Akademik Veri Yönetim Sistemi
Black Sea Journal of Engineering and Science, cilt.9, sa.1, ss.1-18, 2026 (TRDizin)
Bu çalışma, Karadeniz Teknik Üniversitesi Kanuni Kampüsü’ne hizmet veren toplu taşıma hatlarında operasyonel verimliliği artırmak amacıyla, yolcu yoğunluklarına dayalı veriye dayalı bir sefer planlama yaklaşımı önermektedir. Mevcut durumda Trabzon’daki şehir içi ulaşım verileri analiz edilmemekte ve bu da hizmetin etkinliğini azaltmaktadır. Bu kapsamda, yolcu biniş verileri analiz edilerek, sefer sıklığı ve otobüs kapasitesinin gerçek zamanlı talep yoğunluklarına göre optimize edilmesi ve veriye dayalı karar alma sürecinin geliştirilmesi amaçlanmıştır. Üniversite kampüsünden geçen ve özellikle ders saatlerine bağlı olarak yoğunluk gösteren hatlara ait yolcu biniş verileri K-Means kümeleme algoritması ile analiz edilmiştir. Gün içi zaman dilimleri, yolcu yoğunluğuna göre dinamik biçimde kümelenmiş; her küme için gerekli sefer sayısı ve otobüs ihtiyacı hesaplanmıştır. Bu yöntem, sabit zaman aralıklarına dayalı geleneksel yaklaşımlar yerine, her hat ve yön için değişen talep yapısına duyarlı bir planlama sunmaktadır. Elde edilen sonuçlar, uyarlanabilir zaman aralıklarına dayalı bu dinamik kümeleme yaklaşımının, maksimum ve ortalama otobüs gereksinimini azaltırken hizmet kalitesinden ödün vermediğini göstermektedir. Çalışma, veri temelli karar destek sistemlerinin toplu taşımada etkinliği artırabileceğini ortaya koymakta ve benzer kent içi ulaşım sistemleri için uygulanabilir bir model sunmaktadır.
This study aims to improve operational efficiency in public transportation services to the Kanuni Campus of Karadeniz Technical University by restructuring trip planning based on passenger density. Currently, the lack of systematic analysis and classification of urban transportation data in Trabzon hinders effective service design. To address this issue, passenger boarding data were analyzed to optimize trip frequency and bus allocation in response to actual demand. The K-Means clustering algorithm was employed to segment time intervals dynamically according to boarding densities, particularly reflecting fluctuations around class hours. For each identified cluster, the required number of trips and buses was calculated. Unlike traditional fixed scheduling approaches, this method enables flexible and responsive planning by adapting time segments to the specific characteristics of each bus line and direction. The results show that the proposed clustering-based approach effectively reduces both the maximum and average number of buses needed while maintaining service quality. This flexible scheduling strategy enhances operational efficiency and offers a practical framework adaptable to other urban transit contexts.