oranına etkisi: Kurgu – 1 A) Sistem kullanım oranı ve yürüme mesafesi eşik değerinin gezinen araç oranına etkisi B) Sistem kullanım oranı ve ücret eşik değerinin gezinen araç oranına etkisi C) Yürüme mesafesi ve ücret eşik değerlerinin gezinen araç oranına etkisi 71 Şekil 4.3’te ise senaryo parametrelerinin ikili kombinasyonlarının global maliyete olan etkisi yüzey grafiği üzerinde gösterilmiştir. Şekil A ve B’de sistem kullanım oranının eşik değerler ile birlikte etkisi incelendiğinde beklendiği şekilde bu oran arttıkça global maliyet değeri azalmaktadır. Şekilde C’de de görüldüğü gibi yürüme mesafesi ve ücret eşik değerlerinin artmasıyla birlikte global maliyet değeri önemli ölçüde azalmaktadır. Özetle, sistem kullanım oranının azaldığı ve eşik değerlerin de küçük değerler aldığı durumlarda global maliyet değerinin arttığı söylenebilir. Sistem kullanım oranının 0,75, yürüme mesafesi eşik değerinin 2,00 km ve ücret eşik değerinin 40,00 birim olduğu durumlarda global maliyet en iyi değerler gözlenmektedir. Şekil 4.3. Senaryo parametrelerinin global maliyete etkisi: Kurgu – 1 A) Sistem kullanım oranı ve yürüme mesafesi eşik değerinin global maliyete etkisi B) Sistem kullanım oranı ve ücret eşik değerinin global maliyete etkisi C) Yürüme mesafesi ve ücret eşik değerlerinin global maliyete etkisi Yukarıda da belirtildiği gibi Çizelge 4.12’de sunulan değerler 75 senaryo için 100 replikasyon sonucunda elde edilen sonuçların ortalamalarını özet olarak içermektedir. Bir 72 diğer ifadeyle, sisteme yukarıdan bakarak senaryo parametresi olarak ele alınan sistem kullanım oranı ile yürüme mesafesi ve ücret eşik değerlerin gezinen araç oranına ve global maliyet değerine etkisi gösterilmiştir. Her bir senaryo ve replikasyon için ayrıntılı sonuçlar fayda fonksiyonu parametreleri ile ilişkilendirilen performans parametrelerince elde edilmiş olup farklı kullanıcı davranışlarının bu performans parametreleri etkisi analiz edilmiştir. İlerleyen sayfalarda sunulan çizelgelerde bu analizlere ilişkin örnekler sunulmaktadır. Burada her bir sütunda performans parametreleri; sürüş süresi, sürüş mesafesi, yürüyüş mesafesi, park ücreti, rezervasyon ücreti, toplam ücret, yönlendirilen araç derecesi ve uygunluk derecesi için elde edilen performans skorları verilmiştir. Kullanıcıların ilgili kriterlere ağırlık vermesi/vermemesi ve araçların önerilen park yönetim sistemini kullanıp/kullanmaması olmak üzere farklı durumlar için bu performans parametrelerinin ortalama, minimum ve maksimum değerleri analiz edilmiştir. Burada, gri renkle vurgulanan satırlarda, park yönetim sistemini kullanarak yapılan araç-otopark eşleşmeleri için elde edilen sonuçlar verilmiştir. Beyaz renkle vurgulanan satırlar ise sistemi kullanmayarak (rassal arama sonucu) yapılan eşleşmelere ait sonuçları içermektedir. Açık gri renkle vurgulanan ilk üç satırda, her bir sütunda yer alan ilgili kritere ağırlık verilmesi durumunda elde edilen performans değerleri; koyu gri renkle vurgulanan sonraki üç satırda ise ilgili kritere ağırlık verilmemesi durumunda elde edilen performans değerleri sunulmuştur. Her bir senaryo için bu şekilde 9 satır olduğundan 75 senaryonun 100 replikasyonu sonunda 67 500 satırlık detaylı analiz çizelgesi elde edilmiş olup bu sonuçlar için anlamlı kesitler sunulmuştur. 100 replikasyon için yapılan analizlerin tüm senaryolar için elde edilen ortalama performansları ise Ek 1’de verilmiştir. Burada eksi bir olan değerler ilgili senaryoda ilgili satır sütundaki kombinasyona karşılık gelen bir talep olmadığı veya öneri sunulmadığı anlamına gelmektedir. Çizelge 4.13’te 75. senaryo için elde edilen performans parametrelerinin değerleri verilmiştir. Yukarıda da bahsedildiği gibi açık gri renkle vurgulanan ilk üç satırda, park yönetim sistemini kullanan ve her bir sütunda yer alan ilgili kritere ağırlık veren kullanıcılar; koyu gri renkle vurgulanan takip eden üç satırdaki ise park yönetim sistemini kullanan fakat ilgili sütundaki kritere düşük ağırlık veren kullanıcılar için hesaplanan performans değerleri sunulmuştur. Dolayısıyla, genel olarak, ilk üç satırdaki sonuçların sonraki üç satırdaki sonuçlara göre performans parametreleri cinsinden daha tatmin edici olması beklenmektedir. Beyaz renkle vurgulanan satırlar ise sistemi kullanmayarak (rassal arama 73 sonucu) yapılan eşleşmelere ait sonuçları içermektedir. Örneğin, sistemi kullanıp yürüme mesafesine ağırlık veren araçlar için yapılan park önerileri sonucunda, ortalama 0,4354 km yürüyüş mesafesi kat edilmiştir. Bu değerler [0,0212, 1,2406] aralığında değer almaktadır. Sistemi kullanan ve yürüme mesafesine ağırlık vermeyen araçlar için yapılan park önerileri sonucunda ise ortalama yürüyüş mesafesi beklendiği üzere artarak 0,8392 km değerini almıştır. Yürüme mesafelerinin aldığı değerler beklendiği üzere daha geniş bir aralıkta değer alarak minimum 0,0388 ve maksimum 1,9213 olarak gözlenmiştir. Sistemi kullanmayan araçların rassal arama yaparak yürüme mesafesi açısından en yakın otoparka gittikleri varsayıldığından ve ilgili araçlar için en yakın uygun otoparkla eşleştirme yapıldığından bu araçlar için yürüme mesafesi performansının nispeten daha iyi olması (ortalama 0,4065 km) beklenen bir durumdur. Toplam ücret parametresi açısından sonuçlar incelendiğinde, sistemi kullanıp ücret parametresine ağırlık veren araçlar için yapılan park önerileri sonucunda, ortalama 4,7578 birim ücret ödenmiştir. Bu değerler [0,7801, 9,0303] aralığında değer almaktadır. Sistemi kullanan ve ücret parametresine ağırlık vermeyen araçlar için yapılan park önerileri sonucunda ise ortalama ücret değeri beklendiği üzere artarak 10,7577 değerini almıştır. Ücret değerleri beklendiği üzere daha geniş bir aralıkta minimum 0,2645 ve maksimum 34,4237 olarak gözlenmiştir. Sistemi kullanmayan araçların için elde edilen sonuçlar incelendiğinde ise bu değerler beklendiği üzere daha da kötüleşerek ortalama değer 15,1251, minimum 1,1627 ve maksimum 35,4320 olarak elde edilmiştir. Diğer performans parametreleri için de benzer bir yapı söz konusudur. Çizelge 4.13. Performans parametrelerinin analizi: Kurgu – 1 / 75. senaryo SS SM YM PÜ RÜ TÜ YAD UD ort 0,0073 5,2482 0,4354 4,5345 0,4395 4,7578 0,0169 0,6896 min 0,0013 0,9661 0,0212 0,5156 0,1430 0,7801 0,0067 0,1547 maks 0,0148 10,6834 1,2406 8,8451 0,7239 9,0303 0,0512 0,7857 ort 0,0085 6,0891 0,8392 10,3605 0,8037 10,7577 0,0629 0,5554 min 0,0008 0,5671 0,0388 0,1870 0,0555 0,2645 0,0122 0,0909 maks 0,0166 11,9362 1,9213 33,8098 2,9017 34,4237 0,8728 0,7848 ort 0,0085 6,1009 0,4065 15,1251 - 15,1251 0,0811 0,5511 min 0,0013 0,9320 0,0154 1,1627 - 1,1627 0,0109 0,1137 maks 0,0161 11,6215 1,1151 35,4320 - 35,4320 0,6395 0,7774 SS: Sürüş Süresi, SM: Sürüş Mesafesi, YM: Yürüyüş Mesafesi, PÜ: Park Ücreti, RÜ: Rezervasyon Ücreti, TÜ: Toplam Ücret, YAD: Yönlendirilen Araç Derecesi, UD: Uygunluk Derecesi, ort: ortalama, min: minimum, maks: maksimum 74 Çizelge 4.13’te 75. senaryo için verilen değerler ilerleyen sayfalarda referans alınarak senaryo parametrelerinin performans ölçütlerine etkisi analiz edilmektedir. Söz konusu senaryoda sistem kullanım oranı 0,75, yürüme mesafesi eşik değeri 2,00 ve toplam ücret eşik değeri 40,00 olup gezinen araç oranı %1 ve global maliyet değeri 0,5628 olarak elde edilmiştir. Senaryo parametrelerinden yürüme mesafesi ve toplam ücret eşik değerleri direkt olarak fayda fonksiyonu parametreleri ile de ilişkili olduğundan bu parametrelerin sonuçlara etkisi analiz edilmektedir. Yürüme mesafesi eşik değerinin performans parametrelerine etkisini göstermek amacıyla Çizelge 4.14’te örnek sonuçlar sunulmaktadır. Bu sonuçlar 60. senaryoya ait olup ilgili senaryoda sistem kullanım oranı 0,75, yürüme mesafesi eşiği 1,00 ve ücret eşiği 40,00’dır. 75. senaryoda %1 olan gezinen araç oranı burada kötüleşerek %4 ve 0,5628 olan global maliyet değeri artarak 0,7839 olarak elde edilmiştir. Yürüme mesafesi eşik değerinin 2,00 km’den 1,00 km değerine azaltılması beklendiği üzere yürüme mesafesi performansını iyileştirmiştir. 75. senaryoda park yönetim sistemini kullanan ve yürüme mesafesine ağırlık veren kullanıcılar için ortalama 0,4354 performans değeri elde edilmişken 60. senaryoda bu değer 0,4005’tir. Minimum ve maksimum değerler ise 75. senaryo için sırasıyla 0,0212 ve 1,2406 iken 60. senaryoda 0,0211 ve 0,9627’dir. Dolayısıyla, beklendiği üzere ilgili performansın ortalama değerlerinin iyileşmesine karşılık olarak aldığı değerlerin aralığının da daraldığı söylenebilir. Park yönetim sistemini kullanan ve ilgili parametreye ağırlık vermeyen kullanıcılar içinse 0,8392 olan ortalama yürüyüş mesafesi 0,6840 değerine iyileşmiştir. Burada da minimum ve maksimum değerler incelendiğinde aralığın daraldığı görülmektedir. Yürüyüş mesafesi eşik değerinin azaltılması ile ilgili performans parametresinde iyileşme gözlenirken, beklendiği üzere, diğer performans parametrelerinde nispeten kötüleşme olduğu söylenebilir. Örneğin, park yönetim sistemini kullanan ve ücret parametresine ağırlık veren kullanıcılar 75. senaryoda ortalama 4,7578 birim ücret öderlerken 60. senaryoda bu değer 5,0529 olarak elde edilmiştir. Burada ücret değeri [0,7801, 9,0303] aralığındayken 60. senaryoda [0,7891, 11,8668] aralığında değerler aldığı gözlenmiştir. Benzer durumun diğer performans parametreleri için de olduğu söylenebilir. Sürüş süresi ve mesafesi için nispeten daha az farklılıkların olması kalkış noktası ile aday park yerlerinin olduğu bölge arasındaki sürüş mesafesinin park özelinde minör farklılıklar içermesi ile açıklanabilir. 75 Yönlendirilen araç derecesi ve uygunluk derecesi parametreleri açısından sonuçlar değerlendirildiğinde ise gezinen araç oranları düşük olduğundan ortalama değerler yerine aralık değerlerinin yorumlanması daha anlamlıdır. Bir diğer ifadeyle, uzun-vadede ortalama değerlerin birbirine yakınsaması ve nispeten daha az farklar oluşması bu iki parametre için beklenen bir durumdur. Burada, özellikle kullanıcıların ilgili parametrelere ağırlık vermediği durumlarda performans değerlerinin daha geniş aralıklarda değer aldığı görülmektedir. Örneğin 75. senaryoda park öneri sistemini kullanan ve ilgili parametreye ağırlık veren kullanıcılar için, yönlendirilen araç derecesi parametresi [0,0067, 0,0512] aralığında değer alırken 60. senaryoda [0,0058, 0,0903] aralığında değerler gözlenmiştir. Çizelge 4.14. Yürüyüş mesafesi eşik değerinin etkisi: Kurgu – 1 / 60. senaryo SS SM YM PÜ RÜ TÜ YAD UD ort 0,0076 5,4477 0,4005 4,8205 0,4602 5,0529 0,0226 0,6706 min 0,0016 1,1327 0,0211 0,5467 0,1464 0,7891 0,0058 0,1512 maks 0,0151 10,8559 0,9627 11,5353 0,8536 11,8668 0,0903 0,7857 ort 0,0085 6,1027 0,6840 10,7890 0,8514 11,2179 0,0571 0,5940 min 0,0008 0,5673 0,0440 0,2110 0,0618 0,2924 0,0111 0,0962 maks 0,0166 11,9328 0,9987 35,0533 2,9571 35,6902 0,9100 0,7855 ort 0,0085 6,1159 0,3957 15,1421 - 15,1421 0,0827 0,5486 min 0,0012 0,8588 0,0153 1,1390 - 1,1390 0,0112 0,1128 maks 0,0162 11,6591 0,9600 35,3481 - 35,3481 0,5984 0,7767 SS: Sürüş Süresi, SM: Sürüş Mesafesi, YM: Yürüyüş Mesafesi, PÜ: Park Ücreti, RÜ: Rezervasyon Ücreti, TÜ: Toplam Ücret, YAD: Yönlendirilen Araç Derecesi, UD: Uygunluk Derecesi, ort: ortalama, min: minimum, maks: maksimum Çizelge 4.15’te ücret eşik değerinin performans parametrelerine etkisini göstermek amacıyla örnek sonuçlar sunulmaktadır. Bu sonuçlar 69. senaryoya ait olup ilgili senaryoda sistem kullanım oranı 0,75, yürüme mesafesi eşiği 2,00 ve ücret eşiği 10,00 değerindedir. 75. senaryoda %1 olan gezinen araç oranı burada kötüleşerek %4 ve 0,5628 olan global maliyet değeri artarak 0,9955 olarak elde edilmiştir. Ücret eşik değerinin 40,00 birimden 10,00 birim değerine çekilmesi beklendiği üzere ücrete ilişkin performansları iyileştirmiştir. 75. senaryoda park yönetim sistemini kullanan ve ücret kriterine ağırlık veren kullanıcılar için toplam park ücret değerleri [0,7801, 9,0303] aralığında değerler alırken 69. senaryoda bu değerler [0,8618, 9,2091] olarak gözlenmiştir. Burada anlamlı farklar özellikle diğer durumlar için göze çarpmaktadır. Örneğin, park yönetim sistemini kullanan fakat ücret kriterine ağırlık vermeyen kullanıcılar için 75. senaryoda ortalama toplam ücret değeri 10,7577, minimum 0,2645 ve maksimum 34,4237 iken 69. senaryoda ortalama değer 7,3760, minimum 0,5382 ve 76 maksimum 9,9746 olarak gözlenmiştir. Ücret eşik değerinin azaltılması ile birlikte ilgili performans parametresinde iyileşme gözlenirken, beklendiği üzere, diğer performans parametrelerinde nispeten kötüleşme olduğu söylenebilir. Örneğin, park yönetim sistemini kullanan ve yürüme mesafesi parametresine ağırlık veren kullanıcılar için 75. senaryoda ortalama 0,4354 km yürüme mesafesi gözlemlenirken 69. senaryoda bu değer 0,4696 olarak elde edilmiştir. Benzer durumun diğer performans parametreleri için de olduğu söylenebilir. Çizelge 4.15. Ücret eşik değerinin etkisi: Kurgu – 1 / 69. senaryo SS SM YM PÜ RÜ TÜ YAD UD ort 0,0075 5,3925 0,4696 4,6686 0,4402 4,8920 0,0305 0,6131 min 0,0015 1,0866 0,0228 0,5412 0,1417 0,8618 0,0057 0,1088 maks 0,0152 10,9312 1,2531 9,1006 0,7367 9,2091 0,1145 0,7857 ort 0,0085 6,1331 0,8661 7,0538 0,6439 7,3760 0,0786 0,4696 min 0,0008 0,5812 0,0662 0,3867 0,0590 0,5382 0,0077 0,0649 maks 0,0167 11,9934 1,9124 9,9526 2,5329 9,9746 0,9142 0,7847 ort 0,0085 6,1201 0,4649 6,4509 - 6,4509 0,0855 0,4925 min 0,0015 1,0581 0,0270 1,1548 - 1,1548 0,0093 0,0663 maks 0,0160 11,5425 1,2432 9,8969 - 9,8969 0,5194 0,7757 SS: Sürüş Süresi, SM: Sürüş Mesafesi, YM: Yürüyüş Mesafesi, PÜ: Park Ücreti, RÜ: Rezervasyon Ücreti, TÜ: Toplam Ücret, YAD: Yönlendirilen Araç Derecesi, UD: Uygunluk Derecesi, ort: ortalama, min: minimum, maks: maksimum Kurgu – 1 için yapılan analizlere paralel olarak Kurgu – 2 için elde edilen sonuçlar da analiz edilmiştir. Burada araç kalkış noktalarını ve varış noktalarını temsilen beşer adet düğüm noktası, beş adet otopark noktası ve bir adet olursuz çözümleri engellemek amacıyla hayali otopark noktası olmak üzere toplam altı adet otopark noktası ve bu noktalara ek olarak on adet ara düğüm noktasından oluşan bir yol ağı oluşturulmuştur. Bu ağ üzerinde, araç kalkış noktaları ile varış noktaları ve otoparklar arasında direkt link olmadığı varsayılmakta ve diğer tüm düğüm noktaları arasında link olduğu varsayılmaktadır. Her bir araç için kalkış ve varış noktaları ise bu düğüm noktaları arasından rassal olarak belirlenmiştir. Şekil 4.4’te de görüldüğü gibi yol ağı üzerinde toplam 26 adet düğüm noktası bulunmaktadır. Pembe renkle araç kalkış noktaları, yeşil renkle araç varış noktalarını, mavi renkle otopark noktaları sarı renkle ara düğümler gösterilmektedir. Bu ara düğümler ele alınan bölge sınırları içerisinde rassal olarak belirlenmiştir. Yol ağının başlangıç koşulları (aktif trafik hacmi) rassal olarak oluşturulmuştur. Durdurma kriteri 12 saat (0,5 gün) olarak belirlenmiştir ve her 0,0001 günlük zaman dilimi iterasyon adımı olarak dikkate alınmıştır. Senaryolar rassal unsurlar 77 içerdiği için sistem kullanım oranı, yürüme mesafesi ve ücret eşik değerinin farklı seviyelerine karşılık gelen her bir senaryo 100 replikasyon boyunca çalıştırılmıştır. Şekil 4.4. Kurgu – 2 kapsamında ele alınan harita Çizelge 4.16’da 100 replikasyonun ortalaması olarak elde edilen özet sonuçlar sunulmuştur. Kurgu – 1 için yapılan analizlerde olduğu gibi burada da araç durumunun dört (faydalı otopark bulunamaması) veya beş (önerilen otoparkta uygun kapasite bulunamaması) olması durumunda ilgili araçlar gezinen araç olarak ele alınmakta ve bu araçların sayısının sisteme giriş yapan toplam araç sayısına bölünmesi ile gezinen araç oranı hesaplanmaktadır. Çizelge 4.16’da yer alan sonuçlar incelendiğinde, beklenildiği üzere sistem kullanım oranının ve yürüme mesafesi ile ücret eşik değerlerinin azalmasıyla birlikte, gezinen araç oranı ve global maliyet değeri önemli ölçüde artmaktadır. Örneğin; sistem kullanım oranının 0,75, yürüme mesafesi eşik değerinin 2,00 km ve toplam otopark ücreti eşik değerinin 40,00 birim olduğu 75. senaryoda gezinen araç oranı %0 ve global maliyet değeri 0,8672 iken yürüme mesafesi eşik değerinin 0,50 km olduğu 30. senaryoda bu gezinen araç oranı %15 ve global maliyet değeri 2,0925 olmaktadır. 78 Çizelge 4.16. Kurgu – 2 için elde edilen sonuçların özeti Sistem Yürüme Gezinen Global Toplam Ücret Senaryo Kullanım Mesafesi Araç Maliyet Eşik Değeri Oranı Eşik Değeri Oranı Değeri 1 0,25 0,25 2,50 %100 -1,0000 2 0,50 0,25 2,50 %100 -1,0000 3 0,75 0,25 2,50 %100 -1,0000 4 0,25 0,25 5,00 %100 -1,0000 5 0,50 0,25 5,00 %100 -1,0000 6 0,75 0,25 5,00 %100 -1,0000 7 0,25 0,25 10,00 %77 -1,0000 8 0,50 0,25 10,00 %77 -1,0000 9 0,75 0,25 10,00 %77 9,00E+15 10 0,25 0,25 20,00 %77 -1,0000 11 0,50 0,25 20,00 %77 -1,0000 12 0,75 0,25 20,00 %77 9,00E+15 13 0,25 0,25 40,00 %77 -1,0000 14 0,50 0,25 40,00 %77 9,00E+15 15 0,75 0,25 40,00 %77 9,00E+15 16 0,25 0,50 2,50 %100 -1,0000 17 0,50 0,50 2,50 %100 -1,0000 18 0,75 0,50 2,50 %100 -1,0000 19 0,25 0,50 5,00 %77 -1,0000 20 0,50 0,50 5,00 %77 8,61E+15 21 0,75 0,50 5,00 %77 8,61E+15 22 0,25 0,50 10,00 %15 2,4651 23 0,50 0,50 10,00 %15 2,1638 24 0,75 0,50 10,00 %15 2,1097 25 0,25 0,50 20,00 %15 2,3757 26 0,50 0,50 20,00 %15 2,1610 27 0,75 0,50 20,00 %15 2,1033 28 0,25 0,50 40,00 %15 2,4039 29 0,50 0,50 40,00 %15 2,1470 30 0,75 0,50 40,00 %15 2,0925 31 0,25 0,75 2,50 %100 -1,0000 32 0,50 0,75 2,50 %100 -1,0000 33 0,75 0,75 2,50 %100 -1,0000 34 0,25 0,75 5,00 %0 4,1840 35 0,50 0,75 5,00 %0 3,5288 36 0,75 0,75 5,00 %0 3,1376 37 0,25 0,75 10,00 %0 2,0331 38 0,50 0,75 10,00 %0 1,5797 39 0,75 0,75 10,00 %0 1,4443 40 0,25 0,75 20,00 %0 2,3862 41 0,50 0,75 20,00 %0 1,5573 42 0,75 0,75 20,00 %0 1,4548 43 0,25 0,75 40,00 %0 2,3626 44 0,50 0,75 40,00 %0 1,6022 45 0,75 0,75 40,00 %0 1,4509 79 Çizelge 4.16. Kurgu – 2 için elde edilen sonuçların özeti (devam) Sistem Yürüme Gezinen Global Toplam Ücret Senaryo Kullanım Mesafesi Araç Maliyet Eşik Değeri Oranı Eşik Değeri Oranı Değeri 46 0,25 1,00 2,50 %100 -1,0000 47 0,50 1,00 2,50 %100 -1,0000 48 0,75 1,00 2,50 %100 -1,0000 49 0,25 1,00 5,00 %0 2,9930 50 0,50 1,00 5,00 %0 2,6802 51 0,75 1,00 5,00 %0 2,6228 52 0,25 1,00 10,00 %0 1,6125 53 0,50 1,00 10,00 %0 1,2034 54 0,75 1,00 10,00 %0 1,1164 55 0,25 1,00 20,00 %0 1,4356 56 0,50 1,00 20,00 %0 1,1960 57 0,75 1,00 20,00 %0 1,1229 58 0,25 1,00 40,00 %0 1,5104 59 0,50 1,00 40,00 %0 1,1936 60 0,75 1,00 40,00 %0 1,1128 61 0,25 2,00 2,50 %100 -1,0000 62 0,50 2,00 2,50 %100 -1,0000 63 0,75 2,00 2,50 %100 -1,0000 64 0,25 2,00 5,00 %0 1,5142 65 0,50 2,00 5,00 %0 1,3500 66 0,75 2,00 5,00 %0 1,2970 67 0,25 2,00 10,00 %0 1,1729 68 0,50 2,00 10,00 %0 0,9080 69 0,75 2,00 10,00 %0 0,8705 70 0,25 2,00 20,00 %0 1,1455 71 0,50 2,00 20,00 %0 0,9231 72 0,75 2,00 20,00 %0 0,8731 73 0,25 2,00 40,00 %0 1,1506 74 0,50 2,00 40,00 %0 0,9025 75 0,75 2,00 40,00 %0 0,8672 27. senaryoda ücret eşik değerinin 20,00 birime çekilmesi ile birlikte gezinen araç oranı %15 değerinde sabit kalırken global maliyet değeri nispeten kötüleşerek 2,1033 olarak elde edilmiştir. Sistem kullanım oranının da etkisi, aynı yürüme mesafesi ve ücret eşik değerleri için kıyaslandığında açıkça göze çarpmaktadır. Bir diğer ifadeyle, gri rengin farklı tonları ile ayrıştırılan her üç satırda sistem kullanım oranının artışına karşılık olarak global maliyet değerlerinin azaldığı görülmektedir. Örneğin; yukarıda da bahsedildiği gibi sistem kullanım oranının 0,75, yürüme mesafesi eşik değerinin 2,00 km ve toplam otopark ücreti eşik değerinin 40,00 birim olduğu 75. senaryoda gezinen araç oranı %0 ve global maliyet değeri 0,8652 olarak elde edilmiştir. Sistem kullanım oranının 0,50 olduğu 80 74. senaryoda bu değerler sırasıyla %0 ve 0,9025 olarak gözlenmiştir. Sistem kullanım oranının 0,25 olduğu 73. senaryoda ise gezinen araç oranı %0 ve global maliyet değeri 1,1506 olarak elde edilmiştir. Burada Kurgu – 1’e kıyasla daha küçük bir veri seti kullanıldığı için sistem kullanım oranının tekil etkisi aynı yürüyüş mesafesi ve ücret eşik değeri olan senaryolar arasında açıkça ortaya çıkmamaktadır. Çizelgede de görüldüğü gibi yürüme mesafesi ve ücret eşik değerlerinin küçük değerleri için gezinen araç oranı %100 seviyesine ulaşabilmekte ve bu durumda araç-otopark önerileri sunulamadığı için global maliyeti etkileyen performans parametreleri de hesaplanamamaktadır. İlgili alanda yer alan eksi bir değerleri global maliyetin hesaplanamadığı durumlara denk gelmektedir. Şekil 4.5’te senaryo parametrelerinin ikili kombinasyonlarının gezinen araç oranına olan etkisi yüzey grafiği üzerinde gösterilmiştir. Şekil A ve B’de sırasıyla sistem kullanım oranının yürüme mesafesi eşik değeri ve ücret eşik değeri ile birlikte gezinen araç oranına olan etkisi sunulmaktadır. Aynı sistem kullanım oranı değerleri için eşik değerler arttıkça gezinen araç oranının iyileştiği görülmektedir. Şekilde C’de ise görüldüğü gibi yürüme mesafesi ve ücret eşik değerlerinin artmasıyla birlikte gezinen araç oranı önemli ölçüde azalmaktadır. Özetle, sistem kullanım oranının 0,75, yürüme mesafesi eşik değerinin 2,00 km ve ücret eşik değerinin 40,00 birim değerine yakın olduğu durumlarda gezinen araç oranı için en iyi değerler gözlenmektedir. Şekil 4.6’da ise senaryo parametrelerinin ikili kombinasyonlarının global maliyete olan etkisi yüzey grafiği üzerinde gösterilmiştir. Şekil A ve B’de sırasıyla sistem kullanım oranının yürüme mesafesi eşik değeri ve ücret eşik değeri ile birlikte global maliyet değerine olan etkisi sunulmaktadır. Aynı sistem kullanım oranı değerleri için eşik değerler arttıkça global maliyet değerinin iyileştiği görülmektedir. Şekilde C’de ise görüldüğü gibi yürüme mesafesi ve ücret eşik değerlerinin artmasıyla birlikte global maliyet değeri de önemli ölçüde azalmaktadır. Özetle, sistem kullanım oranının 0,75, yürüme mesafesi eşik değerinin 2,00 km ve ücret eşik değerinin 40,00 birim değerine yakın olduğu durumlarda global maliyet için en iyi değerler gözlenmektedir. 81 Şekil 4.5. Senaryo parametrelerinin gezinen araç oranına etkisi: Kurgu – 2 A) Sistem kullanım oranı ve yürüme mesafesi eşik değerinin gezinen araç oranına etkisi B) Sistem kullanım oranı ve ücret eşik değerinin gezinen araç oranına etkisi C) Yürüme mesafesi ve ücret eşik değerlerinin gezinen araç oranına etkisi Kurgu – 1 için yapılan analizlere benzer şekilde, Kurgu – 2 kapsamında her bir senaryo ve replikasyon için elde edilen sonuçlar, farklı kullanıcı davranışlarının etkisini de içerecek şekilde fayda fonksiyonu parametreleri ile ilişkilendirilerek performans parametrelerince analiz edilmiştir. İlerleyen sayfalarda sunulan çizelgelerde bu analizlere ilişkin örnekler sunulmaktadır. Burada her bir sütunda performans parametreleri; sürüş süresi, sürüş mesafesi, yürüyüş mesafesi, park ücreti, rezervasyon ücreti, toplam ücret, yönlendirilen araç derecesi ve uygunluk derecesi için elde edilen performans skorları verilmiştir. Kullanıcıların ilgili kriterlere ağırlık vermesi/vermemesi ve araçların önerilen park yönetim sistemini kullanıp/kullanmaması olmak üzere farklı durumlar için bu performans parametrelerinin ortalama, minimum ve maksimum değerleri analiz edilmiştir. Burada, gri renkle vurgulanan satırlarda, park yönetim sistemini kullanarak yapılan araç-otopark eşleşmeleri için elde edilen sonuçlar verilmiştir. Beyaz renkle vurgulanan satırlar ise sistemi kullanmayarak (rassal arama sonucu) yapılan eşleşmelere 82 ait sonuçları içermektedir. Açık gri renkle vurgulanan ilk üç satırda, her bir sütunda yer alan ilgili kritere ağırlık verilmesi durumunda elde edilen performans değerleri; koyu gri renkle vurgulanan sonraki üç satırda ise ilgili kritere ağırlık verilmemesi durumunda elde edilen performans değerleri sunulmuştur. Her bir senaryo için bu şekilde 9 satır olduğundan 75 senaryonun 100 replikasyonu sonunda 67 500 satırlık detaylı analiz çizelgesi elde edilmiş olup bu sonuçlar için anlamlı kesitler sunulmuştur. 100 replikasyon için yapılan analizlerin tüm senaryolar için elde edilen ortalama performansları ise Ek 2’de verilmiştir. Burada eksi bir olan değerler ilgili senaryoda ilgili satır sütundaki kombinasyona karşılık gelen bir talep olmadığı veya öneri sunulmadığı anlamına gelmektedir. Şekil 4.6. Senaryo parametrelerinin global maliyete etkisi: Kurgu – 2 A) Sistem kullanım oranı ve yürüme mesafesi eşik değerinin global maliyete etkisi B) Sistem kullanım oranı ve ücret eşik değerinin global maliyete etkisi C) Yürüme mesafesi ve ücret eşik değerlerinin global maliyete etkisi Çizelge 4.17’de 75. senaryo için elde edilen performans parametrelerinin değerleri verilmiştir. Yukarıda da bahsedildiği gibi açık gri renkle vurgulanan ilk üç satırda, park 83 yönetim sistemini kullanan ve her bir sütunda yer alan ilgili kritere ağırlık veren kullanıcılar; koyu gri renkle vurgulanan takip eden üç satırdaki ise park yönetim sistemini kullanan fakat ilgili sütundaki kritere düşük ağırlık veren kullanıcılar için hesaplanan performans değerleri sunulmuştur. Dolayısıyla, genel olarak, ilk üç satırdaki sonuçların sonraki üç satırdaki sonuçlara göre performans parametreleri cinsinden daha tatmin edici olması beklenmektedir. Beyaz renkle vurgulanan satırlar ise sistemi kullanmayarak (rassal arama sonucu) yapılan eşleşmelere ait sonuçları içermektedir. Çizelgede yer alan sonuçlar incelendiğinde, sistemi kullanıp yürüme mesafesine ağırlık veren araçlar için yapılan park önerileri sonucunda, ortalama 0,4304 km yürüyüş mesafesi kat edilmiştir. Bu değerler [0,2557, 0,5508] aralığında değer almaktadır. Sistemi kullanan ve yürüme mesafesine ağırlık vermeyen araçlar için yapılan park önerileri sonucunda ise ortalama yürüyüş mesafesi beklendiği üzere artarak 0,7908 km değerini almıştır. Yürüme mesafelerinin aldığı değerler beklendiği üzere daha geniş bir aralıkta değer alarak minimum 0,2587 ve maksimum 1,4539 olarak gözlenmiştir. Sistemi kullanmayan araçların rassal arama yaparak yürüme mesafesi açısından en yakın otoparka gittikleri varsayıldığından ve ilgili araçlar için en yakın otoparkla eşleştirme yapıldığından bu araçlar için yürüme mesafesi performansının nispeten daha iyi olması (ortalama 0,4021 km) beklenen bir durumdur. Toplam ücret parametresi açısından sonuçlar incelendiğinde, sistemi kullanıp ücret parametresine ağırlık veren araçlar için yapılan park önerileri sonucunda, ortalama 4,0108 birim ücret ödenmiştir. Bu değerler [2,2022, 5,1385] aralığında değer almaktadır. Sistemi kullanan ve ücret parametresine ağırlık vermeyen araçlar için yapılan park önerileri sonucunda ise ortalama ücret değeri beklendiği üzere artarak 6,6356 değerini almıştır. Ücret değerleri beklendiği üzere daha geniş bir aralıkta minimum 1,0630 ve maksimum 15,9401 olarak gözlenmiştir. Diğer performans parametreleri için de benzer bir yapı söz konusudur. Çizelge 4.17’de 75. senaryo için verilen bu değerler ilerleyen sayfalarda referans alınarak senaryo parametrelerinin performans ölçütlerine etkisi analiz edilmektedir. Söz konusu senaryoda sistem kullanım oranı 0,75, yürüme mesafesi eşik değeri 2,00 ve toplam ücret eşik değeri 40,00 olup gezinen araç oranı %0 ve global maliyet değeri 0,8672 olarak elde edilmiştir. Senaryo parametrelerinden yürüme mesafesi ve toplam ücret eşik değerleri direkt olarak fayda fonksiyonu parametreleri ile de ilişkili olduğundan bu parametrelerin sonuçlara etkisi analiz edilmektedir. 84 Çizelge 4.17. Performans parametrelerinin analizi: Kurgu – 2 / 75. senaryo SS SM YM PÜ RÜ TÜ YAD UD ort 0,0030 2,2117 0,4304 3,9036 0,2292 4,0108 0,1794 0,7034 min 0,0022 1,6196 0,2557 2,0929 0,1703 2,2022 0,1377 0,4971 maks 0,0037 2,6588 0,5508 5,0361 0,3138 5,1385 0,2223 0,7855 ort 0,0034 2,4933 0,7908 6,4015 0,4706 6,6356 0,2722 0,6620 min 0,0021 1,5047 0,2587 0,9777 0,1673 1,0630 0,1307 0,2245 maks 0,0055 4,0135 1,4539 15,5528 0,8047 15,9401 0,8510 0,7901 ort 0,0037 2,7699 0,4021 6,4778 - 6,4778 0,2469 0,6417 min 0,0026 1,9813 0,2561 2,2238 - 2,2238 0,1538 0,3465 maks 0,0049 3,6824 0,5181 12,3019 - 12,3019 0,4441 0,7810 SS: Sürüş Süresi, SM: Sürüş Mesafesi, YM: Yürüyüş Mesafesi, PÜ: Park Ücreti, RÜ: Rezervasyon Ücreti, TÜ: Toplam Ücret, YAD: Yönlendirilen Araç Derecesi, UD: Uygunluk Derecesi, ort: ortalama, min: minimum, maks: maksimum Çizelge 4.18’de yürüme mesafesi eşik değerinin performans parametrelerine etkisini incelemek amacıyla örnek sonuçlar sunulmaktadır. Bu sonuçlar 30. senaryoya ait sonuçlar olup ilgili senaryoda sistem kullanım oranı 0,75, yürüme mesafesi eşiği 0,50 ve ücret eşiği 40,00’dır. 75. senaryoda %0 olan gezinen araç oranı burada beklendiği gibi kötüleşerek %15 ve 0,8672 olan global maliyet değeri 2,0925 olarak elde edilmiştir. Yürüme mesafesi eşik değerinin 2,00 km’den 0,50 km değerine çekilmesi beklendiği üzere yürüme mesafesi performansını iyileştirmiştir. 75. senaryoda park yönetim sistemini kullanan ve yürüme mesafesine ağırlık veren kullanıcılar için ortalama 0,4304 performans değeri elde edilmişken 30. senaryoda bu değer 0,3731’dir. Minimum ve maksimum değerler ise 75. senaryo için sırasıyla 0,2557 ve 0,5508 iken 30. senaryoda 0,2528 ve 0,4764’tür. Dolayısıyla, beklendiği üzere ilgili performansın ortalama değerlerinin iyileşmesine karşılık olarak aldığı değerlerin aralığının da daraldığı söylenebilir. Park yönetim sistemini kullanan ve ilgili parametreye ağırlık vermeyen kullanıcılar içinse 0,7908 olan ortalama yürüyüş mesafesi 0,3855 değerine iyileşmiştir. Burada da minimum ve maksimum değerler incelendiğinde aralığın daraldığı görülmektedir. Yürüyüş mesafesi eşik değerinin azaltılması ile birlikte ilgili performans parametresinde iyileşme gözlenirken, beklendiği üzere, diğer performans parametrelerinde nispeten kötüleşme olduğu söylenebilir. Örneğin, park yönetim sistemini kullanan ve ücret parametresine ağırlık veren kullanıcılar 75. senaryoda ortalama 4,0108 birim ücret öderlerken 30. senaryoda bu değer 8,6444 olarak elde edilmiştir. Burada ücret değeri [2,2022, 5,1385] aralığındayken 30. senaryoda [5,4641, 12,9786] aralığında değerler aldığı gözlenmiştir. Benzer durumun diğer performans parametreleri için de olduğu söylenebilir. Sürüş süresi ve mesafesi için nispeten daha az 85 farklılıkların olması kalkış noktası ile aday park yerlerinin olduğu bölge arasındaki sürüş mesafesinin park özelinde minör farklılıklar içermesi ile açıklanabilir. Yönlendirilen araç derecesi ve uygunluk derecesi parametreleri açısından sonuçlar değerlendirildiğinde ise, gezinen araç oranları düşük olduğundan ve her araç için bir otopark önerildiğinden, ortalama değerler yerine aralık değerlerinin yorumlanması daha anlamlıdır. Bir diğer ifadeyle, uzun-vadede ortalama değerlerin birbirine yakınsaması ve nispeten daha az farklar oluşması bu iki parametre için beklenen bir durumdur. Burada, özellikle kullanıcıların ilgili parametrelere ağırlık vermediği durumlarda performans değerlerinin daha geniş aralıklarda değer aldığı görülmektedir. Örneğin 75. senaryoda park öneri sistemini kullanan ve ilgili parametreye ağırlık veren kullanıcılar için, yönlendirilen araç derecesi parametresi [0,1377, 0,2223] aralığında değer alırken 30. senaryoda [0,1614, 0,3108] aralığında değerler gözlenmiştir. Çizelge 4.18. Yürüyüş mesafesi eşik değerinin etkisi: Kurgu – 2 / 30. senaryo SS SM YM PÜ RÜ TÜ YAD UD ort 0,0037 2,6751 0,3731 8,3695 0,5881 8,6444 0,2423 0,6236 min 0,0027 1,9537 0,2528 5,1521 0,4963 5,4641 0,1614 0,2563 maks 0,0050 3,7377 0,4764 12,6916 0,6829 12,9786 0,3108 0,7826 ort 0,0037 2,7100 0,3855 6,2762 0,5472 6,5477 0,2935 0,6691 min 0,0025 1,7957 0,2499 1,0960 0,3208 1,3023 0,1261 0,2951 maks 0,0051 3,6447 0,4923 15,3389 0,8596 15,6701 0,7926 0,7876 ort 0,0036 2,7281 0,3823 6,3563 - 6,3563 0,2838 0,6630 min 0,0026 1,9496 0,2570 2,2806 - 2,2806 0,1429 0,4240 maks 0,0046 3,4674 0,4777 12,3307 - 12,3307 0,5194 0,7813 SS: Sürüş Süresi, SM: Sürüş Mesafesi, YM: Yürüyüş Mesafesi, PÜ: Park Ücreti, RÜ: Rezervasyon Ücreti, TÜ: Toplam Ücret, YAD: Yönlendirilen Araç Derecesi, UD: Uygunluk Derecesi, ort: ortalama, min: minimum, maks: maksimum Çizelge 4.19’da ücret eşik değerinin performans parametrelerine etkisini göstermek amacıyla örnek sonuçlar sunulmaktadır. Bu sonuçlar 66. senaryoya ait olup ilgili senaryoda sistem kullanım oranı 0,75, yürüme mesafesi eşiği 2,00 ve ücret eşiği 5,00 değerindedir. 75. senaryoda %0 olan gezinen araç oranı burada da aynı değeri almıştır fakat 0,8672 olan global maliyet değeri artarak 1,2970 olarak elde edilmiştir. Ücret eşik değerinin 40,00 birimden 5,00 birim değerine çekilmesi beklendiği üzere ücrete ilişkin performansları iyileştirmiştir. 75. senaryoda park yönetim sistemini kullanan ve ücret kriterine ağırlık veren kullanıcılar için toplam park ücret değerleri [2,2022, 5,1385] aralığında değerler alırken 66. senaryoda bu değerler [2,2532, 5,0920] olarak gözlenmiştir. Burada anlamlı farklar özellikle diğer durumlar için göze çarpmaktadır. 86 Örneğin, park yönetim sistemini kullanan fakat ücret kriterine ağırlık vermeyen kullanıcılar için 75. senaryoda ortalama toplam ücret değeri 6,6356, minimum 1,0630 ve maksimum 15,9401 iken 66. senaryoda ortalama değer 4,2713, minimum 0,7830 ve maksimum 8,6222 olarak gözlenmiştir. Ücret eşik değerinin azaltılması ile birlikte ilgili performans parametresinde iyileşme gözlenirken, beklendiği üzere, diğer performans parametrelerinde nispeten kötüleşme olduğu söylenebilir. Örneğin, park yönetim sistemini kullanan ve yürüme mesafesi parametresine ağırlık veren kullanıcılar için 75. senaryoda ortalama 0,4304 km yürüme mesafesi gözlemlenirken 66. senaryoda bu değer 0,5559 olarak elde edilmiştir. Benzer durumun diğer performans parametreleri için de olduğu söylenebilir. Çizelge 4.19. Ücret eşik değerinin etkisi: Kurgu – 2 / 66. senaryo SS SM YM PÜ RÜ TÜ YAD UD ort 0,0036 2,6245 0,5559 3,9074 0,2226 4,0278 0,4813 0,5975 min 0,0021 1,5978 0,4801 2,1560 0,1650 2,2532 0,4269 0,4689 maks 0,0046 3,4469 0,6210 4,9560 0,3197 5,0920 0,5596 0,7295 ort 0,0034 2,4824 0,7652 4,1137 0,3116 4,2713 0,5419 0,5934 min 0,0020 1,5009 0,4780 0,7136 0,1464 0,7830 0,4185 0,3738 maks 0,0057 4,1117 1,3394 8,3832 0,4396 8,6222 0,8971 0,7880 ort 0,0034 2,5828 0,5344 4,3319 - 4,3319 0,5413 0,5854 min 0,0022 1,6637 0,4793 1,2462 - 1,2462 0,4390 0,4258 maks 0,0047 3,5410 0,6127 7,6724 - 7,6724 0,6402 0,7445 SS: Sürüş Süresi, SM: Sürüş Mesafesi, YM: Yürüyüş Mesafesi, PÜ: Park Ücreti, RÜ: Rezervasyon Ücreti, TÜ: Toplam Ücret, YAD: Yönlendirilen Araç Derecesi, UD: Uygunluk Derecesi, ort: ortalama, min: minimum, maks: maksimum Tez çalışması kapsamında önerilen yaklaşımın esnek bir şekilde uygulanabilmesi ve sisteme yukarıdan bakan şehir planlamacısı bakış açısıyla farklı park yönetim stratejilerini simüle ederek elde edilen sonuçların performans parametrelerince analiz edilebilmesi için bir kullanıcı arayüzü prototipi geliştirilmiştir. Bu yapının, gelecekteki çalışmalara da alt yapı oluşturacağı düşünülmektedir ve bu kapsamda MATLAB App Designer alt yapısı kullanılarak her iki kurgu için de bir kullanıcı arayüzü oluşturulmuştur. Arayüz tasarımları her iki kurgu için de aynı olduğundan Şekil 4.7’de örnek teşkil etmesi adına Kurgu – 1 için tasarlanan arayüzün başlangıç ekranı verilmiştir. Şekilde de görüldüğü gibi kullanıcı tarafından öncelikle senaryo parametreleri seçimi yapılmaktadır. Sistem kullanım oranı, yürüme mesafesi ve ücret eşik değerleri cinsinden iki farklı senaryo tanımlanmakta ve ardından belirtilen replikasyon sayısı kadar ilgili senaryolar için simülasyon yapılmaktadır. Simülasyonun sonuçlanması ile birlikte elde 87 edilen sonuçlar analiz edilerek kullanıcıya karşılaştırmalı olarak ilgili senaryoların sonuçları sunulmaktadır. Şekilde de görüldüğü gibi performans ölçütleri olarak çerçevelenen yapının altında her iki senaryo için elde edilen ortalama gezinen araç oranı ve global maliyet değerleri sunulmaktadır. Grafikler başlığı altında ise dağılım grafiği ile söz konusu senaryo parametrelerinin bu değerlere etkisi gösterilmektedir. Analizler ismi ile çerçevelenen alanda ise bir tablo yapısı ile fayda fonksiyonu parametreleri ile ilişkilendirilen performans parametreleri (sürüş süresi, sürüş mesafesi, yürüyüş mesafesi, park ücreti, rezervasyon ücreti, toplam ücret, yönlendirilen araç derecesi ve uygunluk derecesi) için elde edilen performans skorları karşılaştırmalı olarak verilmektedir. Şekil 4.7. Geliştirilen kullanıcı arayüzü başlangıç ekranı Şekil 4.8’de örnek bir uygulamaya ait ekran görüntüsü verilmiştir. Burada, birinci senaryoda sistem kullanım oranı 0,75, yürüme mesafesi eşik değeri 2,00 ve ücret eşik değeri 40,00 iken ikinci senaryoda sistem kullanım oranı 0,50, yürüme mesafesi eşiği 1,00 ve ücret eşik değeri 20,00 olarak belirlenmiştir. 10 replikasyon sonucunda elde edilen sonuçlar incelendiğinde birinci senaryo için gezinen araç oranı ortalama %1 ve global maliyet değeri ortalama 0,5622 iken ikinci senaryo için bu değerler beklendiği gibi artmış ve sırasıyla %5 ve 0,9455 olarak elde edilmiştir. Sağ tarafta yer alan grafiklerde ise sırasıyla gezinen araç oranı ve global maliyet için her bir replikasyon sonucunda elde edilen değerler bir dağılım grafiği ile sunulmuştur. Burada, x-ekseninde ücret eşik değeri 88 ve y-ekseninde yürüme mesafesi eşik değeri yer alırken renk çubuğu sistem kullanım oranının değerine göre ölçeklendirilmiştir. Analizler tablosunda ise önceki sayfalarda sunulan çizelgelere benzer yapıda, elde edilen sonuçlara ilişkin performans parametreleri cinsinden analiz yapılmaktadır. Her iki senaryo için yan yana konumlandırılan sütunlarda ilgili performans ölçütlerinin değerleri yer almaktadır. Burada gri tonlarındaki satırlarda sistemi kullanıp ilgili parametreye ağırlık veren kullanıcılar için elde edilen ortalama, minimum ve maksimum değerler verilmektedir. Mavi tonlarındaki satırlarda sistemi kullanıp ilgili parametreye ağırlık vermeyen kullanıcılar için elde edilen ortalama, minimum ve maksimum değerler verilmektedir. Yeşil tonlarındaki satırlarda ise sistemi kullanmayarak rassal arama yapan araçlar için elde edilen ortalama, minimum ve maksimum değerler verilmektedir. Örneğin, sistemi kullanan ve yürüme mesafesine ağırlık veren araçlar için birinci senaryoda [0,0234, 1,2490] aralığında ortalama 0,4292 km yürüyüş mesafesi kat edilirken ikinci senaryo için bu değer [0,0248, 0,8986] aralığında ortalama 0,3909’dur. Bu durum ikinci senaryoda daha düşük yürüme mesafesi eşik değerinin olması ile açıklanabilir. Benzer bir yorum toplam ücret değerleri için de yapılabilir. Örneğin, sistemi kullanıp ücret parametresine ağırlık vermeyen araçlar için birinci senaryoda [0,4201, 34,2931] aralığında ortalama 10,6751 birim gözlemlenirken ikinci senaryoda [0,5818, 19,5733] aralığında ortalama 9,8916 birim ücret değeri elde edilmiştir. Şekil 4.8. Örnek uygulamanın gösterimi 89 5. SONUÇ Dünya nüfusu ve şehirleşmedeki artışla birlikte, özellikle büyük şehirlerde park yeri bulma problemi büyük bir ulaşım sorunu haline gelmektedir. Araştırmalar, şehir içi trafiğin yaklaşık %30’unun uygun park yeri bulmak amacıyla yapılan yolculuklardan kaynaklandığını göstermektedir. Dolayısıyla bu yolculuklar, araç/sürücü tarafında her yıl onlarca saatlik zaman kaybına neden olmakla birlikte yakıt tüketimini de önemli ölçüde arttırmaktadır. Ekstra yakıt tüketimi ise ciddi miktarda karbon salınımı ve çevre kirliliği artışına neden olmaktadır. Bu durum insan ve toplum sağlığını da önemli ölçüde tehdit etmektedir. Uygun bir park yerinin bulunması araç/sürücü tarafında zaman ve yakıt tasarrufu açısından büyük öneme sahipken trafik sıkışıklığı ve hava kirliliği de dikkate alındığında toplum ve çevre için daha kritik bir problem haline dönüşmektedir. Öte yandan, otopark yöneticileri tarafından problem ele alındığında park yerlerinin yüksek doluluk oranlarına sahip olması, beraberinde karlılığın arttırılması hedeflenmektedir. Problem, sistemi oluşturan tüm aktörler açısından ele alındığında park yönetim sistemlerinin oldukça karmaşık bir yapıya sahip olduğu söylenebilir. Bu tez çalışmasında, akıllı şehirler için park yerlerinin uygunluğunun tahmini ile ajan- tabanlı bir park öneri mekanizmasını bütünleşik bir şekilde içeren bir park yönetim sistemi önerilmektedir. Geliştirilen sistemde, rezervasyonlu araçlar ile rezervasyonsuz araçlar birlikte ele alınmaktadır. Park yerlerinin uygunluğunun tahmin edilmesi amacıyla, (i) ARIMA, (ii) SARIMA ve (iii) YSA olmak üzere literatürde yer alan farklı tahmin yöntemleri kullanılmaktadır. Öncelikle, bir defaya mahsus olmak üzere her bir yöntem için farklı model yapıları ile tahminler yapılmış ve en iyi model tasarımı bulunmuştur. Bütünleşik yapı içerisinde ise söz konusu yöntemlerin en iyi tasarımları kullanılarak her bir otopark için park yeri uygunluğu yapılmakta ve elde edilen sonuçlar ortalama karesel hatalar cinsinden değerlendirilmektedir. En iyi performansa ait yöntem ile hesaplanan uygun kapasite değeri, park önerilerinin sunulduğu ajan-tabanlı park öneri sisteminin girdisi olarak ele alınmaktadır. Burada, farklı tipteki araçlar için maksimum faydalı park önerileri sunulmaktadır ve kalkış noktası ile hedef park yerleri arasındaki sürüş mesafesi/süresi, varış noktası ile hedef park yerleri arasındaki yürüme mesafesi, otopark ücreti, aday park yerleri etrafındaki trafiğe karşılık gelen yönlendirilen araç derecesi ve 90 park yerlerinin uygunluk derecesi parametreleri dikkate alınmaktadır. Mikro ölçekte, söz konusu fayda fonksiyonu parametrelerine verilen ağırlık cinsinden farklı kullanıcı davranışları ele alınmaktadır. Makro ölçekte ise sistemi oluşturan farklı aktörler (araçlar ve otoparklar) için farklı bakış açılarını yansıtacak şekilde yürüme mesafesi eşik değeri ve ücret eşik değerinin farklı değerleri için senaryolar oluşturulmuştur. Buna ek olarak, önerilen park yönetim sisteminin önemini ve gerekliliğini vurgulamak amacıyla, rezervasyonlu ve rezervasyonsuz araç tiplerine ek olarak önerilen sistemi kullanmayarak rassal arama yapan araçlar da ele alınmıştır. Uygun park yeri arayan araçların, geliştirilen sistemi kullanım oranları da yürüme mesafesi ve ücret eşik değerlerine ek olarak bir diğer senaryo parametresi olarak ele alınmıştır. Son olarak, önerilen yaklaşımın daha esnek bir şekilde kullanılabilmesi için bir kullanıcı arayüzü tasarlanmıştır. Böylece kullanıcılara farklı senaryolar oluşturma ve bu senaryolar için simülasyon yaparak elde edilen sonuçları karşılaştırmalı olarak yorumlama imkanı sunulmaktadır. Geliştirilen yöntemin geçerliliğinin sınanması amacıyla uygulama aşamasında, San Francisco’da yapılan SFpark projesinin veri seti kullanılmıştır. Söz konusu veri seti kullanılarak farklı senaryolar için elde edilen sonuçlar çeşitli performans parametrelerine göre analiz edilmiştir. Burada, öncelikle sisteme daha yukarıdan bakan bir yaklaşımla farklı senaryolar için gezinen araç oranı ve global maliyet değeri olmak üzere iki farklı performans parametresi ele alınmıştır. Beklendiği üzere, sistem kullanım oranındaki artış ve yürüme mesafesi ile ücret eşik değerlerindeki yüksek limitlerle birlikte daha düşük gezinen araç oranı ve global maliyet değerleri gözlenmiştir. Her bir senaryo için fayda fonksiyonu parametreleri ile ilişkilendirilen performans parametreleri (sürüş süresi, sürüş mesafesi, yürüyüş mesafesi, park ücreti, rezervasyon ücreti, toplam ücret, yönlendirilen araç derecesi ve uygunluk derecesi) için performans skorları hesaplanmıştır. Kullanıcıların ilgili kriterlere ağırlık vermesi/vermemesi ve araçların önerilen park yönetim sistemini kullanıp/kullanmaması olmak üzere farklı durumlar için bu performans parametrelerinin ortalama, minimum ve maksimum değerleri analiz edilmiştir. Beklendiği üzere özellikle senaryo parametresi olan eşik değerlerdeki azalışlar ilgili performans ölçütlerinde iyileştirmelere neden olmuştur. Çalışma kapsamında, park öneri sistemi çerçevesinde birbirinden bağımsız iki ayrı kurgu geliştirilmiştir. Kurgu – 1 olarak sunulan yapı kesikli-olay simülasyonu olarak 91 kurgulanarak sisteme daha yukarıdan bakmaktadır ve olay-tabanlı bir yapı ile park süreci simüle edilmektedir. Bu kurguda araç ve otopark olmak üzere iki tip ajan yer almaktadır. Tahmin modülü ve ajan-tabanlı park öneri modülüne ek olarak, senaryo oluşturma, analiz yapma ve fayda fonksiyonu parametrelerini hesaplama gibi birtakım yardımcı işlemleri gerçekleştiren modüller de yer almaktadır. Kurgu – 2 olarak adlandırılan yapı ise dinamik trafik koşullarının da dikkate alındığı ve sürekli-zaman simülasyonu olarak geliştirilen sistemdir. Burada, dinamik yol ağı üzerinde araçların özellikleri ve trafik durumu da dikkate alındığından Kurgu – 1’e kıyasla sistem daha derinden ele alınmaktadır. Dolayısıyla, araç ve otopark ajanlarına ek olarak yol ağı ajanı da sisteme dahil edilmiştir. Araçların bu ağ üzerinde izledikleri rota optimize edilmekte ve araçların park kararları dinamik trafik koşulları dikkate alınarak olarak verilmektedir. Kurgu – 1’de yer alan modüllere ek olarak bu yapıda rotalama modülü de geliştirilmiştir. Tez çalışması kapsamında önerilen yaklaşım, yerel ve merkezi yönetimlerin ulaşım planlamasında bir karar destek aracı olarak kullanılabilir. Böylelikle, uygun park yeri arayan araçların neden olduğu yolculuklar azaltılarak hem yakıt tüketiminde hem de trafikte harcanan sürelerde azalışlar beklenmektedir. Yakıt tüketimindeki düşüşle birlikte karbon emisyonunun ve çevre kirliliğinin azaltılmasına olanak sağlanacaktır. Ortalama bir binek araç bir kara mili (1,6 km) başına yaklaşık 400 gram karbondioksit yaymaktadır (United States Environmental Protection Agency, 2016). Tez çalışması kapsamında ele alınan veri seti özelinde değerlendirildiğinde ise örneğin, Kurgu – 1’de ele alınan bölgede otoparklar arası mesafe ortalama 0,6 km ve maksimum 1,6 km'dir. Dolayısıyla bu bölgede uygun bir park yeri bulmak amacıyla aday park yerleri arasında gezinen ve bölgede bir tam tur atan bir aracın yaklaşık bir kara mili mesafe katettiği, 400 gram karbondioksit yaydığı varsayılabilir. Söz konusu kurgu için oluşturulan her bir senaryoda ortalama 360 adet aracın sisteme giriş yaptığı göz önünde bulundurulduğunda ise bu araçların uygun bir park yeri bulamaması yaklaşık 144 kg ekstra karbondioksit emisyonuna neden olacaktır. Önerilen park yönetim sisteminin kullanımının artması ile birlikte gezinen araç oranındaki azalışlar söz konusu karbondioksit emisyonunu da ciddi oranda azaltacaktır. Örneğin, gezinen araç oranının %10 seviyesinin altına düştüğü senaryolarda karbon emisyonu da yaklaşık 130 kg azalacaktır. Bunlara ek olarak, faydalı bir şekilde yönetilen 92 bir park sisteminin insan ve toplum sağlığı için de önemli katkıları olacağı düşünülmektedir. Bu tez çalışmasının literatüre olan katkısı; (i) park tahmini ve önerisinin bütünleşik yapı altında entegre edilmesi, (ii) rezervasyonlu ve rezervasyonsuz araçlar ile rassal arama yapan araçların birlikte ele alınması, (iii) mikro ölçekte fayda fonksiyonu parametrelerine verilen ağırlık cinsinden farklı kullanıcı davranışlarının ele alınması ve (iv) makro ölçekte ise sistemi oluşturan farklı aktörler (araçlar ve otoparklar) için farklı bakış açılarını yansıtacak şekilde yürüme mesafesi eşik değeri, ücret eşik değeri ve sistem kullanım oranının farklı değerleri için farklı senaryoların dikkate alınması ile birlikte elde edilen sonuçların analiz edilmesidir. Yürüyüş rotasının da geliştirilen rotalama modülü kapsamında Dijkstra algoritması ile belirlenmesi çalışmanın özgün yanlarından bir diğerini oluşturmaktadır. Gelecek çalışmalarda, günlük hayat içerisinde hızla sayısı artan elektrikli ve/veya hibrit araçlar gibi farklı araç tipleri de sisteme entegre edilebilir. Böylece araçların şarj kararları da park problemi çerçevesinde ele alınabilir. Otoparklar tarafında ise şarj alt yapısına sahip park yeri sayısı ve bu park yerlerinin uygunluğu dikkate alınarak park kararları verilebilir. Araçların rezervasyon ve park ücretine ek olarak şarj hizmeti alması durumunda ödeyecekleri ücret de fayda fonksiyonu parametresi olarak ele alınabilir. Öte yandan, araçların kalan şarjlarıyla ilişkili olarak kat edebilecekleri menzile bağlı olarak rotalama kararları verilebilir. Bir diğer gelecek çalışma alanı, bireyler tarafından kullanılan özel araçlara ek olarak filo olarak yönetilen paylaşımlı araç kurgularının park yönetim sistemine dahil edilmesi olabilir. Gelecekte, paylaşımlı araçların günlük hayatta daha önemli bir yer alacağı tahmin edilmektedir. Fütürist yazar Roberto Vacca tarafından geleceğin şehirlerinde mobilitenin nasıl olacağı hakkında şu şekilde bir gelecek vizyonu çizilmiştir: (i) Özel araçların %90’ı trafikten kalkarak yerini araç kiralama filoları alacaktır. Bu filoların sayısı da günümüzde şehirlerde kullanılan toplam filo sayısının %10’u kadar olacaktır. (ii) Sürücüsüz araçlar ücret karşılığında ortak kullanıma açılacak ve ödemeler kredi kartı ile yapılabilecektir. Kredi kartları bankalar ile servis merkezleri arasında mobil bağlantı kurabilecektir. (iii) Belirli bir anda müsait olan araçların bulunduğu yer, mobil cihazlar ve internet aracılığıyla gerçek zamanlı olarak haritalar 93 üzerinde görüntülenebilecektir. (iv) Yolcular varış noktasına gelince aracı terk edecekler, araçlar ise kendi kendine park edebileceklerdir. Aracın park edildiği yer, depoda kalan benzin, bir arıza olup olmadığı otomatik servis merkezine bildirilecek ve banka ile merkez arasındaki bilgiye göre ücret kesilecektir. (v) Serviste çalışan kişi arabanın olduğu park yerine giderek benzin tankı ile arabaya yakıt ikmali yapacak, dolayısıyla günümüzdeki akaryakıt istasyonları ortadan kalkacaktır. (vi) Özel arabaların kullanımı azalacak ve evden eve, evden iş yerine, evden alışveriş merkezine gibi uygulamalarla sürücüsüz, elektrikli, kapıdan kapıya araç servisleri gelişecektir. Dolayısıyla, toplu taşıma durakları ortadan kalkacaktır (Akıllı Ulaşım Sistemleri Derneği, 2017). Gelecek çalışmalarda, paylaşımlı araçların dikkate alınmasıyla birlikte araç kiralama ücreti de bir fayda fonksiyonu parametresi olarak ele alınabilir. Filo olarak yönetilen bu paylaşımlı araçların park kararları verilirken aracın bırakıldığı parkın lokasyonuna bağlı olarak araç kira ücretinde değişikliğe gidilebilir. Örneğin, kullanıcının varış noktasına daha uzak fakat nispeten daha merkezi bir konuma aracın park edilmesi, gelecek potansiyel talepleri arttırabileceğinden filo yöneticisi açısından daha avantajlı bir durum olabilir. Burada daha merkezi bir yere park edilmesi durumunda sürücüden daha düşük hizmet bedeli alınarak, sürücünün de varış noktasına ulaşmak için daha uzun süren bir yürüyüş mesafesine katlanması sağlanabilir. Böylece, sürücü tarafında daha düşük bir araç kirası ödendiğinden, filo yönetici tarafında da aracın boşta kalma maliyeti azalacağından, her iki taraf için de tercih edilen ve faydalı bir çözüm bulunmuş olacaktır. Benzer şekilde, otonom (sürücüsüz) araç tipinin de ele alınması ile çalışmanın kapsamı genişletilebilir ve bu araçların yolcu taşımadığı durumlarda yeniden konumlandırma kararlarının park yönetim sistemi çerçevesinde ele alınması da başka bir gelecek çalışma konusu olabilir. Aracın yeniden konumlandırılacağı parkın lokasyonuna bağlı olarak boşta kaldığı süre içerisinde trafikte kat ettiği mesafe, ilgili otoparkın ücreti, bırakılan konuma bağlı olarak kullanıcıdan alınacak kiralama ücreti park kararlarının verilmesinde kritik öneme sahip parametrelerdir. Yakın gelecekte, her bir paylaşımlı-otonom aracın, yaklaşık 11 özel aracın yerini alacağı tahmin edilmektedir (Fagnant ve Kockelman, 2016). Dolayısıyla, bu araçların kullanımının ardından bir sonraki kullanıma kadar nerede konumlandırılacağı şehir içi trafik yoğunluğunu önemli ölçüde etkileyecektir. Sistemi oluşturan tüm aktörler için maksimum faydalı park kararlarının sunulması toplum ve çevre için önem arz etmektedir. 94 KAYNAKLAR Akıllı Ulaşım Sistemleri Derneği. (2017). Akıllı Ulaşım Otomasyonunda Yasal Çerçeve ve Düzenleyici Politikalar: AB ve Türkiye’de Durum. T.C. Ulaştırma, Denizcilik ve Haberleşme Bakanlığı. An, S. H., Lee, B. H., & Shin, D. R. (2011). A survey of intelligent transportation systems. 2011 Third International Conference on Computational Intelligence, Communication Systems and Networks (pp. 332-337). IEEE. https://doi.org/10.1109/cicsyn.2011.76 Arjona, J., Linares, M., Casanovas-Garcia, J., & Vazquez, J. J. (2020). Improving parking availability information using deep learning techniques. Transportation Research Procedia, 47, 385-392. https://doi.org/10.1016/j.trpro.2020.03.113 Auer, A., Feese, S., Lockwood, S., & Hamilton, B. A. (2016). History of intelligent transportation systems (No. FHWA-JPO-16-329). United States. Department of Transportation. Intelligent Transportation Systems Joint Program Office. Awan, F. M., Saleem, Y., Minerva, R., & Crespi, N. (2020). A comparative analysis of machine/deep learning models for parking space availability prediction. Sensors, 20(1), 322. https://doi.org/10.3390/s20010322 Ayala, D., Wolfson, O., Xu, B., Dasgupta, B., & Lin, J. (2011). Parking slot assignment games. Proceedings of the 19th ACM SIGSPATIAL international conference on advances in geographic information systems (pp. 299-308). https://doi.org/10.1145/2093973.2094014 Aydin, I., Karakose, M., & Karakose, E. (2017). A navigation and reservation based smart parking platform using genetic optimization for smart cities. 2017 5th International Istanbul Smart Grid and Cities Congress and Fair (ICSG) (pp. 120-124). IEEE. https://doi.org/10.1109/sgcf.2017.7947615 Badham, J., Chattoe-Brown, E., Gilbert, N., Chalabi, Z., Kee, F., & Hunter, R. F. (2018). Developing agent-based models of complex health behaviour. Health & place, 54, 170-177. https://doi.org/10.1016/j.healthplace.2018.08.022 Badii, C., Nesi, P., & Paoli, I. (2018). Predicting available parking slots on critical and regular services by exploiting a range of open data. IEEE Access, 6, 44059-44071. https://doi.org/10.1109/access.2018.2864157 Balmer, M., Weibel, R., & Huang, H. (2021). Value of incorporating geospatial information into the prediction of on-street parking occupancy–A case study. Geo- spatial Information Science, 24(3), 438-457. https://doi.org/10.1080/10095020.2021.1937337 Belkhala, S., Benhadou, S., Boukhdir, K., & Medromi, H. (2019). Smart parking architecture based on multi agent system. International Journal of Advanced Computer Science and Applications, 10(3), 378-382. https://doi.org/10.14569/ijacsa.2019.0100349 Benenson, I., Martens, K., & Birfir, S. (2008). PARKAGENT: An agent-based model of parking in the city. Computers, Environment and Urban Systems, 32(6), 431-439. https://doi.org/10.1016/j.compenvurbsys.2008.09.011 Bonabeau, E. (2002). Agent-based modeling: Methods and techniques for simulating human systems. Proceedings of the national academy of sciences, 99(suppl_3), 7280-7287. https://doi.org/10.1073/pnas.082080899 95 Boudali, I., & Ouada, M. B. (2017). Smart parking reservation system based on distributed multicriteria approach. Applied Artificial Intelligence, 31(5-6), 518-537. https://doi.org/10.1080/08839514.2017.1378275 Boussaada, Z., Curea, O., Remaci, A., Camblong, H., & Mrabet Bellaaj, N. (2018). A nonlinear autoregressive exogenous (NARX) neural network model for the prediction of the daily direct solar radiation. Energies, 11(3), 620. https://doi.org/10.3390/en11030620 Box, G.E.P., & Jenkins, G.M. (1976). Time series analysis: Forecasting and control. Holden-Day, San Francisco. Caliskan, M., Barthels, A., Scheuermann, B., & Mauve, M. (2007). Predicting parking lot occupancy in vehicular ad hoc networks. 2007 IEEE 65th Vehicular Technology Conference-VTC2007-Spring (pp. 277-281). IEEE. https://doi.org/10.1109/vetecs.2007.69 Camero, A., Toutouh, J., Stolfi, D. H., & Alba, E. (2019). Evolutionary deep learning for car park occupancy prediction in smart cities. Learning and Intelligent Optimization: 12th International Conference, LION 12, Kalamata, Greece, June 10–15, 2018, Revised Selected Papers 12 (pp. 386-401). Springer International Publishing. https://doi.org/10.1007/978-3-030-05348-2_32 Caragliu, A., Del Bo, C., & Nijkamp, P. (2011). Smart cities in Europe. Journal of urban technology, 18(2), 65-82. https://doi.org/10.1080/10630732.2011.601117 Chang, A. S., & Kalawsky, R. S. (2017). European transport sector interventions for smart city. 2017 7th International Conference on Power Electronics Systems and Applications-Smart Mobility, Power Transfer & Security (PESA) (pp. 1-6). IEEE. https://doi.org/10.1109/pesa.2017.8277778 Chou, S. Y., Lin, S. W., & Li, C. C. (2008). Dynamic parking negotiation and guidance using an agent-based platform. Expert Systems with applications, 35(3), 805-817. https://doi.org/10.1016/j.eswa.2007.07.042 Cookson, G. (2019). Parking pain – INRIX offers a silver bullet, INRIX, http://inrix.com/blog/2017/07/parkingsurvey/ Dal, M., & Özdemir, Y. (2020). Dijital Çağda Neden Bir Kent Sürdürülebilir Akıllı Şehir Olmalıdır?. Uluslararası Doğu Anadolu Fen Mühendislik ve Tasarım Dergisi, 2(2), 205-215. https://doi.org/10.47898/ijeased.728019 Deakin, M., & Al Waer, H. (2011). From intelligent to smart cities. Intelligent Buildings International, 3(3), 140–152. https://doi.org/10.1080/17508975.2011.586671 Di Napoli, C., Di Nocera, D., & Rossi, S. (2014). Negotiating parking spaces in smart cities. Proceeding of the 8th International Workshop on Agents in Traffic and Transportation, in conjunction with AAMAS. Di Nocera, D., Di Napoli, C., & Rossi, S. (2014). A Social-Aware Smart Parking Application. WOA. Diaconu, E., Andrei, H., Puchianu, D., & Predusca, G. (2013). Advanced software system for optimization of car parking services in urban area. 2013 8TH INTERNATIONAL SYMPOSIUM ON ADVANCED TOPICS IN ELECTRICAL ENGINEERING (ATEE) (pp. 1-6). IEEE. https://doi.org/10.1109/atee.2013.6563510 Dijkstra, E.W. (1959). A note on two problems in connexion with graphs. Numerische Mathematik, 1, 269-271. https://doi.org/10.1007/bf01386390 Enriquez, F., Soria, L. M., Alvarez-Garcia, J. A., Velasco, F., & Deniz, O. (2017). Existing approaches to smart parking: An overview. Smart Cities: Second International Conference, Smart-CT 2017, Málaga, Spain, June 14-16, 2017, 96 Proceedings 2 (pp. 63-74). Springer International Publishing. https://doi.org/10.1007/978-3-319-59513-9_7 Erkek, S. (2017). ‘Akıllı şehircilik’ anlayışı ve belediyelerin inovatif uygulamaları. Medeniyet ve Toplum Dergisi, 1(1), 55-72. Errousso, H., Abdellaoui Alaoui, E. A., Benhadou, S., & Medromi, H. (2022). Exploring how independent variables influence parking occupancy prediction: toward a model results explanation with SHAP values. Progress in Artificial Intelligence, 11(4), 367-396. https://doi.org/10.1007/s13748-022-00291-5 Fabusuyi, T., Hampshire, R. C., Hill, V. A., & Sasanuma, K. (2014). Decision analytics for parking availability in downtown Pittsburgh. Interfaces, 44(3), 286-299. https://doi.org/10.1287/inte.2014.0743 Fagnant, D. J., & Kockelman, K. M. (2018). Dynamic ride-sharing and fleet sizing for a system of shared autonomous vehicles in Austin, Texas. Transportation, 45, 143- 158. https://doi.org/10.1007/s11116-016-9729-z Farag, M. S., Mohie-Eldin, M. M., & El Shenbary, H. A. (2017). Smart Parking Guidance Using Optimal Cost Function. Computer and Information Science, 10(1), 48-53. https://doi.org/10.5539/cis.v10n1p48 Fokker, E. S., Koch, T., van Leeuwen, M., & Dugundji, E. R. (2022). Short-term forecasting of off-street parking occupancy. Transportation Research Record, 2676(1), 637-654. https://doi.org/10.1177/03611981211036373 Geng, Y., & Cassandras, C. G. (2011a). A new “smart parking” system based on optimal resource allocation and reservations. 2011 14th International IEEE Conference on Intelligent Transportation Systems (ITSC) (pp. 979-984). IEEE. https://doi.org/10.1109/itsc.2011.6082832 Geng, Y., & Cassandras, C. G. (2011b). Dynamic resource allocation in urban settings: A “smart parking” approach. 2011 IEEE International Symposium on Computer- Aided Control System Design (CACSD) (pp. 1-6). IEEE. https://doi.org/10.1109/cacsd.2011.6044566 Geng, Y., & Cassandras, C. G. (2012). A new “smart parking” system infrastructure and implementation. Procedia-Social and Behavioral Sciences, 54, 1278-1287. https://doi.org/10.1016/j.sbspro.2012.09.842 Heath, B., Hill, R., & Ciarallo, F. (2009). A survey of agent-based modeling practices (January 1998 to July 2008). Journal of Artificial Societies and Social Simulation, 12(4), 9. Inam, S., Mahmood, A., Khatoon, S., Alshamari, M., & Nawaz, N. (2022). Multisource data integration and comparative analysis of machine learning models for on-street parking prediction. Sustainability, 14(12), 7317. https://doi.org/10.3390/su14127317 Ionita, A., Pomp, A., Cochez, M., Meisen, T., & Decker, S. (2018). Where to park? predicting free parking spots in unmonitored city areas. Proceedings of the 8th International Conference on Web Intelligence, Mining and Semantics (pp. 1-12). https://doi.org/10.1145/3227609.3227648 Jin, C., Wang, L., Shu, L., Feng, Y., & Xu, X. (2012). A fairness-aware smart parking scheme aided by parking lots. 2012 IEEE International Conference on Communications (ICC) (pp. 2119-2123). IEEE. https://doi.org/10.1109/icc.2012.6364635 Jioudi, B., Amari, A., Moutaouakkil, F., & Medromi, H. (2019). e-parking: Multi-agent smart parking platform for dynamic pricing and reservation sharing service. 97 International Journal of Advanced Computer Science and Applications, 10(11). https://doi.org/10.14569/ijacsa.2019.0101148 Kasera, R. K., & Acharjee, T. (2022). Parking slot occupancy prediction using LSTM. Innovations in Systems and Software Engineering, 1-13. https://doi.org/10.1007/s11334-022-00481-3 Katanalp, B. Y., Yıldırım, Z. B., Eren, E., & Uz, V. E. (2018). Akıllı Ulaşım Sistemleri Üzerine Bir Değerlendirme. 2nd International Symposium on Innovative Approaches in Scientific Studies, SETSCI Conference Indexing System (Vol. 3, pp. 1503-1506). Kuhail, M. A., Boorlu, M., Padarthi, N., & Rottinghaus, C. (2019). Parking availability forecasting model. 2019 IEEE International Smart Cities Conference (ISC2) (pp. 619-625). IEEE. https://doi.org/10.1109/isc246665.2019.9071688 Li, B. (2022). Stochastic modeling and adaptive forecasting for parking space availability with drivers’ time-varying arrival/departure behavior. Transportation Research Part B: Methodological, 166, 313-332. https://doi.org/10.1016/j.trb.2022.10.014 Li, J., Li, J., & Zhang, H. (2018). Deep learning based parking prediction on cloud platform. 2018 4th International Conference on Big Data Computing and Communications (BIGCOM) (pp. 132-137). IEEE. https://doi.org/10.1109/bigcom.2018.00028 Lin, T. S. (2015). Smart parking: network, infrastructure and urban service (Doctoral dissertation, Lyon, INSA). Lin, T., Horne, B. G., Tino, P., & Giles, C. L. (1996). Learning long-term dependencies in NARX recurrent neural networks. IEEE Transactions on Neural Networks, 7(6), 1329-1338. https://doi.org/10.1109/72.548162 Lin, T., Rivano, H., & Le Mouel, F. (2017). A survey of smart parking solutions. IEEE Transactions on Intelligent Transportation Systems, 18(12), 3229-3253. https://doi.org/10.1109/tits.2017.2685143 Lin, Y., Wang, P., & Ma, M. (2017). Intelligent transportation system (ITS): Concept, challenge and opportunity. 2017 IEEE 3rd International Conference on Big Data Security on Cloud (BigDataSecurity), IEEE International Conference on High Performance and Smart Computing, (HPSC) and IEEE International Conference on Intelligent Data and Security (IDS) (pp. 167-172). IEEE. https://doi.org/10.1109/bigdatasecurity.2017.50 Lu, E. H. C., & Liao, C. H. (2020). Prediction-based parking allocation framework in urban environments. International Journal of Geographical Information Science, 34(9), 1873-1901. https://doi.org/10.1080/13658816.2020.1721503 Macal, C., & North, M. (2014). Introductory tutorial: Agent-based modeling and simulation. Proceedings of the winter simulation conference 2014 (pp. 6-20). IEEE. https://doi.org/10.1109/wsc.2014.7019874 Mainetti, L., Patrono, L., Stefanizzi, M. L., & Vergallo, R. (2015). A Smart Parking System based on IoT protocols and emerging enabling technologies. 2015 IEEE 2nd World Forum on Internet of Things (WF-IoT) (pp. 764-769). IEEE. https://doi.org/10.1109/WF-IoT.2015.7389150 Manville, M., & Shoup, D. (2005). Parking, people, and cities. Journal of urban planning and development, 131(4), 233-245. https://doi.org/10.1061/(asce)0733- 9488(2005)131:4(233) 98 Mei, Z., Feng, C., Ding, W., Zhang, L., & Wang, D. (2019). Better lucky than rich? Comparative analysis of parking reservation and parking charge. Transport Policy, 75, 47-56. https://doi.org/10.1016/j.tranpol.2019.01.001 Mei, Z., Feng, C., Kong, L., Zhang, L., & Chen, J. (2020). Assessment of different parking pricing strategies: A simulation-based analysis. Sustainability, 12(5), 2056. https://doi.org/10.3390/su12052056 Mei, Z., Zhang, W., Zhang, L., & Wang, D. (2020). Optimization of reservation parking space configurations in city centers through an agent-based simulation. Simulation Modelling Practice and Theory, 99, 102020. https://doi.org/10.1016/j.simpat.2019.102020 Mejri, N., Ayari, M., Langar, R., & Saidane, L. (2016). Reservation-based multi-objective smart parking approach for smart cities. 2016 IEEE International Smart Cities Conference (ISC2) (pp. 1-6). IEEE. https://doi.org/10.1109/ISC2.2016.7580840 Meriç, E. B. (2018). Akıllı ulaşım sistemleri (AUS) ve kalkınma ajansları. Akıllı Ulaşım Sistemleri ve Uygulamaları Dergisi, 1(2), 33-55. Morell, J. Á., Dahi, Z. A., Chicano, F., Luque, G., & Alba, E. (2023). Time Series Forecasting for Parking Occupancy: Case Study of Malaga and Birmingham Cities. International Conference on Optimization and Learning (pp. 368-379). Cham: Springer Nature Switzerland. https://doi.org/10.1007/978-3-031-34020-8_28 Mouskos, K. C., Tvantzis, J., Bernstein, D., & Sansil, A. (2000). Mathematical formulation of a deterministic parking reservation system (prs) with fixed costs. 2000 10th Mediterranean Electrotechnical Conference. Information Technology and Electrotechnology for the Mediterranean Countries. Proceedings. MeleCon 2000 (Cat. No. 00CH37099) (Vol. 2, pp. 648-651). IEEE. https://doi.org/10.1109/melcon.2000.880017 Mufida, M. K., Ait El Cadi, A., Delot, T., Trepanier, M., & Zekri, D. (2023). Spatiotemporal Clustering of Parking Lots at the City Level for Efficiently Sharing Occupancy Forecasting Models. Sensors, 23(11), 5248. https://doi.org/10.3390/s23115248 Najmi, A., Bostanara, M., Gu, Z., & Rashidi, T. H. (2021). On-street parking management and pricing policies: An evaluation from a system enhancement perspective. Transportation Research Part A: Policy and Practice, 146, 128-151. https://doi.org/10.1016/j.tra.2021.02.009 Ni, X. Y., & Sun, D. J. (2017). Agent-based modelling and simulation to assess the impact of parking reservation system. Journal of Advanced Transportation, 2017. https://doi.org/10.1155/2017/2576094 Nohutçu, A., & Akpınar, A. (2022). Türkiye'de yerel yönetimler akıllı şehirler için ne kadar hazır?: Politika belgeleri üzerinden bir inceleme. Pamukkale University Journal of Social Sciences Institute, (48), 1-21. https://doi.org/10.30794/pausbed.941342 Noor, S., Hasan, R., & Arora, A. (2017). ParkBid: An incentive based crowdsourced bidding service for parking reservation. 2017 IEEE International Conference on Services Computing (SCC) (pp. 60-67). IEEE. https://doi.org/10.1109/scc.2017.16 North, M. J., & Macal, C. M. (2007). Managing business complexity: discovering strategic solutions with agent-based modeling and simulation. Oxford University Press. https://doi.org/10.1093/acprof:oso/9780195172119.001.0001 Pflugler, C., Kohn, T., Schreieck, M., Wiesche, M., & Krcmar, H. (2016). Predicting the availability of parking spaces with publicly available data. Informatik, 2016. 99 Provoost, J. C., Kamilaris, A., Wismans, L. J., Van Der Drift, S. J., & Van Keulen, M. (2020). Predicting parking occupancy via machine learning in the web of things. Internet of Things, 12, 100301. https://doi.org/10.1016/j.iot.2020.100301 Rajabioun, T., & Ioannou, P. A. (2015). On-street and off-street parking availability prediction using multivariate spatiotemporal models. IEEE Transactions on Intelligent Transportation Systems, 16(5), 2913-2924. https://doi.org/10.1109/tits.2015.2428705 Rand, W., & Rust, R. T. (2011). Agent-based modeling in marketing: Guidelines for rigor. International Journal of research in Marketing, 28(3), 181-193. https://doi.org/10.1016/j.ijresmar.2011.04.002 Rehena, Z., Mondal, M. A., & Janssen, M. (2018). A multiple-criteria algorithm for smart parking: making fair and preferred parking reservations in smart cities. Proceedings of the 19th Annual International Conference on Digital Government Research: Governance in the Data Age (pp. 1-9). https://doi.org/10.1145/3209281.3209318 Richter, F., Di Martino, S., & Mattfeld, D. C. (2014). Temporal and spatial clustering for a parking prediction service. 2014 IEEE 26th International Conference on Tools with Artificial Intelligence (pp. 278-282). IEEE. https://doi.org/10.1109/ictai.2014.49 Rizvi, S. R., Zehra, S., & Olariu, S. (2018). Aspire: An agent-oriented smart parking recommendation system for smart cities. IEEE Intelligent Transportation Systems Magazine, 11(4), 48-61. https://doi.org/10.1109/mits.2018.2876569 San Francisco Municipal Transportation Agency (SFMTA). (2013). SFpark Evaluation [Data set]. https://www.sfmta.com/getting-around/drive-park/demand-responsive- pricing/sfpark-evaluation Saric, A., Mihaljevic, B. (2017). Smart parking system in the city of Dubrovnik. RIThink Multidisciplinary Online Journal, 6. Schrank, D., Lomax, T. (2007). The 2007 Urban Mobility Report, Texas Transportation Institute, The Texas A and B University System. Shaikh, S., & Yayilgan, S. Y. (2023). Developing an Agent-Based Simulation Model for Predicting Technology Acceptance at Border Crossing Points. 2023 9th International Conference on Automation, Robotics and Applications (ICARA) (pp. 373-378). IEEE. https://doi.org/10.1109/icara56516.2023.10125714 Shao, C., Yang, H., Zhang, Y., & Ke, J. (2016). A simple reservation and allocation model of shared parking lots. Transportation Research Part C: Emerging Technologies, 71, 303-312. https://doi.org/10.1016/j.trc.2016.08.010 Shin, J. H., & Jun, H. B. (2014). A study on smart parking guidance algorithm. Transportation Research Part C: Emerging Technologies, 44, 299-317. https://doi.org/10.1016/j.trc.2014.04.010 Shoup, D. C. (2006). Cruising for parking. Transport policy, 13(6), 479-486. https://doi.org/10.1016/j.tranpol.2006.05.005 Siegelmann, H. T., Horne, B. G., & Giles, C. L. (1997). Computational capabilities of recurrent NARX neural networks. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), 27(2), 208-215. https://doi.org/10.1109/3477.558801 Stolfi, D. H., Alba, E., & Yao, X. (2017). Predicting car park occupancy rates in smart cities. Smart Cities: Second International Conference, Smart-CT 2017, Málaga, Spain, June 14-16, 2017, Proceedings 2 (pp. 107-117). Springer International Publishing. https://doi.org/10.1007/978-3-319-59513-9_11 100 Stolfi, D. H., Alba, E., & Yao, X. (2020). Can I park in the city center? Predicting car park occupancy rates in smart cities. Journal of Urban Technology, 27(4), 27-41. https://doi.org/10.1080/10630732.2019.1586223 T.C. Ulaştırma, Denizcilik ve Haberleşme Bakanlığı. (2014). Ulusal Akıllı Ulaşım Sistemleri Strateji Belgesi (2014-2023) ve Eki Eylem Planı (2014-2016). Taherkhani, M. A., Kawaguchi, R., Shirmohammad, N., & Sato, M. (2016). BlueParking: An IoT based parking reservation service for smart cities. Proceedings of the second international conference on IoT in urban space (pp. 86-88). https://doi.org/10.1145/2962735.2962739 Tamrazian, A., Qian, Z., & Rajagopal, R. (2015). Where is my parking spot? Online and offline prediction of time-varying parking occupancy. Transportation Research Record, 2489(1), 77-85. https://doi.org/10.3141/2489-09 Tasseron, G., & Martens, K. (2017). Urban parking space reservation through bottom-up information provision: An agent-based analysis. Computers, Environment and Urban Systems, 64, 30-41. https://doi.org/10.1016/j.compenvurbsys.2017.01.002 Tavafoghi, H., Poolla, K., & Varaiya, P. (2019). A queuing approach to parking: Modeling, verification, and prediction. arXiv preprint arXiv:1908.11479. Teng, H., Falcocchio, J. C., Lapp, F., Price, G. A., Prassas, S., & Kolsal, A. (2001). Parking information and technology for a parking information system. Transportation Research Board 80th Annual Meeting. Tiedemann, T., Vogele, T., Krell, M. M., Metzen, J. H., & Kirchner, F. (2015). Concept of a Data Thread Based Parking Space Occupancy Prediction in a Berlin Pilot Region. AAAI Workshop: AI for Transportation. Tilahun, S. L., & Di Marzo Serugendo, G. (2017). Cooperative multiagent system for parking availability prediction based on time varying dynamic Markov chains. Journal of Advanced Transportation, 2017, 1-14. https://doi.org/10.1155/2017/1760842 Turgut, Y., & Bozdag, C. E. (2023). A framework proposal for machine learning-driven agent-based models through a case study analysis. Simulation Modelling Practice and Theory, 123, 102707. https://doi.org/10.1016/j.simpat.2022.102707 United States Environmental Protection Agency. (2016). Tailpipe Greenhouse Gas Emissions from a Typical Passenger Vehicle. https://www.epa.gov/greenvehicles/ Ünsal, Ö., & Avcı, S. (2023). Akıllı Şehir Tartışmaları Üzerine Bir Değerlendirme ve Türkiye. Mavi Atlas, 11(1), 87-104. https://doi.org/10.18795/gumusmaviatlas.1229850 Vargas-Perez, V. A., Mesejo, P., Chica, M., & Cordon, O. (2023). Deep reinforcement learning in agent-based simulations for optimal media planning. Information Fusion, 91, 644-664. https://doi.org/10.1016/j.inffus.2022.10.029 Vlahogianni, E. I., Kepaptsoglou, K., Tsetsos, V., & Karlaftis, M. G. (2016). A real-time parking prediction system for smart cities. Journal of Intelligent Transportation Systems, 20(2), 192-204. https://doi.org/10.1080/15472450.2015.1037955 White, P. (2007). No Vacancy: Park Slopes Parking Problem And How to Fix It. http://www. transalt. org/newsroom/releases/126. Wu, E. H. K., Sahoo, J., Liu, C. Y., Jin, M. H., & Lin, S. H. (2014). Agile urban parking recommendation service for intelligent vehicular guiding system. IEEE Intelligent Transportation Systems Magazine, 6(1), 35-49. https://doi.org/10.1109/mits.2013.2268549 101 Xiao, J., Lou, Y., & Frisby, J. (2018). How likely am I to find parking?–A practical model-based framework for predicting parking availability. Transportation Research Part B: Methodological, 112, 19-39. https://doi.org/10.1016/j.trb.2018.04.001 Xiao, X., Jin, Z., Hui, Y., Xu, Y., & Shao, W. (2021). Hybrid spatial–temporal graph convolutional networks for on-street parking availability prediction. Remote Sensing, 13(16), 3338. https://doi.org/10.3390/rs13163338 Xie, H., Tang, H., & Liao, Y. H. (2009). Time series prediction based on NARX neural networks: An advanced approach. 2009 International Conference on Machine Learning and Cybernetics (Vol. 3, pp. 1275-1279). IEEE. https://doi.org/10.1109/icmlc.2009.5212326 Yang, B., Yuan, Z., Yang, Y., Yin, R., & Wang, Y. (2017). The study on allocation model of shared parking slots in multi-parking lots. 2017 5th International Conference on Mechatronics, Materials, Chemistry and Computer Engineering (ICMMCCE 2017) (pp. 457-465). Atlantis Press. https://doi.org/10.2991/icmmcce-17.2017.87 Yang, S., Ma, W., Pi, X., & Qian S. (2019). A deep learning approach to real-time parking occupancy prediction in transportation networks incorporating multiple spatio- temporal data sources. Transportation Research Part C: Emerging Technologies, 107, 248-265. https://doi.org/10.1016/j.trc.2019.08.010 Yardım, M., & Akyıldız, G. (2005). Akıllı Ulaştırma Sistemleri ve Türkiyedeki Uygulamalar. TMMOB Inşaat Mühendisleri Odasi, Ulaştırma Kongresi Bildiriler Kitabı (pp. 405-414). Yin, C., Xiong, Z., Chen, H., Wang, J., Cooper, D., & David, B. (2015). A literature survey on smart cities. Science China Information Sciences, 58(10), 1-18. https://doi.org/10.1007/s11432-015-5397-4 Zajam, A., & Dholay, S. (2018). Detecting efficient parking space using smart parking. 2018 9th International Conference on Computing, Communication and Networking Technologies (ICCCNT) (pp. 1-7). IEEE. https://doi.org/10.1109/icccnt.2018.8493964 Zeng, C., Ma, C., Wang, K., & Cui, Z. (2022). Parking occupancy prediction method based on multi factors and stacked GRU-LSTM. IEEE Access, 10, 47361-47370. https://doi.org/10.1109/ACCESS.2022.3171330 Zhang, S. Y., & Zhang, S. M. (2017). Research on remodeling of public parking lot in Hangzhou's old city communities. Modern City 2017, 1, 15–18. Zhang, W., Gao, F., Sun, S., Yu, Q., Tang, J., & Liu, B. (2020). A distribution model for shared parking in residential zones that considers the utilization rate and the walking distance. Journal of advanced transportation, 2020, 1-11. https://doi.org/10.1155/2020/6147974 Zhao, P., Guan, H., & Wang, P. (2020). Data-driven robust optimal allocation of shared parking spaces strategy considering uncertainty of public users’ and owners’ arrival and departure: an agent-based approach. IEEE Access, 8, 24182-24195. https://doi.org/10.1109/access.2020.2969987 Zhao, P., Guan, H., Wang, P., & Yan, H. (2020). Evaluation of environmental benefits caused by reservation-based shared parking: a case study of Beijing, China. IEEE Access, 9, 3744-3751. https://doi.org/10.1109/access.2020.3039437 Zhao, X., Zhao, K., & Hai, F. (2014). An algorithm of parking planning for smart parking system. Proceeding of the 11th World Congress on Intelligent Control and Automation (pp. 4965-4969). IEEE. https://doi.org/10.1109/wcica.2014.7053556 102 Zhao, Z., Zhang, Y., & Zhang, Y. (2020). A comparative study of parking occupancy prediction methods considering parking type and parking scale. Journal of Advanced Transportation, 2020, 1-12. https://doi.org/10.1155/2020/5624586 Zheng, Y., Rajasegarar, S., & Leckie, C. (2015). Parking availability prediction for sensor-enabled car parks in smart cities. 2015 IEEE Tenth International Conference on Intelligent Sensors, Sensor Networks and Information Processing (ISSNIP) (pp. 1-6). IEEE. https://doi.org/10.1109/issnip.2015.7106902 Ziat, A., Leroy, B., Baskiotis, N., & Denoyer, L. (2016). Joint prediction of road-traffic and parking occupancy over a city with representation learning. 2016 IEEE 19th International Conference on Intelligent Transportation Systems (ITSC) (pp. 725- 730). IEEE. https://doi.org/10.1109/itsc.2016.7795634 103 EKLER EK 1 Performans Parametreleri: Kurgu – 1 EK 2 Performans Parametreleri: Kurgu – 2 104 EK 1 Performans Parametreleri: Kurgu – 1 Senaryo SS SM YM PÜ RÜ TÜ YAD UD 1 ort 0,0130 9,3620 0,1409 1,9489 0,3560 2,0995 -1,0000 0,2622 1 min 0,0130 9,3620 0,1308 1,8017 0,3255 1,9979 -1,0000 0,2512 1 maks 0,0130 9,3620 0,1510 2,0823 0,3866 2,1937 -1,0000 0,2732 1 ort 0,0090 6,5126 0,1977 1,5972 0,4837 1,7798 0,0100 0,7073 1 min 0,0069 4,9555 0,1655 1,3755 0,4416 1,5333 0,0082 0,6534 1 maks 0,0112 8,0651 0,2234 1,7688 0,5257 1,9969 0,0121 0,7386 1 ort 0,0095 6,8359 0,1577 1,8276 - 1,8276 0,0110 0,6622 1 min 0,0043 3,0652 0,0296 1,2512 - 1,2512 0,0047 0,2563 1 maks 0,0138 9,9388 0,2415 2,2718 - 2,2718 0,0214 0,7643 2 ort 0,0130 9,3620 0,1257 1,8852 0,3604 2,0750 -1,0000 0,2522 2 min 0,0130 9,3620 0,0973 1,6771 0,3202 1,8909 -1,0000 0,2319 2 maks 0,0130 9,3620 0,1521 2,0503 0,4006 2,2301 -1,0000 0,2725 2 ort 0,0085 6,1324 0,2054 1,6046 0,5019 1,8484 0,0099 0,7318 2 min 0,0050 3,5854 0,1510 1,0408 0,4427 1,2016 0,0050 0,6475 2 maks 0,0121 8,7055 0,2391 1,9659 0,5577 2,2922 0,0170 0,7629 2 ort 0,0097 7,0165 0,1571 1,8375 - 1,8375 0,0109 0,6601 2 min 0,0055 3,9419 0,0530 1,3681 - 1,3681 0,0066 0,3605 2 maks 0,0136 9,7833 0,2301 2,2248 - 2,2248 0,0170 0,7612 3 ort 0,0130 9,3620 0,1316 1,9072 0,3414 2,0591 -1,0000 0,2489 3 min 0,0130 9,3620 0,0812 1,4804 0,2583 1,7192 -1,0000 0,2163 3 maks 0,0130 9,3620 0,1747 2,1790 0,4230 2,3035 -1,0000 0,2815 3 ort 0,0088 6,3259 0,2003 1,5999 0,5014 1,8381 0,0113 0,7205 3 min 0,0038 2,7349 0,1078 0,7102 0,4089 0,8743 0,0045 0,5460 3 maks 0,0133 9,5474 0,2436 2,0232 0,6014 2,3673 0,0257 0,7655 3 ort 0,0096 6,8863 0,1583 1,8149 - 1,8149 0,0125 0,6592 3 min 0,0072 5,1852 0,1051 1,5607 - 1,5607 0,0100 0,5236 3 maks 0,0119 8,5328 0,2017 2,0479 - 2,0479 0,0154 0,7262 4 ort 0,0094 6,7324 0,1294 3,0294 0,4089 3,1977 0,0339 0,5868 4 min 0,0078 5,5937 0,0771 2,3781 0,3493 2,5760 0,0234 0,4080 4 maks 0,0110 7,9060 0,1754 3,6792 0,4665 3,8308 0,0493 0,7092 4 ort 0,0086 6,1631 0,1517 3,5931 0,4761 3,8126 0,0307 0,6090 4 min 0,0033 2,3527 0,0534 1,5726 0,2891 1,8630 0,0091 0,2387 4 maks 0,0139 10,0165 0,2291 4,7441 0,7210 4,8267 0,0751 0,7682 4 ort 0,0088 6,3331 0,1382 3,6784 - 3,6784 0,0325 0,6143 4 min 0,0019 1,3661 0,0165 1,2691 - 1,2691 0,0058 0,1530 4 maks 0,0152 10,9671 0,2446 4,9570 - 4,9570 0,1405 0,7717 5 ort 0,0091 6,5776 0,1325 3,0385 0,3833 3,2209 0,0342 0,5814 5 min 0,0062 4,4924 0,0452 1,8714 0,2736 2,0872 0,0194 0,2702 5 maks 0,0116 8,3801 0,2117 4,1609 0,4847 4,2730 0,0730 0,7494 5 ort 0,0085 6,1411 0,1570 3,6153 0,4559 3,8184 0,0298 0,6199 5 min 0,0024 1,6920 0,0386 1,0357 0,2259 1,2768 0,0064 0,2137 5 maks 0,0147 10,5848 0,2408 4,8666 0,7615 4,9029 0,0941 0,7728 5 ort 0,0088 6,3394 0,1366 3,6732 - 3,6732 0,0324 0,6140 5 min 0,0024 1,7572 0,0205 1,3691 - 1,3691 0,0060 0,1840 5 maks 0,0148 10,6432 0,2386 4,9248 - 4,9248 0,1297 0,7704 6 ort 0,0089 6,3944 0,1308 3,0300 0,3872 3,1877 0,0361 0,5906 6 min 0,0052 3,7779 0,0317 1,5268 0,2418 1,7286 0,0177 0,2028 6 maks 0,0123 8,8659 0,2236 4,5034 0,5316 4,5742 0,0997 0,7633 6 ort 0,0086 6,1811 0,1548 3,6297 0,4597 3,8388 0,0292 0,6213 6 min 0,0018 1,3168 0,0269 0,8202 0,1868 1,0467 0,0057 0,1850 6 maks 0,0151 10,8641 0,2457 4,9199 0,8778 4,9294 0,1106 0,7780 6 ort 0,0089 6,3878 0,1387 3,6870 - 3,6870 0,0320 0,6160 6 min 0,0033 2,4037 0,0327 1,6650 - 1,6650 0,0077 0,2423 6 maks 0,0142 10,1908 0,2270 4,8556 - 4,8556 0,1030 0,7671 105 EK 1 Performans Parametreleri: Kurgu – 1 (devam) Senaryo SS SM YM PÜ RÜ TÜ YAD UD 7 ort 0,0080 5,7934 0,1327 4,7043 0,4815 4,9253 0,0329 0,6543 7 min 0,0041 2,9750 0,0505 2,8735 0,3680 3,0698 0,0138 0,4197 7 maks 0,0120 8,6189 0,2184 6,8584 0,5986 7,1448 0,0587 0,7708 7 ort 0,0086 6,1767 0,1738 6,2423 0,6698 6,5666 0,0335 0,6448 7 min 0,0026 1,8861 0,0547 2,2418 0,2054 2,4919 0,0085 0,2352 7 maks 0,0148 10,6269 0,2462 9,3167 1,5535 9,6729 0,1085 0,7836 7 ort 0,0086 6,1900 0,1357 6,0752 - 6,0752 0,0348 0,6260 7 min 0,0017 1,1988 0,0158 1,2415 - 1,2415 0,0055 0,1000 7 maks 0,0156 11,2436 0,2479 9,9166 - 9,9166 0,1779 0,7804 8 ort 0,0083 5,9862 0,1255 4,6526 0,4839 4,9174 0,0308 0,6644 8 min 0,0033 2,3893 0,0296 1,9060 0,2630 2,1421 0,0080 0,2855 8 maks 0,0130 9,3250 0,2327 8,2321 0,7002 8,6317 0,0678 0,7820 8 ort 0,0086 6,1885 0,1739 6,2737 0,6705 6,5973 0,0315 0,6358 8 min 0,0019 1,3902 0,0411 1,3267 0,1475 1,5097 0,0057 0,1270 8 maks 0,0153 11,0453 0,2475 9,5579 1,8554 9,8656 0,1320 0,7853 8 ort 0,0086 6,1885 0,1362 6,0691 - 6,0691 0,0348 0,6270 8 min 0,0018 1,3033 0,0191 1,3914 - 1,3914 0,0058 0,1160 8 maks 0,0154 11,0709 0,2469 9,8384 - 9,8384 0,1709 0,7780 9 ort 0,0083 5,9526 0,1260 4,6014 0,4850 4,8519 0,0303 0,6612 9 min 0,0026 1,8391 0,0222 1,5373 0,1913 1,7716 0,0062 0,1898 9 maks 0,0132 9,5221 0,2454 8,8007 0,7638 9,2273 0,0995 0,7833 9 ort 0,0087 6,2395 0,1734 6,3152 0,6835 6,6441 0,0311 0,6321 9 min 0,0017 1,2302 0,0366 0,7532 0,1297 0,9538 0,0055 0,1103 9 maks 0,0156 11,2154 0,2482 9,6883 2,0807 9,9020 0,1566 0,7857 9 ort 0,0085 6,1066 0,1359 6,0560 - 6,0560 0,0349 0,6294 9 min 0,0024 1,7080 0,0275 1,8407 - 1,8407 0,0067 0,1753 9 maks 0,0147 10,5505 0,2431 9,6809 - 9,6809 0,1316 0,7760 10 ort 0,0082 5,8881 0,1195 5,8105 0,5365 6,0988 0,0235 0,6867 10 min 0,0040 2,8644 0,0372 2,9419 0,3527 3,1258 0,0081 0,4395 10 maks 0,0125 9,0240 0,2185 10,1866 0,7450 10,6450 0,0500 0,7786 10 ort 0,0086 6,1596 0,1806 9,0427 0,8245 9,4409 0,0252 0,6743 10 min 0,0026 1,8398 0,0451 2,1052 0,2348 2,3620 0,0070 0,3009 10 maks 0,0147 10,5733 0,2474 18,0016 1,9294 18,4355 0,0940 0,7826 10 ort 0,0084 6,0350 0,1271 9,2875 - 9,2875 0,0297 0,6753 10 min 0,0017 1,2226 0,0148 1,2269 - 1,2269 0,0040 0,1580 10 maks 0,0158 11,3402 0,2463 19,4904 - 19,4904 0,1971 0,7848 11 ort 0,0080 5,7298 0,1181 5,7750 0,5679 6,0633 0,0248 0,6985 11 min 0,0027 1,9519 0,0236 1,8558 0,2644 2,0889 0,0061 0,3473 11 maks 0,0131 9,4155 0,2375 12,9330 0,9143 13,4853 0,0731 0,7836 11 ort 0,0085 6,1510 0,1813 9,0220 0,8112 9,4217 0,0262 0,6707 11 min 0,0020 1,4161 0,0285 1,2211 0,1719 1,4170 0,0056 0,2412 11 maks 0,0154 11,0682 0,2483 18,9175 2,2595 19,2504 0,1288 0,7853 11 ort 0,0084 6,0461 0,1263 9,3288 - 9,3288 0,0303 0,6741 11 min 0,0019 1,3894 0,0173 1,3761 - 1,3761 0,0044 0,2150 11 maks 0,0154 11,0983 0,2444 19,1833 - 19,1833 0,1823 0,7829 12 ort 0,0081 5,8098 0,1167 5,6875 0,5695 5,9711 0,0231 0,6989 12 min 0,0023 1,6693 0,0207 1,5649 0,2180 1,7898 0,0046 0,2747 12 maks 0,0136 9,8072 0,2440 14,6048 1,0583 15,2594 0,0735 0,7847 12 ort 0,0085 6,1077 0,1804 9,0869 0,8317 9,4934 0,0277 0,6682 12 min 0,0017 1,2168 0,0231 0,7418 0,1345 0,9102 0,0049 0,2077 12 maks 0,0156 11,2628 0,2486 19,2170 2,5437 19,4463 0,1618 0,7857 12 ort 0,0084 6,0545 0,1263 9,3704 - 9,3704 0,0309 0,6705 12 min 0,0023 1,6906 0,0202 1,8762 - 1,8762 0,0063 0,2897 12 maks 0,0147 10,6060 0,2408 18,5927 - 18,5927 0,1455 0,7802 106 EK 1 Performans Parametreleri: Kurgu – 1 (devam) Senaryo SS SM YM PÜ RÜ TÜ YAD UD 13 ort 0,0079 5,6925 0,1202 6,7748 0,7888 7,1611 0,0209 0,6863 13 min 0,0038 2,7238 0,0314 2,7880 0,4527 3,0048 0,0080 0,4747 13 maks 0,0122 8,7899 0,2232 14,3400 1,2746 15,2694 0,0424 0,7764 13 ort 0,0085 6,1450 0,1838 9,7658 0,8156 10,1684 0,0273 0,6812 13 min 0,0020 1,4298 0,0493 1,7377 0,2121 1,9723 0,0054 0,3073 13 maks 0,0149 10,7273 0,2476 28,0523 1,8922 28,4924 0,1094 0,7838 13 ort 0,0083 6,0120 0,1232 11,9301 - 11,9301 0,0330 0,6766 13 min 0,0014 1,0040 0,0093 1,2622 - 1,2622 0,0044 0,2290 13 maks 0,0158 11,3568 0,2419 32,5209 - 32,5209 0,1895 0,7841 14 ort 0,0080 5,7554 0,1217 7,6335 0,8188 8,0465 0,0231 0,6949 14 min 0,0028 2,0085 0,0253 1,8445 0,2911 2,0659 0,0059 0,3492 14 maks 0,0132 9,4932 0,2410 20,7610 1,8140 22,0704 0,0640 0,7833 14 ort 0,0084 6,0767 0,1856 10,2898 0,8542 10,7146 0,0278 0,6794 14 min 0,0015 1,0559 0,0320 1,0379 0,1588 1,2627 0,0051 0,2628 14 maks 0,0154 11,0674 0,2485 31,4056 2,3820 31,8147 0,1457 0,7854 14 ort 0,0084 6,0448 0,1212 11,9187 - 11,9187 0,0327 0,6778 14 min 0,0016 1,1447 0,0110 1,4275 - 1,4275 0,0050 0,2613 14 maks 0,0155 11,1629 0,2412 31,1596 - 31,1596 0,1775 0,7828 15 ort 0,0080 5,7374 0,1194 7,5758 0,7851 7,9648 0,0235 0,6897 15 min 0,0023 1,6659 0,0207 1,6255 0,1968 1,8417 0,0049 0,2636 15 maks 0,0133 9,6107 0,2465 22,4734 2,0934 23,8478 0,0736 0,7844 15 ort 0,0085 6,0879 0,1848 10,6581 0,8907 11,1131 0,0283 0,6767 15 min 0,0014 0,9760 0,0238 0,7509 0,1391 0,9409 0,0050 0,2275 15 maks 0,0157 11,2801 0,2488 33,7509 2,6603 34,1430 0,1712 0,7857 15 ort 0,0084 6,0537 0,1220 11,8183 - 11,8183 0,0332 0,6777 15 min 0,0020 1,4602 0,0161 1,7906 - 1,7906 0,0064 0,3435 15 maks 0,0150 10,8222 0,2372 28,4582 - 28,4582 0,1543 0,7797 16 ort 0,0094 6,7758 0,3119 1,5963 0,4658 1,8015 0,0087 0,7143 16 min 0,0087 6,2851 0,2262 1,2578 0,4263 1,4775 0,0087 0,6966 16 maks 0,0101 7,2665 0,3923 1,8783 0,5035 2,0829 0,0087 0,7316 16 ort 0,0087 6,2510 0,3446 1,8432 0,4665 2,0071 0,0169 0,6529 16 min 0,0052 3,7130 0,2295 1,3431 0,4207 1,5145 0,0090 0,4212 16 maks 0,0124 8,9048 0,4351 2,2380 0,5129 2,3476 0,0262 0,7570 16 ort 0,0084 6,0672 0,2797 1,8946 - 1,8946 0,0222 0,6077 16 min 0,0024 1,7233 0,0251 0,6454 - 0,6454 0,0065 0,2040 16 maks 0,0139 9,9807 0,4978 2,4715 - 2,4715 0,1185 0,7689 17 ort 0,0092 6,6177 0,3051 1,6890 0,4468 1,9085 0,0087 0,6741 17 min 0,0079 5,6709 0,1505 1,0022 0,3753 1,2804 0,0087 0,6350 17 maks 0,0105 7,5645 0,4486 2,1198 0,5138 2,3215 0,0087 0,7099 17 ort 0,0087 6,2683 0,3406 1,8134 0,4616 1,9762 0,0244 0,6566 17 min 0,0041 2,9425 0,1764 1,0142 0,3616 1,1654 0,0062 0,3545 17 maks 0,0134 9,6355 0,4678 2,3353 0,5614 2,4139 0,0766 0,7659 17 ort 0,0084 6,0680 0,2785 1,8898 - 1,8898 0,0245 0,6100 17 min 0,0030 2,1335 0,0518 0,8240 - 0,8240 0,0077 0,2247 17 maks 0,0137 9,8369 0,4897 2,4464 - 2,4464 0,1051 0,7673 18 ort 0,0089 6,3911 0,2929 1,6840 0,4462 1,8991 0,0264 0,6835 18 min 0,0068 4,8686 0,0907 0,6552 0,3131 0,9958 0,0264 0,6296 18 maks 0,0110 7,9136 0,4669 2,2032 0,5687 2,4114 0,0264 0,7349 18 ort 0,0086 6,1581 0,3339 1,8133 0,4526 1,9712 0,0275 0,6454 18 min 0,0029 2,0709 0,1362 0,7049 0,3233 0,8871 0,0055 0,2790 18 maks 0,0139 9,9842 0,4808 2,4248 0,6008 2,4517 0,1504 0,7682 18 ort 0,0085 6,0845 0,2824 1,9087 - 1,9087 0,0288 0,6134 18 min 0,0042 2,9901 0,0932 1,1907 - 1,1907 0,0087 0,3079 18 maks 0,0131 9,4174 0,4608 2,3745 - 2,3745 0,0892 0,7629 107 EK 1 Performans Parametreleri: Kurgu – 1 (devam) Senaryo SS SM YM PÜ RÜ TÜ YAD UD 19 ort 0,0078 5,6454 0,2178 3,0416 0,4242 3,2266 0,0594 0,6514 19 min 0,0048 3,4615 0,0934 1,4289 0,3261 1,6451 0,0243 0,4177 19 maks 0,0109 7,8631 0,3741 4,3069 0,5094 4,4419 0,1392 0,7678 19 ort 0,0083 6,0042 0,3335 3,6348 0,4822 3,8594 0,0414 0,5976 19 min 0,0033 2,3669 0,0935 1,6915 0,2205 1,9526 0,0113 0,2099 19 maks 0,0144 10,3432 0,4869 4,8434 0,9227 4,8982 0,1168 0,7781 19 ort 0,0086 6,1899 0,2369 3,5917 - 3,5917 0,0495 0,5659 19 min 0,0018 1,2845 0,0158 0,6563 - 0,6563 0,0076 0,1000 19 maks 0,0159 11,4326 0,4945 4,9641 - 4,9641 0,4468 0,7735 20 ort 0,0077 5,5316 0,2185 3,0929 0,4193 3,2906 0,0622 0,6418 20 min 0,0035 2,5029 0,0466 0,9389 0,2386 1,2544 0,0158 0,3104 20 maks 0,0119 8,5482 0,4496 4,5584 0,6052 4,7456 0,2386 0,7759 20 ort 0,0084 6,0542 0,3319 3,6467 0,4972 3,8677 0,0409 0,6018 20 min 0,0025 1,7718 0,0487 1,2153 0,1877 1,4881 0,0080 0,1480 20 maks 0,0150 10,8175 0,4945 4,9371 1,1193 4,9459 0,1875 0,7832 20 ort 0,0086 6,1991 0,2367 3,5919 - 3,5919 0,0474 0,5667 20 min 0,0021 1,5205 0,0223 0,8634 - 0,8634 0,0087 0,1080 20 maks 0,0157 11,2789 0,4914 4,9505 - 4,9505 0,3335 0,7722 21 ort 0,0078 5,6294 0,2144 3,1449 0,4255 3,3301 0,0595 0,6316 21 min 0,0028 2,0037 0,0344 0,6996 0,1996 1,0206 0,0126 0,2361 21 maks 0,0126 9,0814 0,4711 4,6589 0,6416 4,8287 0,2980 0,7782 21 ort 0,0084 6,0818 0,3272 3,6388 0,4958 3,8647 0,0396 0,6019 21 min 0,0020 1,4716 0,0333 0,6936 0,1533 0,8753 0,0067 0,1210 21 maks 0,0156 11,2042 0,4964 4,9534 1,2127 4,9575 0,2550 0,7844 21 ort 0,0086 6,1744 0,2399 3,6020 - 3,6020 0,0454 0,5715 21 min 0,0029 2,0728 0,0371 1,2353 - 1,2353 0,0111 0,1540 21 maks 0,0147 10,6179 0,4840 4,9020 - 4,9020 0,2142 0,7705 22 ort 0,0081 5,8282 0,2286 4,6654 0,4821 4,9110 0,0360 0,6628 22 min 0,0035 2,5496 0,0500 1,5784 0,2861 1,8273 0,0108 0,3492 22 maks 0,0128 9,2082 0,4516 8,1513 0,6503 8,3814 0,0790 0,7817 22 ort 0,0084 6,0561 0,3511 6,5456 0,6352 6,8514 0,0522 0,5900 22 min 0,0016 1,1711 0,0934 1,8130 0,1396 2,0504 0,0074 0,1226 22 maks 0,0155 11,1538 0,4972 9,7224 1,7107 9,8659 0,2480 0,7852 22 ort 0,0084 6,0602 0,2402 6,2346 - 6,2346 0,0623 0,5451 22 min 0,0010 0,7232 0,0157 0,6218 - 0,6218 0,0068 0,0935 22 maks 0,0160 11,5559 0,4982 9,9433 - 9,9433 0,9600 0,7805 23 ort 0,0080 5,7641 0,2191 4,6637 0,4839 4,8989 0,0389 0,6439 23 min 0,0025 1,7740 0,0316 0,9806 0,2050 1,2831 0,0084 0,2330 23 maks 0,0136 9,7702 0,4656 8,9348 0,6995 9,1744 0,1342 0,7840 23 ort 0,0084 6,0501 0,3471 6,5618 0,6367 6,8805 0,0499 0,5861 23 min 0,0012 0,8781 0,0674 1,2363 0,1059 1,5328 0,0064 0,1072 23 maks 0,0159 11,4256 0,4985 9,8557 2,1172 9,9355 0,4037 0,7857 23 ort 0,0084 6,0798 0,2401 6,2508 - 6,2508 0,0630 0,5489 23 min 0,0011 0,8221 0,0188 0,8759 - 0,8759 0,0073 0,1059 23 maks 0,0159 11,4755 0,4960 9,8990 - 9,8990 0,8565 0,7782 24 ort 0,0080 5,7608 0,2210 4,7512 0,4874 4,9874 0,0409 0,6364 24 min 0,0020 1,4685 0,0218 0,6723 0,1654 0,9729 0,0070 0,1853 24 maks 0,0142 10,2022 0,4746 9,3224 0,7383 9,5801 0,2090 0,7848 24 ort 0,0084 6,0829 0,3478 6,5914 0,6348 6,9096 0,0510 0,5826 24 min 0,0009 0,6308 0,0508 0,6329 0,0888 0,8611 0,0061 0,0950 24 maks 0,0161 11,5832 0,4990 9,8819 2,2415 9,9660 0,7058 0,7857 24 ort 0,0084 6,0324 0,2376 6,2348 - 6,2348 0,0615 0,5565 24 min 0,0018 1,2983 0,0288 1,3694 - 1,3694 0,0085 0,1286 24 maks 0,0154 11,0559 0,4874 9,8455 - 9,8455 0,5916 0,7766 108 EK 1 Performans Parametreleri: Kurgu – 1 (devam) Senaryo SS SM YM PÜ RÜ TÜ YAD UD 25 ort 0,0075 5,4197 0,2184 6,1623 0,5777 6,4440 0,0268 0,6836 25 min 0,0027 1,9772 0,0380 1,7147 0,2904 1,9791 0,0110 0,3979 25 maks 0,0130 9,3319 0,4671 14,5368 0,9538 15,0525 0,0516 0,7834 25 ort 0,0082 5,8750 0,3611 9,1674 0,7381 9,5335 0,0381 0,6516 25 min 0,0016 1,1375 0,0731 1,7924 0,1360 2,0460 0,0068 0,1859 25 maks 0,0152 10,9659 0,4969 18,7794 2,0194 19,1233 0,2118 0,7847 25 ort 0,0083 5,9652 0,2283 10,0157 - 10,0157 0,0536 0,6266 25 min 0,0009 0,6242 0,0148 0,5770 - 0,5770 0,0049 0,1218 25 maks 0,0162 11,6907 0,4957 19,4893 - 19,4893 0,9850 0,7831 26 ort 0,0078 5,6119 0,2051 6,0777 0,5656 6,3617 0,0258 0,6831 26 min 0,0021 1,5288 0,0249 0,9723 0,1902 1,2824 0,0056 0,2839 26 maks 0,0139 9,9765 0,4821 16,9693 1,2597 17,6479 0,0674 0,7852 26 ort 0,0082 5,9236 0,3614 9,3017 0,7572 9,6828 0,0404 0,6483 26 min 0,0010 0,7530 0,0524 0,9452 0,1008 1,1569 0,0060 0,1347 26 maks 0,0159 11,4662 0,4983 19,3343 2,4972 19,5153 0,4344 0,7854 26 ort 0,0083 5,9506 0,2287 10,0852 - 10,0852 0,0535 0,6308 26 min 0,0011 0,8111 0,0165 0,9073 - 0,9073 0,0066 0,1314 26 maks 0,0160 11,5075 0,4937 19,3996 - 19,3996 0,9074 0,7819 27 ort 0,0077 5,5643 0,2044 6,1286 0,5809 6,4173 0,0254 0,6847 27 min 0,0018 1,3214 0,0210 0,6687 0,1702 0,9468 0,0059 0,2247 27 maks 0,0142 10,2260 0,4873 17,8752 1,4734 18,5802 0,0808 0,7857 27 ort 0,0082 5,9333 0,3617 9,6142 0,7920 10,0056 0,0438 0,6467 27 min 0,0009 0,6484 0,0434 0,5863 0,0834 0,7725 0,0065 0,1110 27 maks 0,0161 11,5750 0,4986 19,5187 2,6436 19,6688 0,7741 0,7856 27 ort 0,0083 5,9898 0,2290 10,0940 - 10,0940 0,0511 0,6346 27 min 0,0015 1,0611 0,0210 1,3891 - 1,3891 0,0082 0,2015 27 maks 0,0155 11,1639 0,4871 19,2246 - 19,2246 0,5547 0,7790 28 ort 0,0083 5,9975 0,2100 6,1765 0,5631 6,4538 0,0296 0,6876 28 min 0,0029 2,0576 0,0359 1,6690 0,2626 1,8685 0,0092 0,3495 28 maks 0,0141 10,1207 0,4549 15,1435 1,0080 15,7411 0,0714 0,7832 28 ort 0,0082 5,8924 0,3634 10,0311 0,8006 10,4248 0,0420 0,6360 28 min 0,0015 1,0799 0,0694 1,6344 0,1539 1,8607 0,0069 0,1645 28 maks 0,0156 11,2136 0,4972 27,5127 2,3601 28,1433 0,2515 0,7853 28 ort 0,0083 5,9935 0,2244 13,4680 - 13,4680 0,0693 0,5864 28 min 0,0008 0,5916 0,0087 0,5939 - 0,5939 0,0056 0,0928 28 maks 0,0162 11,6835 0,4961 37,7102 - 37,7102 0,9950 0,7824 29 ort 0,0082 5,8999 0,2120 5,9496 0,5619 6,2154 0,0271 0,6860 29 min 0,0023 1,6236 0,0240 0,9633 0,2088 1,2275 0,0066 0,2578 29 maks 0,0148 10,6352 0,4850 16,7522 1,2091 17,3584 0,0950 0,7854 29 ort 0,0082 5,9159 0,3654 10,4907 0,8252 10,8952 0,0425 0,6432 29 min 0,0010 0,7275 0,0460 1,0997 0,1082 1,3092 0,0058 0,1349 29 maks 0,0160 11,4928 0,4985 29,8796 2,6108 30,2281 0,4192 0,7857 29 ort 0,0084 6,0166 0,2253 13,6523 - 13,6523 0,0664 0,6006 29 min 0,0011 0,7913 0,0122 0,9255 - 0,9255 0,0068 0,1386 29 maks 0,0161 11,5821 0,4924 36,7660 - 36,7660 0,9130 0,7814 30 ort 0,0081 5,8500 0,2128 6,0701 0,5683 6,3514 0,0259 0,6896 30 min 0,0019 1,3503 0,0209 0,6552 0,1596 0,9310 0,0062 0,2494 30 maks 0,0152 10,9641 0,4888 17,7981 1,4561 18,4681 0,1026 0,7857 30 ort 0,0083 5,9432 0,3684 11,0747 0,8841 11,5161 0,0439 0,6453 30 min 0,0009 0,6189 0,0344 0,5823 0,0913 0,7414 0,0065 0,1025 30 maks 0,0161 11,5915 0,4988 31,9654 2,7264 32,4164 0,6930 0,7857 30 ort 0,0084 6,0464 0,2236 13,5642 - 13,5642 0,0626 0,6230 30 min 0,0016 1,1176 0,0154 1,3605 - 1,3605 0,0078 0,2289 30 maks 0,0157 11,3274 0,4848 34,9969 - 34,9969 0,6862 0,7778 109 EK 1 Performans Parametreleri: Kurgu – 1 (devam) Senaryo SS SM YM PÜ RÜ TÜ YAD UD 31 ort 0,0069 4,9729 0,3246 1,7772 0,3816 1,9413 0,0247 0,7143 31 min 0,0051 3,6537 0,2190 1,2909 0,3541 1,4853 0,0221 0,6937 31 maks 0,0089 6,3828 0,4263 2,1265 0,4087 2,2806 0,0272 0,7328 31 ort 0,0084 6,0377 0,5115 1,7521 0,4002 1,9101 0,0211 0,6777 31 min 0,0046 3,2910 0,2870 0,9891 0,2962 1,1371 0,0113 0,4630 31 maks 0,0129 9,2891 0,6804 2,3148 0,5076 2,3814 0,0341 0,7594 31 ort 0,0081 5,8584 0,3883 1,8935 - 1,8935 0,0251 0,6069 31 min 0,0017 1,2022 0,0294 0,3154 - 0,3154 0,0058 0,1580 31 maks 0,0144 10,3382 0,7054 2,4764 - 2,4764 0,0943 0,7692 32 ort 0,0060 4,2847 0,3285 1,7797 0,3810 1,9709 0,0242 0,6937 32 min 0,0029 2,0921 0,1443 0,9839 0,2885 1,2505 0,0206 0,6091 32 maks 0,0094 6,8028 0,4984 2,2366 0,4787 2,4097 0,0278 0,7462 32 ort 0,0084 6,0368 0,5119 1,7048 0,4147 1,8625 0,0225 0,6728 32 min 0,0034 2,4803 0,2224 0,4152 0,2456 0,5804 0,0078 0,3310 32 maks 0,0141 10,1740 0,7121 2,4122 0,5947 2,4368 0,0507 0,7668 32 ort 0,0083 5,9619 0,3825 1,8968 - 1,8968 0,0298 0,6108 32 min 0,0022 1,6170 0,0501 0,6075 - 0,6075 0,0078 0,2037 32 maks 0,0142 10,2234 0,6846 2,4536 - 2,4536 0,1491 0,7681 33 ort 0,0063 4,5306 0,3302 1,8052 0,3974 1,9899 0,0218 0,6903 33 min 0,0019 1,3906 0,0852 0,7594 0,2653 1,0088 0,0165 0,5695 33 maks 0,0117 8,4531 0,5470 2,2667 0,5267 2,4546 0,0267 0,7552 33 ort 0,0083 5,9750 0,5003 1,7200 0,4134 1,8807 0,0292 0,6720 33 min 0,0029 2,0831 0,1833 0,2949 0,1947 0,4134 0,0061 0,2747 33 maks 0,0143 10,2661 0,7186 2,4543 0,6459 2,4639 0,1577 0,7690 33 ort 0,0084 6,0388 0,3920 1,8603 - 1,8603 0,0356 0,6136 33 min 0,0034 2,4731 0,1046 0,8701 - 0,8701 0,0120 0,2789 33 maks 0,0139 9,9801 0,6605 2,4166 - 2,4166 0,1323 0,7635 34 ort 0,0068 4,9023 0,3433 3,1196 0,4163 3,3089 0,0425 0,6298 34 min 0,0029 2,1194 0,0831 1,5980 0,3099 1,7964 0,0200 0,3540 34 maks 0,0115 8,2984 0,6693 4,3133 0,5334 4,4913 0,0776 0,7656 34 ort 0,0087 6,2627 0,5065 3,6148 0,4825 3,8436 0,0599 0,5797 34 min 0,0027 1,9423 0,1105 1,2583 0,1581 1,4747 0,0111 0,1807 34 maks 0,0155 11,1252 0,7342 4,8780 1,0080 4,9247 0,2243 0,7779 34 ort 0,0086 6,1990 0,3557 3,6201 - 3,6201 0,0731 0,5254 34 min 0,0015 1,0740 0,0170 0,3519 - 0,3519 0,0060 0,0952 34 maks 0,0163 11,7462 0,7417 4,9626 - 4,9626 0,4850 0,7742 35 ort 0,0067 4,8374 0,3450 3,1327 0,4208 3,3257 0,0441 0,6304 35 min 0,0020 1,4209 0,0520 0,9017 0,2300 1,1421 0,0131 0,2971 35 maks 0,0128 9,1883 0,7190 4,5685 0,6269 4,7591 0,1015 0,7759 35 ort 0,0087 6,2985 0,4993 3,6287 0,4794 3,8523 0,0604 0,5699 35 min 0,0021 1,5007 0,0532 0,6078 0,1285 0,8131 0,0064 0,1526 35 maks 0,0160 11,5207 0,7428 4,9330 1,1179 4,9481 0,3304 0,7823 35 ort 0,0086 6,1721 0,3550 3,6182 - 3,6182 0,0695 0,5287 35 min 0,0017 1,1943 0,0205 0,6137 - 0,6137 0,0072 0,1015 35 maks 0,0163 11,7141 0,7341 4,9504 - 4,9504 0,4393 0,7739 36 ort 0,0067 4,8490 0,3427 3,1452 0,4176 3,3302 0,0443 0,6268 36 min 0,0018 1,3078 0,0354 0,6341 0,1942 0,9763 0,0094 0,2417 36 maks 0,0131 9,4158 0,7346 4,6571 0,6750 4,8402 0,1094 0,7811 36 ort 0,0087 6,2982 0,4970 3,6317 0,4872 3,8629 0,0590 0,5683 36 min 0,0018 1,2988 0,0318 0,3768 0,1091 0,5612 0,0062 0,1157 36 maks 0,0162 11,6779 0,7435 4,9489 1,2252 4,9573 0,3877 0,7827 36 ort 0,0085 6,1305 0,3603 3,6383 - 3,6383 0,0678 0,5333 36 min 0,0022 1,5601 0,0354 0,9082 - 0,9082 0,0105 0,1164 36 maks 0,0158 11,3532 0,7253 4,9233 - 4,9233 0,3523 0,7727 110 EK 1 Performans Parametreleri: Kurgu – 1 (devam) Senaryo SS SM YM PÜ RÜ TÜ YAD UD 37 ort 0,0080 5,7328 0,3634 4,7871 0,5055 5,0520 0,0435 0,6173 37 min 0,0025 1,8222 0,0427 1,5025 0,2291 1,7291 0,0092 0,1971 37 maks 0,0134 9,6556 0,7209 8,2800 0,9923 8,4670 0,1289 0,7827 37 ort 0,0084 6,0268 0,5199 6,4216 0,6023 6,7198 0,0617 0,5615 37 min 0,0015 1,0460 0,1042 1,3936 0,1117 1,6696 0,0075 0,0773 37 maks 0,0159 11,4303 0,7452 9,7388 1,8700 9,8601 0,3048 0,7847 37 ort 0,0084 6,0820 0,3464 6,3323 - 6,3323 0,0809 0,5198 37 min 0,0009 0,6743 0,0191 0,3199 - 0,3199 0,0071 0,0625 37 maks 0,0164 11,7748 0,7458 9,9848 - 9,9848 0,9323 0,7808 38 ort 0,0078 5,6516 0,3674 4,7772 0,5174 5,0247 0,0440 0,5993 38 min 0,0018 1,3004 0,0326 0,9213 0,1836 1,1278 0,0075 0,1156 38 maks 0,0143 10,3168 0,7387 8,8167 1,2564 8,9859 0,1883 0,7850 38 ort 0,0084 6,0735 0,5201 6,5559 0,6148 6,8593 0,0627 0,5436 38 min 0,0011 0,8029 0,0763 0,6744 0,0966 0,8703 0,0066 0,0674 38 maks 0,0163 11,7303 0,7479 9,8754 2,2059 9,9440 0,6219 0,7851 38 ort 0,0084 6,0649 0,3485 6,3472 - 6,3472 0,0768 0,5132 38 min 0,0011 0,7980 0,0215 0,5402 - 0,5402 0,0074 0,0625 38 maks 0,0163 11,7049 0,7439 9,9699 - 9,9699 0,6942 0,7784 39 ort 0,0078 5,6467 0,3676 4,7984 0,5125 5,0575 0,0433 0,5890 39 min 0,0016 1,1773 0,0245 0,6307 0,1526 0,9287 0,0069 0,1228 39 maks 0,0148 10,6519 0,7459 9,0062 1,4751 9,2223 0,2014 0,7857 39 ort 0,0084 6,0660 0,5196 6,6231 0,6265 6,9329 0,0622 0,5308 39 min 0,0008 0,5964 0,0670 0,3211 0,0749 0,4635 0,0057 0,0735 39 maks 0,0164 11,7968 0,7485 9,9253 2,3985 9,9729 0,8408 0,7856 39 ort 0,0084 6,0406 0,3492 6,3428 - 6,3428 0,0734 0,5114 39 min 0,0017 1,2021 0,0280 1,2133 - 1,2133 0,0095 0,0761 39 maks 0,0160 11,5259 0,7368 9,9058 - 9,9058 0,4801 0,7753 40 ort 0,0077 5,5269 0,3356 5,6634 0,5772 5,9357 0,0509 0,6496 40 min 0,0024 1,6929 0,0407 1,5476 0,2230 1,7152 0,0095 0,3218 40 maks 0,0138 9,9252 0,7071 12,9717 1,2225 13,6361 0,1883 0,7842 40 ort 0,0084 6,0367 0,5376 8,6587 0,7547 9,0384 0,0502 0,6077 40 min 0,0015 1,0683 0,0702 1,0384 0,1267 1,2013 0,0069 0,1539 40 maks 0,0160 11,5235 0,7468 18,7616 2,3882 19,0745 0,3340 0,7846 40 ort 0,0084 6,0436 0,3389 10,5124 - 10,5124 0,0792 0,5649 40 min 0,0008 0,6060 0,0155 0,2929 - 0,2929 0,0057 0,0977 40 maks 0,0165 11,8634 0,7473 19,8180 - 19,8180 0,9523 0,7831 41 ort 0,0077 5,5147 0,3379 5,7148 0,5786 6,0110 0,0439 0,6525 41 min 0,0017 1,2072 0,0228 0,8139 0,1713 1,0784 0,0055 0,2339 41 maks 0,0147 10,6065 0,7410 14,5106 1,6317 15,2956 0,3463 0,7857 41 ort 0,0084 6,0703 0,5425 9,1075 0,7962 9,5022 0,0525 0,6026 41 min 0,0010 0,7522 0,0543 0,6099 0,0966 0,7921 0,0070 0,1142 41 maks 0,0163 11,7650 0,7488 19,5526 2,8755 19,6447 0,6502 0,7856 41 ort 0,0084 6,0377 0,3383 10,5511 - 10,5511 0,0715 0,5866 41 min 0,0010 0,7423 0,0175 0,5311 - 0,5311 0,0083 0,1262 41 maks 0,0164 11,8009 0,7439 19,7075 - 19,7075 0,7633 0,7808 42 ort 0,0077 5,5367 0,3397 5,7299 0,5884 6,0277 0,0425 0,6536 42 min 0,0016 1,1312 0,0211 0,5319 0,1495 0,7933 0,0058 0,1749 42 maks 0,0153 11,0058 0,7453 14,9663 1,8041 15,8477 0,4945 0,7857 42 ort 0,0084 6,0596 0,5390 9,4242 0,8298 9,8418 0,0537 0,6022 42 min 0,0008 0,6025 0,0435 0,3163 0,0691 0,4411 0,0079 0,1012 42 maks 0,0164 11,8261 0,7491 19,7020 3,1734 19,8083 0,8519 0,7856 42 ort 0,0084 6,0491 0,3352 10,5343 - 10,5343 0,0645 0,5987 42 min 0,0015 1,0952 0,0218 1,1361 - 1,1361 0,0099 0,1608 42 maks 0,0161 11,6219 0,7341 19,4977 - 19,4977 0,5025 0,7772 111 EK 1 Performans Parametreleri: Kurgu – 1 (devam) Senaryo SS SM YM PÜ RÜ TÜ YAD UD 43 ort 0,0075 5,4323 0,3426 6,2070 0,6405 6,5128 0,0413 0,6681 43 min 0,0021 1,5366 0,0357 1,4329 0,2419 1,6306 0,0067 0,3214 43 maks 0,0137 9,8375 0,7173 17,1384 1,4865 17,9019 0,1834 0,7833 43 ort 0,0084 6,0791 0,5280 8,7548 0,7358 9,1283 0,0511 0,6248 43 min 0,0015 1,0716 0,0777 1,0368 0,1286 1,2099 0,0070 0,1335 43 maks 0,0160 11,4946 0,7464 26,4282 2,3421 26,8935 0,3779 0,7855 43 ort 0,0083 5,9868 0,3190 14,0383 - 14,0383 0,1068 0,5362 43 min 0,0008 0,5992 0,0093 0,3381 - 0,3381 0,0057 0,0769 43 maks 0,0164 11,8267 0,7476 37,5515 - 37,5515 0,9347 0,7824 44 ort 0,0076 5,4850 0,3481 6,2829 0,6391 6,6057 0,0368 0,6602 44 min 0,0018 1,2755 0,0243 0,8951 0,1686 1,1514 0,0059 0,2131 44 maks 0,0147 10,5874 0,7423 21,4964 1,8683 22,5153 0,2853 0,7850 44 ort 0,0085 6,1155 0,5324 9,5477 0,7899 9,9464 0,0532 0,6114 44 min 0,0011 0,7603 0,0468 0,6746 0,0953 0,8094 0,0078 0,1081 44 maks 0,0163 11,7565 0,7488 30,3825 2,7519 30,9510 0,6426 0,7856 44 ort 0,0083 5,9817 0,3260 14,2731 - 14,2731 0,0910 0,5398 44 min 0,0010 0,7357 0,0121 0,5738 - 0,5738 0,0083 0,0799 44 maks 0,0163 11,7682 0,7444 37,0555 - 37,0555 0,7676 0,7805 45 ort 0,0075 5,4235 0,3451 6,2679 0,6232 6,5806 0,0372 0,6648 45 min 0,0016 1,1356 0,0210 0,5400 0,1523 0,8191 0,0055 0,1886 45 maks 0,0152 10,9679 0,7482 23,4813 1,9771 24,4251 0,4260 0,7857 45 ort 0,0085 6,1219 0,5398 10,2795 0,8510 10,7062 0,0533 0,6077 45 min 0,0009 0,6364 0,0390 0,3625 0,0784 0,5056 0,0085 0,0987 45 maks 0,0164 11,7979 0,7491 34,3886 3,2254 34,9909 0,9106 0,7856 45 ort 0,0084 6,0151 0,3302 14,3982 - 14,3982 0,0772 0,5738 45 min 0,0013 0,9656 0,0174 1,2336 - 1,2336 0,0100 0,1819 45 maks 0,0161 11,6012 0,7364 35,2539 - 35,2539 0,5432 0,7779 46 ort 0,0072 5,1681 0,3765 1,8295 0,4153 2,0119 0,0277 0,6989 46 min 0,0053 3,7991 0,2351 1,4222 0,3630 1,6113 0,0238 0,6659 46 maks 0,0091 6,5308 0,5226 2,1453 0,4669 2,3164 0,0319 0,7269 46 ort 0,0088 6,3678 0,6520 1,8448 0,4152 1,9798 0,0258 0,6627 46 min 0,0042 3,0069 0,3026 0,8527 0,2926 1,0274 0,0117 0,3691 46 maks 0,0144 10,3338 0,9265 2,3946 0,5448 2,4213 0,0427 0,7633 46 ort 0,0087 6,2930 0,5088 1,9449 - 1,9449 0,0328 0,5856 46 min 0,0017 1,2206 0,0285 0,3230 - 0,3230 0,0072 0,1370 46 maks 0,0163 11,7517 0,9881 2,4824 - 2,4824 0,1018 0,7692 47 ort 0,0068 4,9154 0,3760 1,7696 0,4266 1,9592 0,0264 0,6982 47 min 0,0035 2,5230 0,1242 0,9650 0,2966 1,2067 0,0176 0,6215 47 maks 0,0102 7,3175 0,6646 2,2180 0,5716 2,3981 0,0362 0,7461 47 ort 0,0089 6,4394 0,6480 1,8232 0,4313 1,9700 0,0280 0,6624 47 min 0,0034 2,4218 0,2191 0,4783 0,2360 0,6205 0,0085 0,2952 47 maks 0,0153 11,0201 0,9699 2,4520 0,6329 2,4568 0,0818 0,7666 47 ort 0,0087 6,2712 0,5109 1,9440 - 1,9440 0,0332 0,5871 47 min 0,0018 1,3288 0,0572 0,5068 - 0,5068 0,0098 0,1740 47 maks 0,0158 11,4056 0,9706 2,4745 - 2,4745 0,1435 0,7690 48 ort 0,0065 4,6707 0,3838 1,7664 0,4587 1,9607 0,0224 0,6816 48 min 0,0018 1,3313 0,1028 0,6757 0,2903 0,9294 0,0112 0,5322 48 maks 0,0113 8,1206 0,7268 2,2588 0,6624 2,4530 0,0367 0,7553 48 ort 0,0089 6,4021 0,6504 1,8099 0,4157 1,9550 0,0300 0,6596 48 min 0,0028 2,0435 0,1913 0,2899 0,1906 0,4069 0,0070 0,2500 48 maks 0,0158 11,3946 0,9793 2,4647 0,6723 2,4692 0,1496 0,7698 48 ort 0,0087 6,2883 0,5060 1,9452 - 1,9452 0,0343 0,5995 48 min 0,0028 2,0041 0,0902 0,8754 - 0,8754 0,0121 0,2211 48 maks 0,0146 10,5385 0,9469 2,4435 - 2,4435 0,1387 0,7663 112 EK 1 Performans Parametreleri: Kurgu – 1 (devam) Senaryo SS SM YM PÜ RÜ TÜ YAD UD 49 ort 0,0069 4,9606 0,4363 3,1003 0,4353 3,3029 0,0559 0,6333 49 min 0,0024 1,7204 0,0859 1,3236 0,2840 1,5677 0,0206 0,3809 49 maks 0,0117 8,3923 0,8556 4,4012 0,5870 4,5564 0,1276 0,7710 49 ort 0,0090 6,4704 0,6776 3,6936 0,4777 3,9131 0,0685 0,5581 49 min 0,0026 1,8750 0,1054 1,2477 0,1575 1,4291 0,0093 0,1417 49 maks 0,0159 11,4706 0,9906 4,8932 1,0367 4,9290 0,2864 0,7786 49 ort 0,0088 6,3080 0,4577 3,6034 - 3,6034 0,0989 0,4872 49 min 0,0015 1,0920 0,0166 0,3465 - 0,3465 0,0072 0,0735 49 maks 0,0166 11,9755 0,9982 4,9624 - 4,9624 0,4983 0,7742 50 ort 0,0069 4,9637 0,4302 3,2050 0,4354 3,3981 0,0604 0,6106 50 min 0,0018 1,2670 0,0499 0,8644 0,2132 1,1322 0,0142 0,2230 50 maks 0,0126 9,1050 0,9250 4,6710 0,6953 4,7918 0,1468 0,7798 50 ort 0,0089 6,3860 0,6784 3,6935 0,4928 3,9221 0,0692 0,5411 50 min 0,0020 1,4479 0,0478 0,4992 0,1221 0,6995 0,0072 0,1219 50 maks 0,0164 11,8015 0,9967 4,9415 1,1888 4,9541 0,3543 0,7828 50 ort 0,0088 6,3632 0,4588 3,6073 - 3,6073 0,0886 0,4967 50 min 0,0017 1,1962 0,0221 0,5566 - 0,5566 0,0089 0,0910 50 maks 0,0165 11,8770 0,9914 4,9552 - 4,9552 0,4665 0,7738 51 ort 0,0070 5,0393 0,4348 3,1931 0,4374 3,3927 0,0578 0,5960 51 min 0,0016 1,1397 0,0370 0,5837 0,1826 0,8659 0,0072 0,1625 51 maks 0,0131 9,4022 0,9615 4,7025 0,7329 4,8413 0,1426 0,7845 51 ort 0,0089 6,3989 0,6701 3,6933 0,4931 3,9244 0,0679 0,5355 51 min 0,0019 1,3528 0,0363 0,3568 0,1091 0,5251 0,0078 0,1043 51 maks 0,0165 11,8688 0,9972 4,9493 1,2508 4,9585 0,3884 0,7844 51 ort 0,0088 6,3336 0,4620 3,6000 - 3,6000 0,0834 0,5051 51 min 0,0021 1,5275 0,0355 0,9694 - 0,9694 0,0116 0,1025 51 maks 0,0161 11,5824 0,9758 4,9218 - 4,9218 0,3867 0,7727 52 ort 0,0078 5,6519 0,4187 4,7764 0,4682 5,0087 0,0549 0,5937 52 min 0,0020 1,4324 0,0500 1,2806 0,2112 1,5604 0,0075 0,1754 52 maks 0,0139 10,0276 0,8558 8,5152 0,7660 8,6900 0,2432 0,7824 52 ort 0,0084 6,0829 0,6806 6,5596 0,5823 6,8504 0,0727 0,5417 52 min 0,0014 0,9806 0,0989 1,2682 0,1041 1,4939 0,0086 0,0713 52 maks 0,0161 11,5706 0,9943 9,7893 1,8670 9,8621 0,4051 0,7851 52 ort 0,0083 6,0120 0,4278 6,5284 - 6,5284 0,1013 0,5115 52 min 0,0008 0,5897 0,0220 0,3434 - 0,3434 0,0070 0,0624 52 maks 0,0164 11,7767 0,9747 9,9888 - 9,9888 0,8700 0,7804 53 ort 0,0077 5,5608 0,4205 4,8082 0,4676 5,0367 0,0552 0,5792 53 min 0,0016 1,1865 0,0291 0,8882 0,1727 1,1498 0,0062 0,0958 53 maks 0,0151 10,8712 0,9122 8,8532 0,8226 9,0440 0,2819 0,7853 53 ort 0,0085 6,1001 0,6813 6,6926 0,6116 6,9984 0,0763 0,5103 53 min 0,0010 0,7319 0,0796 0,5790 0,0829 0,8120 0,0084 0,0650 53 maks 0,0164 11,8369 0,9976 9,8946 2,3242 9,9445 0,6465 0,7856 53 ort 0,0084 6,0458 0,4354 6,5071 - 6,5071 0,0957 0,4962 53 min 0,0009 0,6598 0,0233 0,5457 - 0,5457 0,0072 0,0625 53 maks 0,0163 11,7154 0,9714 9,9681 - 9,9681 0,7134 0,7784 54 ort 0,0078 5,6127 0,4214 4,8155 0,4633 5,0474 0,0515 0,5705 54 min 0,0015 1,1014 0,0240 0,6225 0,1444 0,8876 0,0052 0,0838 54 maks 0,0156 11,2632 0,9248 8,9935 0,8373 9,2087 0,3009 0,7856 54 ort 0,0085 6,1097 0,6807 6,7780 0,6270 7,0933 0,0781 0,4891 54 min 0,0008 0,5880 0,0679 0,3366 0,0644 0,4893 0,0076 0,0642 54 maks 0,0165 11,8962 0,9987 9,9378 2,5611 9,9675 0,9452 0,7853 54 ort 0,0084 6,0369 0,4423 6,4799 - 6,4799 0,0898 0,4898 54 min 0,0013 0,9693 0,0292 1,2764 - 1,2764 0,0098 0,0650 54 maks 0,0161 11,5838 0,9660 9,8808 - 9,8808 0,4674 0,7762 113 EK 1 Performans Parametreleri: Kurgu – 1 (devam) Senaryo SS SM YM PÜ RÜ TÜ YAD UD 55 ort 0,0078 5,6424 0,3842 4,8380 0,4697 5,0643 0,0314 0,6644 55 min 0,0022 1,5808 0,0401 1,2782 0,2096 1,5458 0,0068 0,2701 55 maks 0,0139 10,0246 0,8386 9,8665 0,7807 10,1797 0,1105 0,7851 55 ort 0,0084 6,0405 0,6825 8,9017 0,7272 9,2686 0,0547 0,6036 55 min 0,0013 0,9215 0,0731 1,1352 0,1101 1,3328 0,0072 0,1153 55 maks 0,0160 11,5187 0,9953 18,6997 2,2191 18,9490 0,4731 0,7852 55 ort 0,0084 6,0702 0,4063 10,7211 - 10,7211 0,0902 0,5317 55 min 0,0008 0,5423 0,0148 0,3120 - 0,3120 0,0067 0,0645 55 maks 0,0165 11,8585 0,9765 19,8254 - 19,8254 0,8523 0,7827 56 ort 0,0077 5,5123 0,3889 4,7731 0,4648 4,9991 0,0262 0,6610 56 min 0,0017 1,1910 0,0227 0,7830 0,1676 1,0648 0,0056 0,2073 56 maks 0,0149 10,7159 0,9075 10,5988 0,8109 10,8454 0,1263 0,7857 56 ort 0,0085 6,0856 0,6871 9,5005 0,7803 9,8899 0,0571 0,5888 56 min 0,0010 0,7374 0,0485 0,4426 0,0948 0,5946 0,0085 0,0952 56 maks 0,0164 11,8132 0,9980 19,4620 2,6240 19,6276 0,6607 0,7856 56 ort 0,0085 6,0894 0,4071 10,6629 - 10,6629 0,0798 0,5536 56 min 0,0009 0,6206 0,0167 0,6549 - 0,6549 0,0091 0,0844 56 maks 0,0164 11,8099 0,9732 19,7716 - 19,7716 0,7377 0,7800 57 ort 0,0076 5,4962 0,3819 4,8332 0,4627 5,0644 0,0254 0,6631 57 min 0,0015 1,1155 0,0212 0,5952 0,1498 0,8607 0,0056 0,1436 57 maks 0,0152 10,9524 0,9381 11,6386 0,8620 12,0187 0,1212 0,7857 57 ort 0,0085 6,1038 0,6863 9,8702 0,8301 10,2764 0,0593 0,5818 57 min 0,0008 0,5596 0,0472 0,3199 0,0789 0,4580 0,0091 0,0976 57 maks 0,0166 11,9626 0,9984 19,6690 2,9348 19,7851 0,9083 0,7855 57 ort 0,0085 6,1041 0,4084 10,7220 - 10,7220 0,0708 0,5813 57 min 0,0013 0,9449 0,0201 1,0443 - 1,0443 0,0100 0,1421 57 maks 0,0162 11,6769 0,9618 19,5942 - 19,5942 0,5549 0,7770 58 ort 0,0076 5,4382 0,3970 4,7400 0,4671 4,9664 0,0251 0,6754 58 min 0,0020 1,4219 0,0388 1,2834 0,2299 1,4915 0,0076 0,2709 58 maks 0,0138 9,9482 0,8589 9,3958 0,7212 9,6210 0,0740 0,7850 58 ort 0,0083 5,9887 0,6551 8,8544 0,6756 9,1880 0,0483 0,6308 58 min 0,0014 1,0305 0,0761 1,1755 0,1116 1,3422 0,0075 0,1467 58 maks 0,0161 11,5615 0,9947 28,7550 2,1022 29,0154 0,3937 0,7852 58 ort 0,0084 6,0140 0,3678 14,7350 - 14,7350 0,1264 0,5442 58 min 0,0008 0,5776 0,0086 0,4465 - 0,4465 0,0070 0,0769 58 maks 0,0164 11,8144 0,9784 37,6869 - 37,6869 0,9415 0,7824 59 ort 0,0075 5,4164 0,3933 4,8469 0,4591 5,0791 0,0241 0,6642 59 min 0,0017 1,2036 0,0237 0,8854 0,1541 1,1454 0,0060 0,1739 59 maks 0,0146 10,5184 0,9354 10,7065 0,8385 11,0687 0,1064 0,7857 59 ort 0,0084 6,0561 0,6663 9,8554 0,7580 10,2304 0,0547 0,6082 59 min 0,0009 0,6615 0,0460 0,4727 0,0750 0,5536 0,0090 0,1009 59 maks 0,0164 11,8076 0,9980 33,4603 2,4843 33,7759 0,6518 0,7856 59 ort 0,0084 6,0438 0,3805 14,8335 - 14,8335 0,1063 0,5283 59 min 0,0009 0,6630 0,0118 0,5665 - 0,5665 0,0101 0,0768 59 maks 0,0163 11,7286 0,9732 37,0524 - 37,0524 0,8003 0,7803 60 ort 0,0076 5,4477 0,4005 4,8205 0,4602 5,0529 0,0226 0,6706 60 min 0,0016 1,1327 0,0211 0,5467 0,1464 0,7891 0,0058 0,1512 60 maks 0,0151 10,8559 0,9627 11,5353 0,8536 11,8668 0,0903 0,7857 60 ort 0,0085 6,1027 0,6840 10,7890 0,8514 11,2179 0,0571 0,5940 60 min 0,0008 0,5673 0,0440 0,2110 0,0618 0,2924 0,0111 0,0962 60 maks 0,0166 11,9328 0,9987 35,0533 2,9571 35,6902 0,9100 0,7855 60 ort 0,0085 6,1159 0,3957 15,1421 - 15,1421 0,0827 0,5486 60 min 0,0012 0,8588 0,0153 1,1390 - 1,1390 0,0112 0,1128 60 maks 0,0162 11,6591 0,9600 35,3481 - 35,3481 0,5984 0,7767 114 EK 1 Performans Parametreleri: Kurgu – 1 (devam) Senaryo SS SM YM PÜ RÜ TÜ YAD UD 61 ort 0,0060 4,3040 0,5122 1,7039 0,4312 1,8728 0,0082 0,7265 61 min 0,0043 3,0677 0,2950 1,0933 0,3743 1,3260 0,0077 0,7067 61 maks 0,0079 5,6782 0,7956 2,1380 0,4874 2,2828 0,0087 0,7429 61 ort 0,0091 6,5317 0,8367 1,8693 0,4193 2,0151 0,0256 0,6789 61 min 0,0040 2,8802 0,2979 0,9276 0,2904 1,1042 0,0111 0,4665 61 maks 0,0149 10,7453 1,4952 2,3959 0,5588 2,4300 0,0492 0,7618 61 ort 0,0088 6,3602 0,5892 1,9555 - 1,9555 0,0386 0,5441 61 min 0,0017 1,2191 0,0240 0,3609 - 0,3609 0,0075 0,1030 61 maks 0,0170 12,2287 1,4103 2,4815 - 2,4815 0,1154 0,7692 62 ort 0,0064 4,6156 0,4903 1,7568 0,4253 1,9567 0,0101 0,7148 62 min 0,0029 2,0916 0,1391 0,8934 0,3115 1,1434 0,0088 0,6545 62 maks 0,0104 7,4755 1,0291 2,2387 0,5314 2,4314 0,0116 0,7492 62 ort 0,0090 6,4951 0,8103 1,8530 0,4284 1,9947 0,0273 0,6651 62 min 0,0032 2,3352 0,2332 0,4643 0,2219 0,5973 0,0083 0,3277 62 maks 0,0158 11,3980 1,6188 2,4579 0,6455 2,4612 0,0632 0,7680 62 ort 0,0088 6,3410 0,5948 1,9605 - 1,9605 0,0369 0,5454 62 min 0,0021 1,4767 0,0503 0,5024 - 0,5024 0,0105 0,1230 62 maks 0,0164 11,8171 1,3601 2,4718 - 2,4718 0,1478 0,7684 63 ort 0,0062 4,4813 0,5025 1,7445 0,4348 1,9354 0,0128 0,7044 63 min 0,0018 1,3055 0,0903 0,5731 0,2790 0,8311 0,0104 0,5630 63 maks 0,0116 8,3505 1,1884 2,2849 0,5726 2,4419 0,0151 0,7555 63 ort 0,0091 6,5206 0,8006 1,8393 0,4219 1,9877 0,0312 0,6557 63 min 0,0029 2,0878 0,1815 0,3074 0,1709 0,4183 0,0099 0,2558 63 maks 0,0167 11,9968 1,6955 2,4637 0,6953 2,4678 0,1417 0,7702 63 ort 0,0089 6,3859 0,5889 1,9597 - 1,9597 0,0354 0,5508 63 min 0,0029 2,1219 0,1130 0,9217 - 0,9217 0,0163 0,1760 63 maks 0,0153 11,0509 1,2315 2,4471 - 2,4471 0,1151 0,7655 64 ort 0,0069 4,9450 0,5494 3,1456 0,4238 3,3384 0,0358 0,6481 64 min 0,0021 1,5257 0,0901 1,3009 0,2735 1,4881 0,0146 0,3753 64 maks 0,0118 8,5268 1,1679 4,4845 0,5762 4,6577 0,0701 0,7746 64 ort 0,0089 6,3974 0,8474 3,7662 0,4862 3,9961 0,0658 0,5576 64 min 0,0025 1,7964 0,1086 0,9353 0,1399 1,1358 0,0100 0,1438 64 maks 0,0160 11,5349 1,7725 4,9301 1,0435 4,9538 0,2811 0,7819 64 ort 0,0087 6,2681 0,5058 3,6213 - 3,6213 0,1055 0,4732 64 min 0,0015 1,1015 0,0169 0,3346 - 0,3346 0,0073 0,0720 64 maks 0,0166 11,9657 1,3672 4,9655 - 4,9655 0,4890 0,7741 65 ort 0,0070 5,0274 0,5382 3,2036 0,4396 3,4030 0,0458 0,6068 65 min 0,0016 1,1557 0,0499 0,8657 0,2296 1,1563 0,0091 0,2096 65 maks 0,0130 9,3278 1,2651 4,6815 0,6589 4,8596 0,1313 0,7799 65 ort 0,0089 6,4091 0,8353 3,7827 0,4969 4,0186 0,0696 0,5300 65 min 0,0020 1,4494 0,0551 0,5449 0,1072 0,7210 0,0082 0,1106 65 maks 0,0164 11,8243 1,8571 4,9696 1,1865 4,9740 0,3514 0,7845 65 ort 0,0087 6,2704 0,5089 3,6190 - 3,6190 0,0946 0,4852 65 min 0,0016 1,1780 0,0210 0,6207 - 0,6207 0,0090 0,0922 65 maks 0,0165 11,8894 1,3397 4,9544 - 4,9544 0,4630 0,7737 66 ort 0,0069 4,9767 0,5441 3,2384 0,4429 3,4348 0,0484 0,5967 66 min 0,0015 1,1058 0,0352 0,7110 0,1793 0,9830 0,0060 0,1464 66 maks 0,0131 9,4122 1,3402 4,7164 0,7181 4,9188 0,1299 0,7839 66 ort 0,0089 6,3818 0,8161 3,7903 0,4963 4,0218 0,0709 0,5202 66 min 0,0019 1,3424 0,0334 0,3371 0,1026 0,4815 0,0079 0,0984 66 maks 0,0166 11,9484 1,8882 4,9786 1,2500 4,9826 0,4005 0,7853 66 ort 0,0087 6,2706 0,5158 3,6266 - 3,6266 0,0853 0,5005 66 min 0,0021 1,4780 0,0358 0,8913 - 0,8913 0,0113 0,1030 66 maks 0,0161 11,5904 1,2722 4,9322 - 4,9322 0,3649 0,7723 115 EK 1 Performans Parametreleri: Kurgu – 1 (devam) Senaryo SS SM YM PÜ RÜ TÜ YAD UD 67 ort 0,0074 5,3369 0,4816 4,5340 0,4398 4,7433 0,0247 0,6211 67 min 0,0018 1,3253 0,0519 1,0927 0,2006 1,3196 0,0077 0,2316 67 maks 0,0137 9,8381 1,1217 8,3170 0,6581 8,5349 0,0827 0,7849 67 ort 0,0085 6,1292 0,8710 6,7407 0,5942 7,0411 0,0681 0,5363 67 min 0,0015 1,0730 0,1022 1,3919 0,0968 1,5985 0,0087 0,0777 67 maks 0,0161 11,5888 1,8750 9,8559 1,8634 9,9024 0,4114 0,7851 67 ort 0,0084 6,0641 0,4505 6,5503 - 6,5503 0,1018 0,5176 67 min 0,0008 0,5931 0,0163 0,3979 - 0,3979 0,0068 0,0625 67 maks 0,0163 11,7663 1,4346 9,9886 - 9,9886 0,8900 0,7794 68 ort 0,0075 5,3842 0,4786 4,5757 0,4416 4,8047 0,0260 0,6188 68 min 0,0015 1,1127 0,0300 0,8261 0,1554 1,0585 0,0065 0,1350 68 maks 0,0147 10,6026 1,2387 8,8150 0,7127 8,9686 0,0868 0,7855 68 ort 0,0086 6,1678 0,8701 6,9353 0,6274 7,2462 0,0759 0,4896 68 min 0,0010 0,7507 0,0730 0,7075 0,0730 0,8995 0,0075 0,0662 68 maks 0,0165 11,8640 1,8977 9,9310 2,3399 9,9581 0,6833 0,7849 68 ort 0,0084 6,0690 0,4561 6,5009 - 6,5009 0,0926 0,4997 68 min 0,0010 0,6946 0,0201 0,5391 - 0,5391 0,0078 0,0627 68 maks 0,0163 11,7121 1,3546 9,9615 - 9,9615 0,7017 0,7779 69 ort 0,0075 5,3925 0,4696 4,6686 0,4402 4,8920 0,0305 0,6131 69 min 0,0015 1,0866 0,0228 0,5412 0,1417 0,8618 0,0057 0,1088 69 maks 0,0152 10,9312 1,2531 9,1006 0,7367 9,2091 0,1145 0,7857 69 ort 0,0085 6,1331 0,8661 7,0538 0,6439 7,3760 0,0786 0,4696 69 min 0,0008 0,5812 0,0662 0,3867 0,0590 0,5382 0,0077 0,0649 69 maks 0,0167 11,9934 1,9124 9,9526 2,5329 9,9746 0,9142 0,7847 69 ort 0,0085 6,1201 0,4649 6,4509 - 6,4509 0,0855 0,4925 69 min 0,0015 1,0581 0,0270 1,1548 - 1,1548 0,0093 0,0663 69 maks 0,0160 11,5425 1,2432 9,8969 - 9,8969 0,5194 0,7757 70 ort 0,0073 5,2698 0,4392 4,4968 0,4359 4,7114 0,0126 0,6710 70 min 0,0016 1,1678 0,0373 1,1867 0,2049 1,3848 0,0061 0,2438 70 maks 0,0138 9,9705 1,0926 8,0306 0,6519 8,2971 0,0283 0,7853 70 ort 0,0084 6,0624 0,8548 8,7402 0,7008 9,0946 0,0558 0,5867 70 min 0,0013 0,9547 0,0779 1,0593 0,0946 1,2385 0,0080 0,1154 70 maks 0,0160 11,5083 1,8587 18,7126 2,2474 18,9942 0,4945 0,7851 70 ort 0,0085 6,0904 0,4294 10,7716 - 10,7716 0,0931 0,5190 70 min 0,0008 0,5423 0,0152 0,2994 - 0,2994 0,0076 0,0643 70 maks 0,0165 11,8638 1,2105 19,8238 - 19,8238 0,8413 0,7820 71 ort 0,0073 5,2716 0,4367 4,5497 0,4460 4,7671 0,0156 0,6807 71 min 0,0014 1,0090 0,0240 0,7873 0,1608 1,0168 0,0064 0,1856 71 maks 0,0144 10,3864 1,1974 8,6677 0,7103 8,9427 0,0595 0,7857 71 ort 0,0085 6,1068 0,8608 9,3658 0,7687 9,7491 0,0611 0,5581 71 min 0,0010 0,7491 0,0534 0,4257 0,0701 0,5589 0,0097 0,0872 71 maks 0,0164 11,8384 1,9021 19,4838 2,7136 19,6377 0,6978 0,7855 71 ort 0,0084 6,0837 0,4303 10,7717 - 10,7717 0,0796 0,5544 71 min 0,0009 0,6416 0,0173 0,6041 - 0,6041 0,0081 0,0888 71 maks 0,0164 11,7865 1,1921 19,7694 - 19,7694 0,7213 0,7799 72 ort 0,0074 5,2974 0,4287 4,5369 0,4408 4,7569 0,0167 0,6775 72 min 0,0014 0,9874 0,0209 0,5365 0,1405 0,8387 0,0058 0,1435 72 maks 0,0150 10,8013 1,2465 8,9220 0,7227 9,0545 0,0611 0,7857 72 ort 0,0085 6,1040 0,8539 9,9077 0,8120 10,3143 0,0646 0,5494 72 min 0,0008 0,5919 0,0434 0,3570 0,0645 0,5277 0,0116 0,0903 72 maks 0,0166 11,9593 1,9114 19,6890 3,0647 19,7797 0,8637 0,7853 72 ort 0,0085 6,0886 0,4349 10,7447 - 10,7447 0,0671 0,5907 72 min 0,0013 0,9549 0,0199 1,0306 - 1,0306 0,0107 0,1403 72 maks 0,0162 11,6398 1,1441 19,6156 - 19,6156 0,5799 0,7772 116 EK 1 Performans Parametreleri: Kurgu – 1 (devam) Senaryo SS SM YM PÜ RÜ TÜ YAD UD 73 ort 0,0074 5,3426 0,4254 4,4515 0,4320 4,6635 0,0186 0,6850 73 min 0,0017 1,2426 0,0370 1,1701 0,1949 1,3996 0,0078 0,3049 73 maks 0,0135 9,7419 1,0398 7,9692 0,6621 8,2912 0,0437 0,7854 73 ort 0,0083 5,9831 0,8130 8,4831 0,6525 8,8098 0,0492 0,6052 73 min 0,0012 0,8824 0,0702 1,1497 0,0830 1,3059 0,0082 0,1358 73 maks 0,0160 11,5050 1,8587 26,7422 1,9314 27,1289 0,3756 0,7851 73 ort 0,0083 6,0069 0,3740 14,7292 - 14,7292 0,1308 0,5507 73 min 0,0008 0,5815 0,0087 0,4900 - 0,4900 0,0070 0,0769 73 maks 0,0164 11,8415 1,1409 37,4786 - 37,4786 0,9457 0,7821 74 ort 0,0073 5,2389 0,4351 4,4865 0,4275 4,6919 0,0178 0,6754 74 min 0,0014 1,0269 0,0256 0,7271 0,1609 0,9693 0,0063 0,1745 74 maks 0,0144 10,3635 1,1994 8,6386 0,7008 8,8185 0,0554 0,7857 74 ort 0,0084 6,0380 0,8153 9,3767 0,7171 9,7357 0,0599 0,5670 74 min 0,0010 0,7319 0,0475 0,4152 0,0741 0,5470 0,0098 0,0918 74 maks 0,0163 11,7638 1,8991 32,0061 2,5187 32,4081 0,7036 0,7853 74 ort 0,0084 6,0488 0,3950 14,9251 - 14,9251 0,1117 0,5279 74 min 0,0009 0,6709 0,0107 0,5923 - 0,5923 0,0100 0,0769 74 maks 0,0164 11,7923 1,1369 36,7267 - 36,7267 0,7908 0,7800 75 ort 0,0073 5,2482 0,4354 4,5345 0,4395 4,7578 0,0169 0,6896 75 min 0,0013 0,9661 0,0212 0,5156 0,1430 0,7801 0,0067 0,1547 75 maks 0,0148 10,6834 1,2406 8,8451 0,7239 9,0303 0,0512 0,7857 75 ort 0,0085 6,0891 0,8392 10,3605 0,8037 10,7577 0,0629 0,5554 75 min 0,0008 0,5671 0,0388 0,1870 0,0555 0,2645 0,0122 0,0909 75 maks 0,0166 11,9362 1,9213 33,8098 2,9017 34,4237 0,8728 0,7848 75 ort 0,0085 6,1009 0,4065 15,1251 - 15,1251 0,0811 0,5511 75 min 0,0013 0,9320 0,0154 1,1627 - 1,1627 0,0109 0,1137 75 maks 0,0161 11,6215 1,1151 35,4320 - 35,4320 0,6395 0,7774 SS: Sürüş Süresi, SM: Sürüş Mesafesi, YM: Yürüyüş Mesafesi, PÜ: Park Ücreti, RÜ: Rezervasyon Ücreti, TÜ: Toplam Ücret, YAD: Yönlendirilen Araç Derecesi, UD: Uygunluk Derecesi, ort: ortalama, min: minimum, maks: maksimum 117 EK 2 Performans Parametreleri: Kurgu – 2 Senaryo SS SM YM PÜ RÜ TÜ YAD UD 1 ort -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 1 min -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 1 maks -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 1 ort -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 1 min -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 0,0000 -1,0000 1 maks -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 1 ort -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 1 min -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 1 maks -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 2 ort -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 2 min -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 2 maks -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 2 ort -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 2 min -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 0,0000 -1,0000 2 maks -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 2 ort -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 2 min -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 2 maks -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 3 ort -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 3 min -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 3 maks -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 3 ort -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 3 min -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 0,0000 -1,0000 3 maks -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 3 ort -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 3 min -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 3 maks -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 4 ort -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 4 min -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 4 maks -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 4 ort -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 4 min -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 0,0000 -1,0000 4 maks -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 4 ort -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 4 min -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 4 maks -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 5 ort -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 5 min -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 5 maks -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 5 ort -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 5 min -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 0,0000 -1,0000 5 maks -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 5 ort -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 5 min -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 5 maks -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 6 ort -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 6 min -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 6 maks -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 6 ort -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 6 min -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 0,0000 -1,0000 6 maks -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 6 ort -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 6 min -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 6 maks -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 118 EK 2 Performans Parametreleri: Kurgu – 2 (devam) Senaryo SS SM YM PÜ RÜ TÜ YAD UD 7 ort 0,0032 2,3374 0,2499 6,8376 0,5208 7,1076 0,3059 0,7727 7 min 0,0030 2,1774 0,2499 6,8376 0,5208 7,1076 0,3059 0,7727 7 maks 0,0034 2,5104 0,2499 6,8376 0,5208 7,1076 0,3059 0,7727 7 ort 0,0034 2,4927 0,2499 4,5133 0,5653 4,8059 0,4164 0,7431 7 min 0,0031 2,2769 0,2499 3,3171 0,5240 3,6175 0,3024 0,7221 7 maks 0,0037 2,7318 0,2499 5,8821 0,6145 6,1572 0,5368 0,7608 7 ort 0,0032 2,4498 0,2499 4,7919 - 4,7919 0,4302 0,7492 7 min 0,0025 1,9263 0,2499 2,2769 - 2,2769 0,2829 0,6950 7 maks 0,0044 3,2739 0,2499 7,4075 - 7,4075 0,8720 0,7805 8 ort 0,0032 2,3122 0,2499 6,8376 0,5208 7,0608 0,2949 0,7727 8 min 0,0028 2,0573 0,2499 6,8376 0,5208 7,0608 0,2949 0,7727 8 maks 0,0036 2,6408 0,2499 6,8376 0,5208 7,0608 0,2949 0,7727 8 ort 0,0034 2,4954 0,2499 4,5696 0,5601 4,8684 0,4432 0,7438 8 min 0,0029 2,1171 0,2499 2,6447 0,4854 2,8782 0,2989 0,7086 8 maks 0,0041 3,0137 0,2499 6,8717 0,6641 7,1873 0,7162 0,7737 8 ort 0,0032 2,4316 0,2499 4,7520 - 4,7520 0,4176 0,7484 8 min 0,0026 1,9501 0,2499 2,7125 - 2,7125 0,2962 0,7050 8 maks 0,0042 3,1180 0,2499 7,0237 - 7,0237 0,6963 0,7773 9 ort 0,0031 2,3050 0,2499 6,8376 0,5208 7,0831 0,3046 0,7727 9 min 0,0026 1,9435 0,2499 6,8376 0,5208 7,0831 0,3046 0,7727 9 maks 0,0039 2,8457 0,2499 6,8376 0,5208 7,0831 0,3046 0,7727 9 ort 0,0034 2,4980 0,2499 4,6067 0,5660 4,8980 0,4376 0,7421 9 min 0,0028 2,0385 0,2499 2,2593 0,4711 2,4972 0,2819 0,6936 9 maks 0,0044 3,2152 0,2499 7,3485 0,7078 7,6205 0,8150 0,7805 9 ort 0,0033 2,4540 0,2499 4,7141 - 4,7141 0,3918 0,7466 9 min 0,0028 2,0830 0,2499 3,2331 - 3,2331 0,3183 0,7212 9 maks 0,0039 2,9097 0,2499 6,2434 - 6,2434 0,5010 0,7690 10 ort 0,0032 2,3423 0,2499 6,8376 0,5208 7,0691 0,2991 0,7727 10 min 0,0031 2,2302 0,2499 6,8376 0,5208 7,0691 0,2991 0,7727 10 maks 0,0034 2,4665 0,2499 6,8376 0,5208 7,0691 0,2991 0,7727 10 ort 0,0034 2,5266 0,2499 4,6465 0,5572 4,9029 0,4414 0,7434 10 min 0,0031 2,3098 0,2499 3,5235 0,5128 3,7728 0,3279 0,7241 10 maks 0,0038 2,7930 0,2499 5,8595 0,6121 6,1096 0,5756 0,7608 10 ort 0,0032 2,4453 0,2499 4,7624 - 4,7624 0,4244 0,7489 10 min 0,0025 1,9263 0,2499 2,2546 - 2,2546 0,2767 0,6932 10 maks 0,0045 3,2947 0,2499 7,3690 - 7,3690 0,8505 0,7807 11 ort 0,0031 2,2813 0,2499 6,8376 0,5208 7,0701 0,2941 0,7727 11 min 0,0028 2,0368 0,2499 6,8376 0,5208 7,0701 0,2941 0,7727 11 maks 0,0035 2,5948 0,2499 6,8376 0,5208 7,0701 0,2941 0,7727 11 ort 0,0034 2,4812 0,2499 4,6357 0,5540 4,8916 0,4326 0,7418 11 min 0,0029 2,1071 0,2499 2,7372 0,4860 2,9819 0,3023 0,7068 11 maks 0,0042 3,0217 0,2499 6,8994 0,6324 7,1264 0,6797 0,7728 11 ort 0,0032 2,4458 0,2499 4,7442 - 4,7442 0,4257 0,7493 11 min 0,0026 1,9739 0,2499 2,6544 - 2,6544 0,2988 0,7055 11 maks 0,0043 3,1712 0,2499 7,0651 - 7,0651 0,7017 0,7777 12 ort 0,0032 2,3171 0,2499 6,8376 0,5208 7,0786 0,2972 0,7727 12 min 0,0027 1,9576 0,2499 6,8376 0,5208 7,0786 0,2972 0,7727 12 maks 0,0040 2,9229 0,2499 6,8376 0,5208 7,0786 0,2972 0,7727 12 ort 0,0034 2,4948 0,2499 4,5670 0,5663 4,8485 0,4251 0,7444 12 min 0,0028 2,0019 0,2499 2,2655 0,4653 2,5114 0,2728 0,6945 12 maks 0,0045 3,2395 0,2499 7,3062 0,7013 7,5832 0,7910 0,7806 12 ort 0,0032 2,4358 0,2499 4,9490 - 4,9490 0,4260 0,7460 12 min 0,0028 2,1539 0,2499 3,7242 - 3,7242 0,3400 0,7231 12 maks 0,0037 2,7932 0,2499 6,2239 - 6,2239 0,5650 0,7646 119 EK 2 Performans Parametreleri: Kurgu – 2 (devam) Senaryo SS SM YM PÜ RÜ TÜ YAD UD 13 ort 0,0031 2,2579 0,2499 6,8376 0,5208 7,1501 0,3067 0,7727 13 min 0,0029 2,1431 0,2499 6,8376 0,5208 7,1501 0,3067 0,7727 13 maks 0,0033 2,3872 0,2499 6,8376 0,5208 7,1501 0,3067 0,7727 13 ort 0,0034 2,5052 0,2499 4,5776 0,5562 4,8533 0,4321 0,7448 13 min 0,0031 2,2768 0,2499 3,3797 0,5174 3,6624 0,3020 0,7246 13 maks 0,0038 2,7814 0,2499 5,9152 0,5934 6,2162 0,5661 0,7641 13 ort 0,0032 2,4553 0,2499 4,7843 - 4,7843 0,4327 0,7494 13 min 0,0025 1,9331 0,2499 2,2667 - 2,2667 0,2819 0,6923 13 maks 0,0045 3,2907 0,2499 7,4103 - 7,4103 0,8856 0,7805 14 ort 0,0031 2,2736 0,2499 6,8376 0,5208 7,0281 0,2995 0,7727 14 min 0,0028 2,0519 0,2499 6,8376 0,5208 7,0281 0,2995 0,7727 14 maks 0,0035 2,5832 0,2499 6,8376 0,5208 7,0281 0,2995 0,7727 14 ort 0,0034 2,4655 0,2499 4,6232 0,5522 4,9137 0,4243 0,7433 14 min 0,0029 2,1273 0,2499 2,7203 0,4802 2,9593 0,2913 0,7084 14 maks 0,0040 2,9302 0,2499 6,7838 0,6434 7,0770 0,6379 0,7733 14 ort 0,0033 2,4834 0,2499 4,7514 - 4,7514 0,4252 0,7495 14 min 0,0026 1,9815 0,2499 2,6575 - 2,6575 0,3035 0,7052 14 maks 0,0044 3,2273 0,2499 7,0772 - 7,0772 0,7225 0,7768 15 ort 0,0031 2,2425 0,2499 6,8376 0,5208 7,1013 0,3124 0,7727 15 min 0,0026 1,9433 0,2499 6,8376 0,5208 7,1013 0,3124 0,7727 15 maks 0,0037 2,7267 0,2499 6,8376 0,5208 7,1013 0,3124 0,7727 15 ort 0,0034 2,4918 0,2499 4,5956 0,5548 4,8715 0,4272 0,7427 15 min 0,0028 2,0115 0,2499 2,1855 0,4573 2,4703 0,2766 0,6927 15 maks 0,0045 3,2232 0,2499 7,3718 0,6925 7,6205 0,8023 0,7806 15 ort 0,0033 2,5035 0,2499 4,7395 - 4,7395 0,4234 0,7489 15 min 0,0028 2,1453 0,2499 3,4510 - 3,4510 0,3295 0,7243 15 maks 0,0039 2,9058 0,2499 6,1418 - 6,1418 0,5633 0,7686 16 ort -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 16 min -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 16 maks -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 16 ort -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 16 min -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 0,0000 -1,0000 16 maks -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 16 ort -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 16 min -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 16 maks -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 17 ort -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 17 min -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 17 maks -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 17 ort -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 17 min -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 0,0000 -1,0000 17 maks -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 17 ort -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 17 min -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 17 maks -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 18 ort -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 18 min -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 18 maks -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 18 ort -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 18 min -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 0,0000 -1,0000 18 maks -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 18 ort -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 18 min -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 18 maks -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 120 EK 2 Performans Parametreleri: Kurgu – 2 (devam) Senaryo SS SM YM PÜ RÜ TÜ YAD UD 19 ort 0,0043 3,1569 0,4777 5,9616 0,4416 6,1088 0,2997 0,6980 19 min 0,0043 3,1415 0,4777 5,9616 0,4416 6,1088 0,2926 0,6863 19 maks 0,0043 3,1723 0,4777 5,9616 0,4416 6,1088 0,3066 0,7096 19 ort 0,0038 2,7678 0,4777 5,2408 0,3587 5,4153 0,2671 0,6650 19 min 0,0033 2,4449 0,4777 3,5471 0,3270 3,7298 0,1958 0,6147 19 maks 0,0043 3,1129 0,4777 6,9049 0,3905 7,0927 0,2924 0,7135 19 ort 0,0037 2,8364 0,4777 5,2370 - 5,2370 0,2758 0,6649 19 min 0,0029 2,2337 0,4777 1,6735 - 1,6735 0,1699 0,5650 19 maks 0,0046 3,4625 0,4777 8,0407 - 8,0407 0,3546 0,7806 20 ort 0,0043 3,1264 0,4777 5,9616 0,4416 6,1423 0,3026 0,6658 20 min 0,0041 3,0085 0,4777 5,9616 0,4416 6,1423 0,2845 0,6296 20 maks 0,0044 3,2443 0,4777 5,9616 0,4416 6,1423 0,3214 0,7019 20 ort 0,0037 2,7365 0,4777 5,4441 0,3603 5,6321 0,2705 0,6615 20 min 0,0031 2,2481 0,4777 2,7620 0,3189 2,9366 0,2110 0,5664 20 maks 0,0046 3,3656 0,4777 7,7872 0,4064 8,0249 0,3248 0,7471 20 ort 0,0038 2,8531 0,4777 5,0223 - 5,0223 0,2729 0,6681 20 min 0,0030 2,2916 0,4777 1,9800 - 1,9800 0,1895 0,5750 20 maks 0,0045 3,4325 0,4777 7,6622 - 7,6622 0,3414 0,7677 21 ort 0,0043 3,1366 0,4777 5,9616 0,4416 6,1638 0,2979 0,6747 21 min 0,0040 2,9166 0,4777 5,9616 0,4416 6,1638 0,2648 0,5963 21 maks 0,0045 3,3565 0,4777 5,9616 0,4416 6,1638 0,3344 0,7531 21 ort 0,0038 2,7679 0,4777 5,2260 0,3650 5,4120 0,2660 0,6625 21 min 0,0030 2,2117 0,4777 1,7713 0,3026 2,0065 0,1779 0,5357 21 maks 0,0047 3,4495 0,4777 8,0222 0,4325 8,2571 0,3378 0,7751 21 ort 0,0037 2,8086 0,4777 5,0257 - 5,0257 0,2746 0,6635 21 min 0,0033 2,5012 0,4777 3,5259 - 3,5259 0,2401 0,6109 21 maks 0,0041 3,1181 0,4777 6,4532 - 6,4532 0,3082 0,7155 22 ort 0,0036 2,6511 0,3837 8,4391 0,6045 8,7333 0,2352 0,6511 22 min 0,0032 2,3220 0,3286 6,7712 0,5636 7,0295 0,2063 0,5515 22 maks 0,0041 3,0503 0,4340 10,2105 0,6441 10,5587 0,2640 0,7259 22 ort 0,0038 2,7493 0,3868 6,1652 0,5474 6,4365 0,2853 0,6716 22 min 0,0028 2,0242 0,2557 2,4632 0,4116 2,7072 0,1505 0,4489 22 maks 0,0047 3,4416 0,4840 11,3532 0,7096 11,6542 0,5461 0,7782 22 ort 0,0036 2,7197 0,3813 6,3230 - 6,3230 0,2855 0,6673 22 min 0,0024 1,7925 0,2499 1,1304 - 1,1304 0,1214 0,2497 22 maks 0,0050 3,8264 0,4777 14,6481 - 14,6481 0,8570 0,7874 23 ort 0,0037 2,6890 0,3751 8,4144 0,5859 8,7181 0,2430 0,6362 23 min 0,0028 2,0644 0,2856 5,5348 0,5137 5,8773 0,1849 0,3893 23 maks 0,0047 3,4993 0,4564 11,8591 0,6653 12,1970 0,2975 0,7740 23 ort 0,0037 2,7163 0,3839 6,3243 0,5477 6,5944 0,2891 0,6701 23 min 0,0026 1,8327 0,2499 1,5333 0,3581 1,7947 0,1337 0,3526 23 maks 0,0049 3,5451 0,4911 14,3756 0,7939 14,6742 0,6735 0,7857 23 ort 0,0036 2,7343 0,3836 6,2334 - 6,2334 0,2871 0,6646 23 min 0,0025 1,8310 0,2499 1,4281 - 1,4281 0,1262 0,3182 23 maks 0,0049 3,6984 0,4777 13,4100 - 13,4100 0,7332 0,7864 24 ort 0,0037 2,6818 0,3746 8,3112 0,5783 8,6121 0,2403 0,6266 24 min 0,0026 1,9333 0,2538 5,1019 0,4806 5,4263 0,1579 0,2932 24 maks 0,0050 3,7530 0,4764 12,5903 0,6914 12,9426 0,3108 0,7822 24 ort 0,0037 2,7220 0,3857 6,2205 0,5451 6,4987 0,2946 0,6643 24 min 0,0025 1,7852 0,2499 1,1363 0,3145 1,4052 0,1246 0,2734 24 maks 0,0051 3,6482 0,4923 15,0582 0,8506 15,3481 0,8396 0,7877 24 ort 0,0036 2,7319 0,3804 6,3654 - 6,3654 0,2919 0,6641 24 min 0,0026 1,9305 0,2548 2,2994 - 2,2994 0,1481 0,4064 24 maks 0,0046 3,5030 0,4741 12,3135 - 12,3135 0,5714 0,7820 121 EK 2 Performans Parametreleri: Kurgu – 2 (devam) Senaryo SS SM YM PÜ RÜ TÜ YAD UD 25 ort 0,0037 2,6940 0,3665 8,6570 0,5943 9,0012 0,2358 0,6616 25 min 0,0032 2,3060 0,3199 7,1750 0,5621 7,4966 0,2070 0,5583 25 maks 0,0042 3,1165 0,4132 10,3497 0,6317 10,7211 0,2630 0,7376 25 ort 0,0038 2,7425 0,3825 6,2902 0,5585 6,5871 0,2875 0,6715 25 min 0,0028 2,0035 0,2567 2,6005 0,4034 2,7921 0,1553 0,4326 25 maks 0,0048 3,4782 0,4872 12,1551 0,7323 12,4674 0,5256 0,7808 25 ort 0,0036 2,7202 0,3833 6,3132 - 6,3132 0,2829 0,6655 25 min 0,0024 1,7881 0,2499 1,1200 - 1,1200 0,1212 0,2414 25 maks 0,0050 3,8298 0,4777 14,5046 - 14,5046 0,8320 0,7877 26 ort 0,0037 2,6935 0,3817 8,1309 0,5821 8,4255 0,2400 0,6343 26 min 0,0028 2,0235 0,2889 5,4909 0,5195 5,7535 0,1798 0,3868 26 maks 0,0049 3,6067 0,4671 11,5293 0,6564 11,8959 0,2936 0,7771 26 ort 0,0038 2,7378 0,3831 6,2324 0,5581 6,5218 0,2891 0,6686 26 min 0,0026 1,8486 0,2499 1,4371 0,3561 1,7005 0,1302 0,3334 26 maks 0,0050 3,5898 0,4911 14,3700 0,8366 14,7041 0,6785 0,7864 26 ort 0,0036 2,7166 0,3843 6,3899 - 6,3899 0,2843 0,6614 26 min 0,0025 1,8367 0,2499 1,5312 - 1,5312 0,1291 0,3034 26 maks 0,0048 3,6422 0,4777 13,7978 - 13,7978 0,7039 0,7858 27 ort 0,0037 2,6780 0,3762 8,3850 0,5881 8,6653 0,2420 0,6268 27 min 0,0027 1,9504 0,2557 5,1368 0,4931 5,3837 0,1663 0,2831 27 maks 0,0050 3,7349 0,4764 12,6155 0,6966 12,9726 0,3098 0,7830 27 ort 0,0037 2,7267 0,3833 6,2055 0,5424 6,4803 0,2914 0,6687 27 min 0,0025 1,7909 0,2499 1,1555 0,3197 1,3715 0,1255 0,2845 27 maks 0,0051 3,6460 0,4922 15,1521 0,8545 15,4954 0,7610 0,7877 27 ort 0,0036 2,7156 0,3858 6,4371 - 6,4371 0,2848 0,6550 27 min 0,0026 1,9326 0,2548 2,2784 - 2,2784 0,1450 0,3909 27 maks 0,0046 3,4816 0,4777 12,1041 - 12,1041 0,5541 0,7805 28 ort 0,0037 2,7368 0,3783 8,2395 0,5817 8,5082 0,2418 0,6312 28 min 0,0032 2,3277 0,3309 6,8313 0,5515 7,1172 0,2054 0,5030 28 maks 0,0043 3,1944 0,4269 9,8754 0,6139 10,1204 0,2755 0,7240 28 ort 0,0037 2,7165 0,3829 6,3649 0,5492 6,6484 0,2928 0,6652 28 min 0,0027 1,9832 0,2580 2,2226 0,4004 2,4348 0,1527 0,4362 28 maks 0,0047 3,4169 0,4870 12,3202 0,7288 12,6566 0,5558 0,7750 28 ort 0,0036 2,7233 0,3826 6,3013 - 6,3013 0,2840 0,6683 28 min 0,0024 1,7837 0,2499 1,1021 - 1,1021 0,1209 0,2537 28 maks 0,0050 3,8072 0,4777 14,2863 - 14,2863 0,8550 0,7878 29 ort 0,0036 2,6310 0,3711 8,4939 0,5960 8,8047 0,2375 0,6260 29 min 0,0028 2,0256 0,2791 5,7930 0,5231 6,0808 0,1784 0,3907 29 maks 0,0047 3,4732 0,4610 11,7868 0,6673 12,1566 0,2899 0,7583 29 ort 0,0037 2,7278 0,3859 6,2767 0,5513 6,5497 0,2981 0,6672 29 min 0,0026 1,8662 0,2499 1,4661 0,3373 1,6597 0,1344 0,3304 29 maks 0,0050 3,6208 0,4910 14,5275 0,7986 14,8595 0,7422 0,7859 29 ort 0,0036 2,7326 0,3811 6,3250 - 6,3250 0,2892 0,6671 29 min 0,0024 1,8119 0,2499 1,5823 - 1,5823 0,1283 0,3279 29 maks 0,0049 3,7158 0,4777 13,4244 - 13,4244 0,7111 0,7868 30 ort 0,0037 2,6751 0,3731 8,3695 0,5881 8,6444 0,2423 0,6236 30 min 0,0027 1,9537 0,2528 5,1521 0,4963 5,4641 0,1614 0,2563 30 maks 0,0050 3,7377 0,4764 12,6916 0,6829 12,9786 0,3108 0,7826 30 ort 0,0037 2,7100 0,3855 6,2762 0,5472 6,5477 0,2935 0,6691 30 min 0,0025 1,7957 0,2499 1,0960 0,3208 1,3023 0,1261 0,2951 30 maks 0,0051 3,6447 0,4923 15,3389 0,8596 15,6701 0,7926 0,7876 30 ort 0,0036 2,7281 0,3823 6,3563 - 6,3563 0,2838 0,6630 30 min 0,0026 1,9496 0,2570 2,2806 - 2,2806 0,1429 0,4240 30 maks 0,0046 3,4674 0,4777 12,3307 - 12,3307 0,5194 0,7813 122 EK 2 Performans Parametreleri: Kurgu – 2 (devam) Senaryo SS SM YM PÜ RÜ TÜ YAD UD 31 ort -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 31 min -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 31 maks -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 31 ort -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 31 min -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 0,0000 -1,0000 31 maks -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 31 ort -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 31 min -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 31 maks -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 32 ort -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 32 min -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 32 maks -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 32 ort -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 32 min -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 0,0000 -1,0000 32 maks -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 32 ort -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 32 min -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 32 maks -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 33 ort -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 33 min -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 33 maks -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 33 ort -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 33 min -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 0,0000 -1,0000 33 maks -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 33 ort -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 33 min -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 33 maks -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 34 ort 0,0037 2,6805 0,5611 5,1026 0,3096 5,2422 0,6765 0,5793 34 min 0,0029 2,1514 0,5230 4,0276 0,2899 4,1348 0,6108 0,4838 34 maks 0,0043 3,1464 0,5973 5,9925 0,3278 6,1615 0,7274 0,6646 34 ort 0,0035 2,5516 0,5359 4,2665 0,3278 4,4254 0,6446 0,5516 34 min 0,0023 1,6724 0,4793 1,3579 0,2195 1,4840 0,3634 0,3421 34 maks 0,0048 3,5124 0,6435 7,6505 0,4124 7,8710 0,8226 0,7501 34 ort 0,0034 2,5892 0,5339 4,3991 - 4,3991 0,6441 0,5446 34 min 0,0019 1,5009 0,4777 0,8400 - 0,8400 0,2669 0,2893 34 maks 0,0054 4,0042 0,6223 8,3848 - 8,3848 0,9199 0,7842 35 ort 0,0037 2,6981 0,5547 5,0433 0,3089 5,1888 0,6700 0,5574 35 min 0,0026 1,9082 0,4883 3,0932 0,2698 3,2384 0,5085 0,3818 35 maks 0,0045 3,3624 0,6154 6,4620 0,3501 6,6193 0,7495 0,7172 35 ort 0,0035 2,5358 0,5383 4,2912 0,3280 4,4533 0,6586 0,5431 35 min 0,0021 1,5362 0,4780 0,9738 0,1807 1,0434 0,2872 0,3029 35 maks 0,0051 3,7348 0,6773 8,2147 0,4342 8,4038 0,8760 0,7711 35 ort 0,0034 2,5848 0,5338 4,3786 - 4,3786 0,6496 0,5444 35 min 0,0019 1,5085 0,4777 0,9390 - 0,9390 0,2796 0,3029 35 maks 0,0051 3,8417 0,6212 8,2091 - 8,2091 0,8962 0,7777 36 ort 0,0037 2,6969 0,5534 5,1046 0,3151 5,2650 0,6771 0,5579 36 min 0,0022 1,6358 0,4784 2,7760 0,2462 2,9043 0,3857 0,3550 36 maks 0,0046 3,4443 0,6218 6,6223 0,3804 6,8153 0,7751 0,7518 36 ort 0,0035 2,5354 0,5382 4,2927 0,3327 4,4624 0,6674 0,5411 36 min 0,0020 1,5009 0,4777 0,8261 0,1589 0,9163 0,2434 0,2879 36 maks 0,0054 3,9060 0,7028 8,3765 0,4444 8,6215 0,9139 0,7841 36 ort 0,0035 2,6060 0,5347 4,3468 - 4,3468 0,6547 0,5411 36 min 0,0021 1,6176 0,4780 1,1948 - 1,1948 0,3159 0,3286 36 maks 0,0048 3,6472 0,6157 7,7673 - 7,7673 0,8295 0,7451 123 EK 2 Performans Parametreleri: Kurgu – 2 (devam) Senaryo SS SM YM PÜ RÜ TÜ YAD UD 37 ort 0,0034 2,4838 0,4253 4,9584 0,3113 5,1109 0,2386 0,7090 37 min 0,0027 1,9789 0,3424 4,0094 0,2877 4,1524 0,1884 0,6583 37 maks 0,0041 3,0002 0,4982 5,7357 0,3354 5,8882 0,2906 0,7542 37 ort 0,0036 2,6174 0,5125 5,9997 0,4736 6,2392 0,3010 0,6921 37 min 0,0025 1,8179 0,3485 1,5067 0,2725 1,6505 0,1383 0,5013 37 maks 0,0047 3,4419 0,6452 12,7015 0,7050 12,9807 0,5406 0,7870 37 ort 0,0037 2,7845 0,4039 6,4389 - 6,4389 0,2964 0,6504 37 min 0,0024 1,7881 0,2499 1,1129 - 1,1129 0,1302 0,2920 37 maks 0,0054 4,0205 0,5297 14,5404 - 14,5404 0,7967 0,7867 38 ort 0,0034 2,4815 0,4376 5,0046 0,3064 5,1561 0,2251 0,6836 38 min 0,0024 1,7744 0,3043 3,2215 0,2634 3,3698 0,1434 0,5415 38 maks 0,0043 3,1830 0,5341 6,3670 0,3491 6,5275 0,3128 0,7726 38 ort 0,0035 2,5811 0,5108 6,4136 0,4744 6,6432 0,2977 0,6868 38 min 0,0022 1,5905 0,2856 1,0846 0,1962 1,2159 0,1345 0,3970 38 maks 0,0049 3,6129 0,6780 14,9756 0,7836 15,2986 0,6564 0,7889 38 ort 0,0037 2,7865 0,4028 6,4197 - 6,4197 0,2919 0,6419 38 min 0,0025 1,8295 0,2499 1,3997 - 1,3997 0,1250 0,2740 38 maks 0,0052 3,9223 0,5302 13,7562 - 13,7562 0,6961 0,7855 39 ort 0,0034 2,5026 0,4272 5,1030 0,3125 5,2514 0,2236 0,6663 39 min 0,0022 1,6142 0,2580 2,8184 0,2484 2,9448 0,1152 0,4411 39 maks 0,0046 3,4065 0,5434 6,6351 0,3730 6,8103 0,3761 0,7792 39 ort 0,0035 2,5674 0,5109 6,4915 0,4983 6,7335 0,3136 0,6813 39 min 0,0021 1,5201 0,2600 0,8802 0,1848 0,9687 0,1109 0,3105 39 maks 0,0051 3,7466 0,7056 15,4107 0,8609 15,8117 0,8164 0,7898 39 ort 0,0037 2,7768 0,4039 6,3819 - 6,3819 0,2921 0,6216 39 min 0,0026 1,9655 0,2548 2,2364 - 2,2364 0,1144 0,2924 39 maks 0,0049 3,6755 0,5187 12,1484 - 12,1484 0,5611 0,7759 40 ort 0,0034 2,4853 0,4246 5,1123 0,3069 5,2715 0,2400 0,7161 40 min 0,0028 2,0290 0,3462 4,1457 0,2846 4,2985 0,1895 0,6492 40 maks 0,0040 2,9660 0,4883 5,9429 0,3278 6,1121 0,2929 0,7662 40 ort 0,0036 2,5987 0,5116 6,1486 0,4767 6,3834 0,3008 0,6799 40 min 0,0025 1,8003 0,3558 1,5816 0,2788 1,7266 0,1491 0,4647 40 maks 0,0047 3,4077 0,6429 12,8682 0,6895 13,1226 0,5483 0,7843 40 ort 0,0037 2,7890 0,4032 6,3960 - 6,3960 0,2992 0,6530 40 min 0,0024 1,7896 0,2499 1,1020 - 1,1020 0,1340 0,3040 40 maks 0,0054 4,0347 0,5313 14,3543 - 14,3543 0,8356 0,7868 41 ort 0,0034 2,4913 0,4317 4,9666 0,3158 5,1151 0,2229 0,6883 41 min 0,0024 1,7481 0,2837 3,1632 0,2706 3,3006 0,1398 0,5466 41 maks 0,0044 3,2504 0,5387 6,3582 0,3655 6,5367 0,3177 0,7705 41 ort 0,0035 2,5792 0,5122 6,2899 0,4907 6,5348 0,2958 0,6830 41 min 0,0022 1,5925 0,2892 1,0428 0,1992 1,1655 0,1296 0,3855 41 maks 0,0050 3,6304 0,6827 14,9027 0,8237 15,2152 0,6457 0,7893 41 ort 0,0037 2,7875 0,4031 6,4793 - 6,4793 0,2980 0,6411 41 min 0,0024 1,8247 0,2499 1,5042 - 1,5042 0,1223 0,2691 41 maks 0,0052 3,9263 0,5298 13,8739 - 13,8739 0,7172 0,7855 42 ort 0,0034 2,5063 0,4258 5,0269 0,3121 5,1852 0,2178 0,6676 42 min 0,0022 1,6202 0,2567 2,6723 0,2427 2,8072 0,1190 0,4397 42 maks 0,0046 3,4357 0,5455 6,6223 0,3784 6,7980 0,3742 0,7776 42 ort 0,0035 2,5707 0,5091 6,4641 0,4901 6,7151 0,3127 0,6795 42 min 0,0021 1,5189 0,2596 0,8942 0,1662 1,0006 0,1098 0,3090 42 maks 0,0050 3,7024 0,6985 15,4063 0,8381 15,8158 0,7964 0,7898 42 ort 0,0037 2,7710 0,4060 6,4199 - 6,4199 0,3000 0,6314 42 min 0,0026 1,9518 0,2587 2,2857 - 2,2857 0,1161 0,3269 42 maks 0,0049 3,6715 0,5189 12,1288 - 12,1288 0,5623 0,7793 124 EK 2 Performans Parametreleri: Kurgu – 2 (devam) Senaryo SS SM YM PÜ RÜ TÜ YAD UD 43 ort 0,0034 2,5093 0,4265 4,9401 0,3052 5,0885 0,2348 0,7090 43 min 0,0029 2,0956 0,3521 3,9184 0,2806 4,0549 0,1847 0,6553 43 maks 0,0040 2,9527 0,4954 5,8651 0,3288 6,0183 0,2849 0,7553 43 ort 0,0036 2,5898 0,5107 6,1506 0,4839 6,4090 0,2890 0,6845 43 min 0,0025 1,7931 0,3517 1,6613 0,2827 1,8026 0,1430 0,4897 43 maks 0,0047 3,4012 0,6388 12,9903 0,7016 13,3563 0,4913 0,7848 43 ort 0,0037 2,7908 0,4031 6,4188 - 6,4188 0,3024 0,6548 43 min 0,0024 1,7867 0,2499 1,1282 - 1,1282 0,1365 0,3140 43 maks 0,0054 4,0532 0,5309 14,5183 - 14,5183 0,8811 0,7870 44 ort 0,0034 2,4897 0,4287 5,0716 0,3188 5,2351 0,2271 0,6847 44 min 0,0024 1,7709 0,2878 3,2724 0,2763 3,4112 0,1436 0,5352 44 maks 0,0044 3,2396 0,5337 6,3953 0,3598 6,5849 0,3349 0,7759 44 ort 0,0035 2,5817 0,5086 6,3713 0,4915 6,6337 0,3084 0,6859 44 min 0,0022 1,6031 0,2992 1,0909 0,1956 1,2520 0,1316 0,3861 44 maks 0,0049 3,6143 0,6813 14,7670 0,8250 15,1503 0,6935 0,7893 44 ort 0,0037 2,7943 0,4028 6,4298 - 6,4298 0,2937 0,6418 44 min 0,0025 1,8473 0,2499 1,3672 - 1,3672 0,1156 0,2764 44 maks 0,0053 3,9438 0,5327 13,6319 - 13,6319 0,6975 0,7850 45 ort 0,0034 2,4994 0,4258 5,0076 0,3119 5,1538 0,2238 0,6687 45 min 0,0022 1,6574 0,2557 2,7008 0,2494 2,8197 0,1202 0,4386 45 maks 0,0046 3,3937 0,5459 6,6126 0,3660 6,8000 0,3830 0,7780 45 ort 0,0036 2,5828 0,5099 6,4834 0,4891 6,7323 0,3107 0,6806 45 min 0,0021 1,5465 0,2606 0,8943 0,1739 1,0029 0,1077 0,3121 45 maks 0,0051 3,7298 0,7008 15,4182 0,8470 15,8516 0,7849 0,7897 45 ort 0,0036 2,7357 0,4007 6,5193 - 6,5193 0,2970 0,6334 45 min 0,0026 1,9226 0,2548 2,1195 - 2,1195 0,1159 0,3117 45 maks 0,0048 3,6240 0,5196 12,3482 - 12,3482 0,6040 0,7797 46 ort -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 46 min -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 46 maks -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 46 ort -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 46 min -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 0,0000 -1,0000 46 maks -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 46 ort -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 46 min -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 46 maks -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 47 ort -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 47 min -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 47 maks -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 47 ort -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 47 min -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 0,0000 -1,0000 47 maks -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 47 ort -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 47 min -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 47 maks -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 48 ort -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 48 min -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 48 maks -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 48 ort -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 48 min -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 0,0000 -1,0000 48 maks -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 48 ort -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 48 min -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 48 maks -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 125 EK 2 Performans Parametreleri: Kurgu – 2 (devam) Senaryo SS SM YM PÜ RÜ TÜ YAD UD 49 ort 0,0037 2,7012 0,5558 4,9878 0,3049 5,1501 0,5105 0,5568 49 min 0,0030 2,2204 0,5132 4,0294 0,2834 4,1723 0,4094 0,4550 49 maks 0,0043 3,1455 0,5928 5,9017 0,3236 6,0642 0,6188 0,6593 49 ort 0,0036 2,6111 0,5845 4,2306 0,3237 4,3901 0,6200 0,5673 49 min 0,0022 1,6469 0,4924 1,2888 0,2156 1,4093 0,3770 0,3573 49 maks 0,0054 3,8931 0,7458 7,6394 0,4144 7,8390 0,8119 0,7522 49 ort 0,0034 2,5773 0,5341 4,3715 - 4,3715 0,6224 0,5552 49 min 0,0019 1,5009 0,4777 0,8118 - 0,8118 0,2971 0,2929 49 maks 0,0052 3,8737 0,6223 8,3710 - 8,3710 0,9387 0,7855 50 ort 0,0037 2,6826 0,5588 4,8785 0,3128 5,0308 0,5079 0,5654 50 min 0,0025 1,8110 0,4900 3,2281 0,2782 3,3278 0,3561 0,4086 50 maks 0,0046 3,3811 0,6185 6,3176 0,3435 6,4935 0,6911 0,7008 50 ort 0,0035 2,5768 0,5867 4,1725 0,3187 4,3289 0,6090 0,5735 50 min 0,0021 1,5375 0,4836 0,9250 0,1698 1,0236 0,3441 0,3214 50 maks 0,0056 4,0359 0,7607 8,1242 0,4303 8,3456 0,8537 0,7782 50 ort 0,0034 2,5820 0,5345 4,3877 - 4,3877 0,6062 0,5600 50 min 0,0019 1,5222 0,4777 0,9356 - 0,9356 0,3415 0,3129 50 maks 0,0051 3,8178 0,6207 8,2382 - 8,2382 0,8650 0,7746 51 ort 0,0037 2,6937 0,5572 4,8460 0,3132 5,0085 0,5049 0,5579 51 min 0,0022 1,6565 0,4802 2,6788 0,2530 2,8392 0,3492 0,3736 51 maks 0,0046 3,4408 0,6218 6,5837 0,3636 6,7554 0,7087 0,7219 51 ort 0,0035 2,5727 0,5848 4,1520 0,3235 4,3094 0,6032 0,5773 51 min 0,0020 1,5085 0,4780 0,8258 0,1549 0,9081 0,3355 0,2950 51 maks 0,0057 4,1110 0,7611 8,3469 0,4376 8,5837 0,8952 0,7859 51 ort 0,0034 2,5761 0,5332 4,4500 - 4,4500 0,6095 0,5545 51 min 0,0021 1,6302 0,4810 1,3027 - 1,3027 0,3909 0,3419 51 maks 0,0048 3,6081 0,6157 7,7618 - 7,7618 0,7754 0,7428 52 ort 0,0033 2,4055 0,4512 5,0127 0,3039 5,1748 0,1729 0,7114 52 min 0,0028 2,0227 0,3727 4,0066 0,2817 4,1508 0,1442 0,6562 52 maks 0,0038 2,7694 0,5186 5,9212 0,3239 6,1040 0,2029 0,7558 52 ort 0,0035 2,5290 0,5882 6,3457 0,4444 6,5614 0,2827 0,6967 52 min 0,0024 1,7332 0,3636 1,5594 0,2564 1,6878 0,1433 0,5011 52 maks 0,0050 3,6219 0,8395 13,3318 0,6607 13,6044 0,5034 0,7875 52 ort 0,0037 2,7904 0,4023 6,3655 - 6,3655 0,2959 0,6530 52 min 0,0024 1,7969 0,2499 1,0971 - 1,0971 0,1298 0,2680 52 maks 0,0054 4,0398 0,5306 14,5092 - 14,5092 0,8655 0,7869 53 ort 0,0032 2,3752 0,4339 4,8516 0,3014 4,9899 0,1799 0,6809 53 min 0,0023 1,7238 0,2843 3,0373 0,2600 3,1627 0,1380 0,5276 53 maks 0,0042 3,1219 0,5352 6,3246 0,3354 6,4689 0,2259 0,7707 53 ort 0,0035 2,5560 0,5874 6,5015 0,4755 6,7418 0,2789 0,6920 53 min 0,0022 1,5745 0,2913 1,0353 0,1875 1,1697 0,1362 0,4222 53 maks 0,0054 3,9377 0,9228 15,0415 0,8167 15,4017 0,6554 0,7894 53 ort 0,0037 2,7870 0,4024 6,3774 - 6,3774 0,2803 0,6445 53 min 0,0024 1,8215 0,2499 1,4208 - 1,4208 0,1333 0,2567 53 maks 0,0052 3,9175 0,5293 13,4140 - 13,4140 0,7090 0,7852 54 ort 0,0032 2,3543 0,4229 4,8408 0,3097 4,9979 0,1853 0,6750 54 min 0,0022 1,6180 0,2538 2,6677 0,2424 2,8138 0,1416 0,4663 54 maks 0,0044 3,2301 0,5427 6,5698 0,3637 6,7878 0,2319 0,7763 54 ort 0,0035 2,5728 0,5856 6,7159 0,4899 6,9675 0,2813 0,6862 54 min 0,0021 1,5173 0,2580 0,9502 0,1574 1,0466 0,1306 0,3045 54 maks 0,0056 4,0626 0,9531 15,9124 0,8529 16,1663 0,7860 0,7899 54 ort 0,0037 2,7773 0,4065 6,4047 - 6,4047 0,2699 0,6382 54 min 0,0026 1,9527 0,2538 2,3056 - 2,3056 0,1406 0,3518 54 maks 0,0049 3,7148 0,5227 11,8994 - 11,8994 0,5426 0,7770 126 EK 2 Performans Parametreleri: Kurgu – 2 (devam) Senaryo SS SM YM PÜ RÜ TÜ YAD UD 55 ort 0,0031 2,2990 0,4201 4,8885 0,3051 5,0349 0,1835 0,7089 55 min 0,0026 1,9314 0,3333 3,8435 0,2807 3,9939 0,1467 0,6564 55 maks 0,0037 2,6922 0,4937 5,8533 0,3271 6,0001 0,2205 0,7545 55 ort 0,0035 2,5611 0,5945 6,3358 0,4586 6,5637 0,2857 0,6940 55 min 0,0024 1,7333 0,3571 1,4584 0,2560 1,5892 0,1485 0,4841 55 maks 0,0051 3,7272 0,8868 13,4277 0,7032 13,6944 0,5254 0,7883 55 ort 0,0037 2,7913 0,4035 6,4200 - 6,4200 0,2939 0,6521 55 min 0,0024 1,7867 0,2499 1,1119 - 1,1119 0,1321 0,2540 55 maks 0,0054 4,0447 0,5325 14,5002 - 14,5002 0,8350 0,7866 56 ort 0,0032 2,3469 0,4276 4,9339 0,3100 5,1073 0,1875 0,6867 56 min 0,0023 1,7109 0,2866 3,1986 0,2597 3,3388 0,1480 0,5426 56 maks 0,0042 3,0646 0,5343 6,3982 0,3515 6,5973 0,2309 0,7722 56 ort 0,0036 2,5819 0,5894 6,5255 0,4890 6,7717 0,2793 0,6880 56 min 0,0022 1,5827 0,2999 1,0286 0,2056 1,1294 0,1354 0,3736 56 maks 0,0054 3,9528 0,9216 15,1382 0,8125 15,4804 0,6597 0,7896 56 ort 0,0037 2,7723 0,4015 6,4229 - 6,4229 0,2799 0,6418 56 min 0,0024 1,8151 0,2499 1,3497 - 1,3497 0,1316 0,2440 56 maks 0,0052 3,9034 0,5299 13,6589 - 13,6589 0,7147 0,7851 57 ort 0,0032 2,3568 0,4299 4,8198 0,3097 4,9836 0,1915 0,6772 57 min 0,0022 1,6145 0,2557 2,6814 0,2415 2,8473 0,1461 0,4492 57 maks 0,0044 3,2663 0,5450 6,5824 0,3657 6,7762 0,2351 0,7772 57 ort 0,0036 2,5857 0,5868 6,6314 0,4850 6,8695 0,2837 0,6870 57 min 0,0020 1,5093 0,2635 0,9233 0,1749 1,0318 0,1250 0,3253 57 maks 0,0056 4,0568 0,9520 15,7583 0,8571 16,0917 0,8575 0,7897 57 ort 0,0037 2,7660 0,3980 6,5981 - 6,5981 0,2524 0,6314 57 min 0,0025 1,9150 0,2528 2,2737 - 2,2737 0,1323 0,2922 57 maks 0,0049 3,6950 0,5211 12,5757 - 12,5757 0,4691 0,7809 58 ort 0,0032 2,3532 0,4071 4,9224 0,2959 5,0658 0,1704 0,7165 58 min 0,0027 2,0133 0,3179 4,0083 0,2763 4,1312 0,1359 0,6608 58 maks 0,0037 2,7314 0,4850 5,7653 0,3131 5,9179 0,2062 0,7608 58 ort 0,0035 2,5489 0,5827 6,1847 0,4797 6,4275 0,2652 0,6969 58 min 0,0023 1,6923 0,3389 1,5688 0,2550 1,6900 0,1502 0,4851 58 maks 0,0050 3,6396 0,8481 13,1132 0,7133 13,4071 0,4665 0,7864 58 ort 0,0037 2,7948 0,4054 6,4191 - 6,4191 0,2957 0,6522 58 min 0,0024 1,7881 0,2499 1,1172 - 1,1172 0,1355 0,2580 58 maks 0,0054 4,0326 0,5306 14,4497 - 14,4497 0,8845 0,7867 59 ort 0,0033 2,3891 0,4222 4,9334 0,3112 5,0901 0,1869 0,6872 59 min 0,0024 1,7468 0,2782 3,1271 0,2778 3,2875 0,1426 0,5479 59 maks 0,0042 3,0864 0,5336 6,3860 0,3458 6,5424 0,2324 0,7738 59 ort 0,0036 2,6083 0,5897 6,4803 0,4891 6,7238 0,2784 0,6890 59 min 0,0022 1,6238 0,2942 1,0833 0,1938 1,2167 0,1387 0,3999 59 maks 0,0055 3,9721 0,9207 15,1296 0,8211 15,4238 0,6332 0,7892 59 ort 0,0037 2,7726 0,4020 6,4037 - 6,4037 0,2806 0,6456 59 min 0,0024 1,8240 0,2499 1,5215 - 1,5215 0,1297 0,2503 59 maks 0,0053 3,9537 0,5310 13,4274 - 13,4274 0,7044 0,7853 60 ort 0,0032 2,3516 0,4244 4,8692 0,3047 5,0234 0,1847 0,6748 60 min 0,0022 1,6091 0,2557 2,6785 0,2361 2,8043 0,1403 0,4501 60 maks 0,0044 3,2478 0,5446 6,6265 0,3593 6,7884 0,2312 0,7762 60 ort 0,0035 2,5558 0,5848 6,6172 0,4939 6,8710 0,2768 0,6870 60 min 0,0020 1,5120 0,2619 0,9063 0,1652 1,0223 0,1260 0,3229 60 maks 0,0056 4,0615 0,9542 15,8588 0,8595 16,1613 0,7712 0,7898 60 ort 0,0037 2,8006 0,4060 6,4976 - 6,4976 0,2696 0,6331 60 min 0,0026 1,9556 0,2548 2,1812 - 2,1812 0,1350 0,2992 60 maks 0,0050 3,7382 0,5238 12,0105 - 12,0105 0,5196 0,7797 127 EK 2 Performans Parametreleri: Kurgu – 2 (devam) Senaryo SS SM YM PÜ RÜ TÜ YAD UD 61 ort -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 61 min -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 61 maks -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 61 ort -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 61 min -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 0,0000 -1,0000 61 maks -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 61 ort -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 61 min -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 61 maks -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 62 ort -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 62 min -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 62 maks -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 62 ort -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 62 min -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 0,0000 -1,0000 62 maks -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 62 ort -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 62 min -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 62 maks -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 63 ort -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 63 min -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 63 maks -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 63 ort -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 63 min -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 0,0000 -1,0000 63 maks -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 -1,0000 63 ort -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 63 min -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 63 maks -1,0000 -1,0000 -1,0000 -1,0000 - -1,0000 -1,0000 -1,0000 64 ort 0,0037 2,6803 0,5597 3,8342 0,2156 3,9491 0,4226 0,6292 64 min 0,0030 2,1982 0,5194 3,1710 0,1936 3,2715 0,3782 0,5635 64 maks 0,0042 3,1148 0,5966 4,3910 0,2392 4,5159 0,4776 0,6872 64 ort 0,0034 2,4904 0,8336 4,0579 0,3059 4,2123 0,5376 0,6033 64 min 0,0021 1,5161 0,4905 1,2120 0,1937 1,3212 0,3531 0,4132 64 maks 0,0053 3,8785 1,3045 7,5428 0,4040 7,7967 0,8182 0,7551 64 ort 0,0034 2,5931 0,5333 4,3753 - 4,3753 0,5937 0,5642 64 min 0,0019 1,5009 0,4777 0,8144 - 0,8144 0,3479 0,3358 64 maks 0,0054 3,9963 0,6220 8,3952 - 8,3952 0,8642 0,7885 65 ort 0,0036 2,6257 0,5580 3,9042 0,2286 4,0112 0,4611 0,6107 65 min 0,0024 1,7513 0,4883 2,5671 0,1864 2,6514 0,4054 0,4968 65 maks 0,0046 3,3828 0,6181 4,8293 0,2922 4,9136 0,5451 0,7123 65 ort 0,0035 2,5254 0,8006 4,0276 0,3171 4,1810 0,5368 0,5932 65 min 0,0020 1,5085 0,4803 0,8484 0,1606 0,9522 0,3922 0,3874 65 maks 0,0056 4,0671 1,3362 8,0724 0,4352 8,3328 0,8356 0,7756 65 ort 0,0034 2,5571 0,5338 4,3632 - 4,3632 0,5631 0,5815 65 min 0,0019 1,5155 0,4777 0,9406 - 0,9406 0,3957 0,3843 65 maks 0,0051 3,7753 0,6210 8,1670 - 8,1670 0,7684 0,7775 66 ort 0,0036 2,6245 0,5559 3,9074 0,2226 4,0278 0,4813 0,5975 66 min 0,0021 1,5978 0,4801 2,1560 0,1650 2,2532 0,4269 0,4689 66 maks 0,0046 3,4469 0,6210 4,9560 0,3197 5,0920 0,5596 0,7295 66 ort 0,0034 2,4824 0,7652 4,1137 0,3116 4,2713 0,5419 0,5934 66 min 0,0020 1,5009 0,4780 0,7136 0,1464 0,7830 0,4185 0,3738 66 maks 0,0057 4,1117 1,3394 8,3832 0,4396 8,6222 0,8971 0,7880 66 ort 0,0034 2,5828 0,5344 4,3319 - 4,3319 0,5413 0,5854 66 min 0,0022 1,6637 0,4793 1,2462 - 1,2462 0,4390 0,4258 66 maks 0,0047 3,5410 0,6127 7,6724 - 7,6724 0,6402 0,7445 128 EK 2 Performans Parametreleri: Kurgu – 2 (devam) Senaryo SS SM YM PÜ RÜ TÜ YAD UD 67 ort 0,0030 2,2074 0,4398 4,0736 0,2396 4,1784 0,1562 0,7148 67 min 0,0026 1,9406 0,3447 3,4870 0,2209 3,5813 0,1355 0,6582 67 maks 0,0034 2,4560 0,5184 4,6044 0,2595 4,7190 0,1756 0,7606 67 ort 0,0034 2,5071 0,8314 5,7817 0,4309 5,9980 0,2405 0,6961 67 min 0,0022 1,6238 0,3975 1,4554 0,2126 1,5802 0,1190 0,5128 67 maks 0,0052 3,7730 1,3285 12,2439 0,6594 12,5609 0,4721 0,7869 67 ort 0,0037 2,7866 0,4031 6,3770 - 6,3770 0,2838 0,6567 67 min 0,0024 1,7911 0,2499 1,0835 - 1,0835 0,1302 0,2600 67 maks 0,0054 4,0302 0,5306 14,4376 - 14,4376 0,8882 0,7874 68 ort 0,0030 2,2052 0,4284 3,8365 0,2281 3,9415 0,1723 0,6972 68 min 0,0023 1,7154 0,2785 2,6898 0,1866 2,7609 0,1343 0,5597 68 maks 0,0036 2,6135 0,5414 4,7162 0,2860 4,8218 0,2104 0,7773 68 ort 0,0034 2,4839 0,8064 6,1465 0,4437 6,3654 0,2586 0,6733 68 min 0,0021 1,5103 0,2997 1,0765 0,1707 1,1907 0,1273 0,3367 68 maks 0,0053 3,8975 1,4224 14,7386 0,7522 15,0953 0,6815 0,7898 68 ort 0,0037 2,7872 0,4038 6,4237 - 6,4237 0,2671 0,6467 68 min 0,0024 1,8248 0,2499 1,3760 - 1,3760 0,1314 0,2474 68 maks 0,0053 3,9786 0,5311 13,3723 - 13,3723 0,6869 0,7858 69 ort 0,0030 2,1974 0,4302 3,9019 0,2212 4,0143 0,1780 0,6952 69 min 0,0022 1,6118 0,2619 2,1474 0,1692 2,2421 0,1407 0,4888 69 maks 0,0036 2,6477 0,5482 4,9944 0,3066 5,1002 0,2177 0,7823 69 ort 0,0034 2,4972 0,7939 6,3384 0,4631 6,5734 0,2694 0,6619 69 min 0,0021 1,5120 0,2564 0,9774 0,1557 1,0902 0,1346 0,2475 69 maks 0,0056 4,0759 1,4589 15,4182 0,8026 15,7089 0,8093 0,7902 69 ort 0,0037 2,7769 0,4020 6,4567 - 6,4567 0,2510 0,6441 69 min 0,0026 1,9712 0,2518 2,3623 - 2,3623 0,1515 0,3236 69 maks 0,0050 3,7431 0,5188 12,2484 - 12,2484 0,4828 0,7825 70 ort 0,0030 2,1778 0,4334 3,9640 0,2362 4,0970 0,1473 0,7276 70 min 0,0026 1,8914 0,3464 3,3381 0,2087 3,4613 0,1320 0,6831 70 maks 0,0033 2,4317 0,5043 4,4971 0,2675 4,6358 0,1627 0,7636 70 ort 0,0035 2,5307 0,8178 5,6269 0,4116 5,8455 0,2437 0,6962 70 min 0,0022 1,6176 0,3805 1,4361 0,2069 1,5684 0,1191 0,4915 70 maks 0,0052 3,7449 1,3423 12,1157 0,6463 12,4248 0,4921 0,7882 70 ort 0,0037 2,7919 0,4029 6,4359 - 6,4359 0,2828 0,6590 70 min 0,0024 1,7881 0,2499 1,1107 - 1,1107 0,1334 0,2860 70 maks 0,0054 4,0472 0,5316 14,5682 - 14,5682 0,8578 0,7870 71 ort 0,0030 2,2125 0,4279 3,9520 0,2261 4,0708 0,1760 0,7106 71 min 0,0023 1,7183 0,2862 2,7465 0,1845 2,8645 0,1435 0,5775 71 maks 0,0036 2,6114 0,5401 4,8699 0,2824 4,9845 0,2077 0,7819 71 ort 0,0034 2,4792 0,8066 6,1165 0,4502 6,3360 0,2619 0,6721 71 min 0,0021 1,5339 0,2952 1,0233 0,1684 1,1223 0,1314 0,3347 71 maks 0,0054 3,9803 1,4215 14,5101 0,7610 14,9011 0,7135 0,7893 71 ort 0,0037 2,7780 0,4036 6,4324 - 6,4324 0,2616 0,6471 71 min 0,0025 1,8301 0,2499 1,4812 - 1,4812 0,1405 0,2480 71 maks 0,0053 3,9445 0,5306 13,7705 - 13,7705 0,6537 0,7861 72 ort 0,0030 2,2249 0,4307 3,9344 0,2219 4,0480 0,1768 0,7040 72 min 0,0022 1,6087 0,2580 2,1864 0,1675 2,2895 0,1394 0,5057 72 maks 0,0037 2,6649 0,5497 5,0137 0,3081 5,1068 0,2108 0,7857 72 ort 0,0034 2,4950 0,7957 6,3548 0,4672 6,5810 0,2717 0,6607 72 min 0,0021 1,5075 0,2726 0,9732 0,1634 1,0614 0,1314 0,2480 72 maks 0,0055 4,0580 1,4501 15,5110 0,8072 15,8331 0,8150 0,7901 72 ort 0,0037 2,7952 0,4018 6,3731 - 6,3731 0,2492 0,6420 72 min 0,0026 1,9558 0,2548 2,3305 - 2,3305 0,1455 0,3074 72 maks 0,0050 3,7563 0,5233 11,7394 - 11,7394 0,4918 0,7836 129 EK 2 Performans Parametreleri: Kurgu – 2 (devam) Senaryo SS SM YM PÜ RÜ TÜ YAD UD 73 ort 0,0030 2,1974 0,4222 3,9641 0,2239 4,0641 0,1582 0,7202 73 min 0,0026 1,8903 0,3407 3,2509 0,2044 3,3474 0,1372 0,6705 73 maks 0,0034 2,4893 0,4991 4,5862 0,2486 4,6977 0,1791 0,7641 73 ort 0,0034 2,4830 0,8185 5,5838 0,4398 5,7953 0,2495 0,6957 73 min 0,0022 1,5830 0,3762 1,3894 0,2343 1,4877 0,1169 0,5081 73 maks 0,0052 3,7623 1,3383 12,3916 0,6901 12,6950 0,5474 0,7873 73 ort 0,0037 2,7939 0,4047 6,4161 - 6,4161 0,2792 0,6558 73 min 0,0024 1,7940 0,2499 1,1462 - 1,1462 0,1307 0,2700 73 maks 0,0054 4,0386 0,5311 14,4513 - 14,4513 0,8278 0,7869 74 ort 0,0031 2,2310 0,4210 3,9068 0,2170 4,0206 0,1772 0,7075 74 min 0,0024 1,7455 0,2668 2,7026 0,1810 2,8071 0,1444 0,5699 74 maks 0,0036 2,6194 0,5396 4,7814 0,2706 4,8872 0,2076 0,7823 74 ort 0,0034 2,5038 0,8139 6,2012 0,4631 6,4337 0,2606 0,6757 74 min 0,0021 1,5255 0,2991 1,0253 0,1652 1,1455 0,1324 0,3475 74 maks 0,0054 3,9726 1,4187 14,9840 0,7851 15,4098 0,6696 0,7895 74 ort 0,0037 2,7798 0,4028 6,4225 - 6,4225 0,2657 0,6446 74 min 0,0024 1,8274 0,2499 1,4677 - 1,4677 0,1313 0,2460 74 maks 0,0053 3,9557 0,5300 13,4792 - 13,4792 0,7100 0,7861 75 ort 0,0030 2,2117 0,4304 3,9036 0,2292 4,0108 0,1794 0,7034 75 min 0,0022 1,6196 0,2557 2,0929 0,1703 2,2022 0,1377 0,4971 75 maks 0,0037 2,6588 0,5508 5,0361 0,3138 5,1385 0,2223 0,7855 75 ort 0,0034 2,4933 0,7908 6,4015 0,4706 6,6356 0,2722 0,6620 75 min 0,0021 1,5047 0,2587 0,9777 0,1673 1,0630 0,1307 0,2245 75 maks 0,0055 4,0135 1,4539 15,5528 0,8047 15,9401 0,8510 0,7901 75 ort 0,0037 2,7699 0,4021 6,4778 - 6,4778 0,2469 0,6417 75 min 0,0026 1,9813 0,2561 2,2238 - 2,2238 0,1538 0,3465 75 maks 0,0049 3,6824 0,5181 12,3019 - 12,3019 0,4441 0,7810 SS: Sürüş Süresi, SM: Sürüş Mesafesi, YM: Yürüyüş Mesafesi, PÜ: Park Ücreti, RÜ: Rezervasyon Ücreti, TÜ: Toplam Ücret, YAD: Yönlendirilen Araç Derecesi, UD: Uygunluk Derecesi, ort: ortalama, min: minimum, maks: maksimum 130 ÖZGEÇMİŞ Adı Soyadı : Aslı SEBATLI SAĞLAM Doğum Yeri ve Tarihi : Bursa / 29.01.1992 Yabancı Dil : İngilizce, Almanca Eğitim Durumu Lise : Bursa Anadolu Lisesi, 2010 Lisans : Bursa Uludağ Üniversitesi, Endüstri Mühendisliği, 2015 Yüksek Lisans : Bursa Uludağ Üniversitesi, Endüstri Mühendisliği, 2017 Doktora : Bursa Uludağ Üniversitesi, Endüstri Mühendisliği, 2023 Çalıştığı Kurum/Kurumlar : Mudanya Üniversitesi, Araştırma Görevlisi, 2022 – … İletişim (e-posta) : aslisebatli@gmail.com Yayınları : 1. SSCI, SCI, SCI-Expanded indekslerince taranan dergilerde yayınlanan makaleler: Cavdur, F., Kose-Kucuk, M., & Sebatli, A. (2016). Allocation of temporary disaster response facilities under demand uncertainty An earthquake case study. International Journal of Disaster Risk Reduction, 19, 159-166. https://doi.org/10.1016/j.ijdrr.2016.08.009 Cavdur, F., Sebatli, A., Kose-Kucuk, M., & Rodoplu, C. (2019). A two-phase binary-goal programming-based approach for optimal project-team formation. Journal of the Operational Research Society, 70(4), 689-706. https://doi.org/10.1080/01605682.2018.1457480 Çavdur, F., Sebatlı, A., & Köse-Küçük, M. (2019). A group-decision making and goal programming-based solution approach for the student-project team formation problem. Journal of the Faculty of Engineering and Architecture of Gazi University, 34(1), 505-521. https://doi.org/10.17341/gazimmfd.416511 Sebatlı, A., & Çavdur, F. (2019). Analysis of relief supplies distribution operations via simulation. Journal of the Faculty of Engineering and Architecture of Gazi University, 34(4), 2079-2096. https://doi.org/10.17341/gazimmfd.423091 Cavdur, F., & Sebatli, A. (2019). A decision support tool for allocating temporary- disaster-response facilities. Decision Support Systems, 127, 113145. https://doi.org/10.1016/j.dss.2019.113145 Cavdur, F., Sebatli-Saglam, A., & Kose-Kucuk, M. (2020). A spreadsheet-based decision support tool for temporary-disaster-response facilities allocation. Safety Science, 124, 104581. https://doi.org/10.1016/j.ssci.2019.104581 Cavdur, F., Kose-Kucuk, M., & Sebatli, A. (2021). Allocation of temporary disaster- response facilities for relief-supplies distribution: a stochastic optimization approach for afterdisaster uncertainty. Natural Hazards Review, 22(1), 05020013. https://doi.org/10.1061/(asce)nh.1527-6996.0000416 Cavdur, F., Sebatli-Saglam, A., & Kose-Kucuk, M. (2021). A scenario-based decision support system for allocating temporary-disaster-response facilities. Journal of the 131 Faculty of Engineering and Architecture of Gazi University, 36(3), 1499-1514. https://doi.org/10.17341/gazimmfd.685383 Cavdur, F., Sebatli-Saglam, A., & Kaymaz, E. (2021). A mathematical programming model for using dynamically-positioned-rework stations for performing parallel tasks in assembly line balancing. International Journal of Industrial Engineering: Theory, Applications, and Practice, 28(2), 175-189. https://doi.org/10.23055/ijietap.2021.28.2.6013 Sebatlı-Sağlam, A., & Çavdur, F. (2022). Earthquake intensity estimation via an artificial neural network: Examination of different network designs and training algorithms. Journal of the Faculty of Engineering and Architecture of Gazi University, 37(4), 2133-2145. https://doi.org/10.17341/gazimmfd.791337 Toprak-Cavdur, T., Anis, P., Bakir, M., Sebatli-Saglam, A., & Cavdur, F. (2023). Dyeing Behavior of Enzyme and Chitosan-Modified Polyester and Estimation of Colorimetry Parameters Using Random Forests. Fibers and Polymers, 24(1), 221- 241. https://doi.org/10.1007/s12221-023-00130-x 2. Diğer uluslararası dergilerde yayınlanan makaleler: Sebatli, A., Cavdur, F., & Kose-Kucuk, M. (2017). Determination of relief supplies demands and allocation of temporary disaster response facilities. Transportation research procedia, 22, 245-254. https://doi.org/10.1016/j.trpro.2017.03.031 Şener E., Sebatlı-Sağlam A., & Çavdur F. (2023). Otonom-paylaşımlı araç yönetim sistemi. Politeknik Dergisi, 26(1), 81-92. https://doi.org/10.2339/politeknik.931490 Sebatlı-Sağlam A., & Çavdur F. (2023). Prediction of parking space availability using arima and neural networks. Journal of Industrial Engineering, 34(1), 86-108. https://doi.org/10.46465/endustrimuhendisligi.1241453 Bakır, M., Sebatlı-Sağlam, A., & Çavdur, F. (2023). Bağlantısız paralel parti üretimi yapan makine çizelgeleme probleminin karışık-tamsayılı programlama ile çözümü. Politeknik Dergisi. 26(2), 653-663. https://doi.org/10.2339/politeknik.996529 3. Uluslararası bilimsel toplantılarda sunulan bildiriler a. Sözlü sunulan ve tam metni yayınlanan uluslararası bildiriler Kose-Kucuk, M., Cavdur, F., & Sebatli, A. (2016). A two-phase solution approach for allocation of temporary disaster response facilities and transportation planning, LM- SCM 2016 XIV. International logistics and supply chain congress, (Vol. 14, pp. 43- 52). Baglarbasi-Mutlu, M., Sebatli, A., & Cavdur, F. (2018). Group Decision Making for Criteria Importance Determination in Student Project Team Formation Problems, 12th NCM Conferences International Conference on New Challenges in Industrial Engineering and Operations Management. Yeşilyayla, G., Sebatlı, A., & Çavdur, F. (2018). Farklı Finansal Market Koşulları Altında Markowitz Ortalama-Varyans Modeli ile Portföy Optimizasyonu, 19. Uluslararası Ekonometri, Yöneylem Araştırması ve İstatistik (EYİ 2018) Sempozyumu. Yavuz, B., Sebatlı-Sağlam, A., Çavdur, F., & Şahan, Y. (2019). Menu planning using mathematical programming for type-2 diabetes, International Marmara Sciences and Social Sciences Congress (Autumn 2019) IMASCON 2019. 132 b. Sözlü sunulan ve bildiri kitabında özeti yayınlanan uluslararası bildiriler Kose-Kucuk, M., Cavdur, F., & Sebatli, A. (2016). A two-phase binary-goal programming based approach for optimal project-team formation, 2016 International Engineering and Technology Research Congress. 4. Ulusal hakemli dergilerde yayınlanan makaleler Değirmen, S., Çavdur, F., & Sebatlı, A. (2018). Afet Operasyonları Yönetiminde İnsansız Hava Araçlarının Kullanımı: Gözetleme Operasyonları için Rota Planlama. Uludağ University Journal of The Faculty of Engineering, 23(4), 11-26. https://doi.org/10.17482/uumfd.455146 Çavdur, F., Kaymaz, E., & Sebatlı, A. (2018). Montaj Hatlarında Yeniden İşleme İstasyon Pozisyonunun Optimizasyonu için Bir Karışık-Tamsayılı Programlama Modeli. Uludağ University Journal of The Faculty of Engineering, 23(3), 273-288. https://doi.org/10.17482/uumfd.420001 Çavdur, F., Bağlarbaşı-Mutlu, M., & Sebatlı-Sağlam, A. (2020). Öğrenci-Proje Takımı Oluşturma Problemi için Bir Karar Destek Sistemi Uygulaması. Uludağ University Journal of The Faculty of Engineering, 25(1), 485-500. https://doi.org/10.17482/uumfd.537826 Sebatlı-Sağlam, A., & Çavdur, F. (2020). Portföy Optimizasyonu için Bir Karar Destek Sistemi Uygulaması. Uludağ University Journal of The Faculty of Engineering, 25(3), 1345-1358. https://doi.org/10.17482/uumfd.532966 Tuna, N., Sebatlı-Sağlam, A., & Çavdur, F. (2022). Covid-19 salgını ile ilgili paylaşımlar üzerinde veri analizi. Bilişim Teknolojileri Dergisi, 15(1), 13-23. https://doi.org/10.17671/gazibtd.928990 Tabansız, G., Sebatlı-Sağlam, A., & Çavdur, F. (2023). Öğrenci-proje atama probleminde farklı grup kararlarının değerlendirilmesi. Eskişehir Osmangazi Üniversitesi Mühendislik ve Mimarlık Fakültesi Dergisi, 31(1), 544-557. https://doi.org/10.31796/ogummf.1145417 5. Ulusal bilimsel toplantılarda sunulan bildiriler a. Sözlü sunulan ve tam metni yayınlanan ulusal bildiriler Değirmen, S., Çavdur, F., & Sebatlı, A. (2018). Afet Operasyonları Yönetiminde İnsansız Hava Araçlarının Kullanımı: Gözetleme Operasyonları için Rota Planlama, ULTZK 2018 7. Ulusal Lojistik ve Tedarik Zinciri Kongresi. b. Sözlü sunulan ve bildiri kitabında özeti yayınlanan ulusal bildiriler Sebatlı, A., Eker, D., Çavdur, F., İnkaya, T., & Aguşoğlu, A. (2015). Bir Otomotiv Yan Sanayi Firmasında İç Lojistik Sisteminin Tasarımı, 35. Yöneylem Araştırması ve Endüstri Mühendisliği Ulusal Kongresi. Çavdur, F., Sebatlı, A., & Köse-Küçük, M. (2017). Afet operasyonları yönetimi için bir karar destek sistemi prototipi tasarımı, 37. Yöneylem Araştırması ve Endüstri Mühendisliği Ulusal Kongresi. 133 Köse-Küçük, M., Çavdur, F., & Sebatlı, A. (2017). Stokastik optimizasyon yaklaşımıyla geçici-afet-müdahale tesisleri yerleşim probleminin çözümü, 37. Yöneylem Araştırması ve Endüstri Mühendisliği Ulusal Kongresi. Sebatlı, A., & Çavdur, F. (2017). Afet sonrası yardım malzemesi dağıtım planlaması için bir simülasyon modeli, 37. Yöneylem Araştırması ve Endüstri Mühendisliği Ulusal Kongresi. 6. Burs ve Destekler a. Projeler TÜBİTAK 115M020, Afet Operasyonları Yönetimi için Stokastik Optimizasyon Yaklaşımıyla Karar Destek Sistemi Geliştirilmesi, 3001 - Başlangıç AR-GE, Burslu, Sonuç raporu kabul, ARDEB, MAG - Mühendislik Araştırma Destek Grubu, Projeye Katılma/Ayrılma Tarihleri: 01.05.2015 - 01.05.2017, Proje Başlangıç/Bitiş Tarihleri: 01.05.2015 - 01.05.2017. b. Burslar YÖK 100/2000 Doktora Bursu, Alan Adı: Ulaştırma ve Akıllı Ulaşım, Destek Başlangıç/Bitiş Tarihleri: 08.09.2017 - 31.08.2021. TÜBİTAK BİDEB, 2211-A Genel Yurt İçi Doktora Burs Programı, Destek Başlangıç/Bitiş Tarihleri: 01.06.2019 - 31.05.2023. c. Ödüller TÜBITAK 2241/B-Sanayi Odaklı Lisans Bitirme Projeleri Yarışması, Süreç Kategorisi, Üçüncülük Ödülü, İç Milk-Run Sisteminin Kurulumu, 09 Ekim 2015. 134