Tek Değişkenli ve Çok Değişkenli Zaman Serisi Modelleriyle Elektromobilite Alanında Tahminleme

Abstract

Bu çalışma, gelecekteki eğilimleri tahmin etmek için bir ildeki elektrikli bisiklet kullanımını zaman serisi modelleri ile analiz etmektedir. Sürdürülebilir ulaşımın önemli bir unsuru olan elektrikli bisikletler, kentsel hareketliliği artırmakta ve trafik sıkışıklığını azaltmaktadır. Etkili talep tahmini, bisiklet paylaşım sistemlerinin operasyonel planlaması ve yönetiminde merkezi bir rol oynamaktadır. Bu çalışmada, 14 farklı bölgeden toplanan elektrikli bisiklet kullanım verisi ve meteorolojik veriler kullanılarak hem tek değişkenli hem de çok değişkenli zaman serisi modelleri geliştirilmiştir. Tahminler ilk olarak yalnızca tek değişkenli zaman serisi modelleri (ARIMA, Prophet, SSA) ile bisiklet kullanım verileri kullanılarak yapılmıştır. Daha sonra, çok değişkenli yaklaşımlar (SARIMAX, Çok Değişkenli Prophet, MSSA) ortalama sıcaklık, toplam yağış ve ortalama rüzgâr hızı gibi meteorolojik faktörleri modele dahil etmiştir. Veri seti, talep üzerindeki çevresel etkileri yakalamak için bisiklet kullanım kayıtlarını meteorolojik değişkenlerle birleştirmiştir. Model performansı Kök Ortalama Kare Hatası (RMSE) ve Ortalama Mutlak Hata (MAE) metrikleri kullanılarak değerlendirilmiştir. Sonuçlar, doğrulukta bölgesel farklılıklar göstermiştir. ARIMA modeli, dört bölgede tek değişkenli modeller arasında en iyi performansı gösterirken, SARIMAX ve Çok Değişkenli Prophet çoğu bölgede üstün tahminler üretmiştir. MSSA modeli, 13 bölgede sürekli olarak SSA'yı geride bırakarak çok değişkenli yaklaşımların üstünlüğünü ortaya koymuştur. Genel olarak, bulgular hava durumu verilerinin entegre edilmesinin tahmin hassasiyetini önemli ölçüde artırdığını ve daha iyi operasyonel stratejileri desteklediğini göstermektedir. Bu sonuçlar, bisiklet paylaşım hizmetlerinin ve şehir içi ulaşım planlamasının optimize edilmesine katkıda bulunarak, daha verimli kaynak kullanımı ve daha yüksek kullanıcı memnuniyeti sağlamaktadır.

This study analyzes e-bike usage in a province using time-series models to predict future trends. E-bikes, a key element of sustainable transportation, increase urban mobility and reduce traffic congestion. Effective demand forecasting plays a central role in the operational planning and management of bike-sharing systems. In this study, both univariate and multivariate time-series models were developed using e-bike usage data and meteorological data collected from 14 different regions. Forecasts were initially made using bicycle usage data only with univariate time-series models (ARIMA, Prophet, SSA). Later, multivariate approaches (SARIMAX, Multivariate Prophet, MSSA) incorporated meteorological factors such as mean temperature, total precipitation, and mean wind speed into the model. The dataset combined bicycle usage records with meteorological variables to capture the environmental influences on demand. Model performance was evaluated using Root Mean Square Error (RMSE) and Mean Absolute Error (MAE) metrics. The results showed regional differences in accuracy. The ARIMA model performed best among univariate models in four regions, while SARIMAX and Multivariate Prophet produced superior forecasts in most regions. The MSSA model consistently outperformed SSA in 13 regions, demonstrating the superiority of multivariate approaches. Overall, the findings indicate that integrating weather data significantly increases forecast accuracy and supports better operational strategies. These results contribute to optimizing bike-sharing services and urban transportation planning, leading to more efficient resource utilization and higher user satisfaction.