Kazanimlar:
- Ulaşım talebi, yolculuk üretimi ve trafik modelleme iş akışında AI'ın veri, senaryo ve raporlamadaki rolünü tanımlayabilme
- Trafik ve erişilebilirlik verisini AI ile analiz ederken varsayım, kalibrasyon ve doğrulama ihtiyacını gözetebilme
- Ulaşım modeli sonuçlarının resmî yöntem, saha sayımı ve yetkin ulaşım uzmanıyla doğrulanması gerektiğini kavrayabilme
Bir kentin nasıl hareket ettiği, nasıl planlandığının aynasıdır. İnsanlar nereden nereye, hangi saatte, hangi araçla gidiyor; bir yeni konut alanı hangi kavşağı tıkayacak; bir metro hattı nereye çekilmeli? Bu soruları ulaşım talebi modellemesi yanıtlar. Klasik yaklaşım dört aşamalı modeldir: yolculuk üretimi (her bölge kaç yolculuk üretir/çeker), dağılım (yolculuklar hangi bölgeler arasında), tür seçimi (araç/toplu taşıma/yaya) ve atama (yolculuklar hangi güzergâhı kullanır). AI, bu sürecin veri hazırlama, senaryo kurgulama, sonuç yorumlama ve raporlama aşamalarında güçlü bir yardımcıdır. Ama trafik modeli fiziksel bir sistemi temsil eder ve kalibrasyon (modeli gerçek saha sayımlarıyla eşleştirme) olmadan güvenilmez. AI atama hesabını kendisi yapmaz; kalibre edilmiş bir modelin çıktısını yorumlar. Nihai değerlendirme yetkin ulaşım uzmanınındır.
Dört aşamalı modelin mantığı
Yolculuk üretimi: Her trafik analiz bölgesi nüfus, iş, okul gibi verilere göre yolculuk üretir ve çeker. Konut alanı sabah yolculuk üretir, iş merkezi çeker.
Dağılım: Üretilen yolculuklar bölgeler arasında paylaşılır; genellikle yakın ve cazip bölgeler daha çok yolculuk alır (yerçekimi benzeri modeller).
Tür seçimi: Yolculuk özel araçla mı, otobüsle mi, yürüyerek mi yapılır? Maliyet, süre ve erişilebilirlik belirler.
Atama: Yolculuklar yol ağına dağıtılır; hangi güzergâh, hangi kavşak ne kadar yüklenir belli olur.
Bu zincirin her halkası veri ve varsayıma dayanır. AI, varsayımları düzenlemede ve senaryoları karşılaştırmada yardımcıdır ama zincirin sayısal çekirdeğini kalibre model üretir.
Dikkat: Kalibre edilmemiş bir trafik modeli, gerçekle ilgisi olmayan hacimler üretebilir. Bir kavşağın "sorunsuz" görünmesi, modelin gerçek sayımlarla eşleşmediği anlamına gelebilir. Model çıktısını kullanmadan önce kalibrasyon ve doğrulama durumunu her zaman sorgulayın.
Modern ulaşım planlamasında dört aşamalı modelin yanında yeni veri kaynakları giderek önem kazanıyor: cep telefonu hareket verisi (anonim konum sinyalleri), toplu taşıma kart verisi, navigasyon uygulamalarından gelen hız verisi. Bu kaynaklar geleneksel saha sayımına göre çok daha geniş ve sürekli bir resim sunar. AI, bu büyük ve dağınık veriyi temizlemede, örüntü çıkarmada ve modele girdi olacak biçime getirmede çok değerlidir. Ama bu veriler ciddi gizlilik riski taşır: bireysel hareket verisi anonim sanılsa bile birleştirildiğinde kişileri tanımlanabilir kılabilir. Bu yüzden konum verisi yalnızca uygun biçimde toplulaştırılmış (aggregate) ve anonimleştirilmiş olarak, ilgili gizlilik mevzuatına uygun kullanılmalıdır; ham bireysel iz asla dağıtılmamalıdır.
AI'ın uygun rolleri
- Veri düzenleme: Sayım, GTFS (toplu taşıma sefer verisi), OD (kaynak-hedef) matrisini temizleme ve tablolama.
- Senaryo kurgusu: "Yeni köprü", "otobüs hattı eklendi", "araç kısıtı" gibi senaryoları yapılandırma.
- Sonuç yorumu: Model çıktısındaki hacim, gecikme ve hizmet düzeyini sade dille özetleme.
- Erişilebilirlik analizi taslağı: "15 dakikalık şehir" gibi analizlerin kurgusu (yine gerçek ağ verisiyle).
- Raporlama: Bulguları paydaşa ve meclise anlatılır hale getirme.
Adım adım: AI destekli ulaşım analizi
- Soruyu tanımla. "Yeni konut alanı X kavşağını nasıl etkiler?"
- Veriyi topla. Saha sayımı, nüfus/iş verisi, ağ, toplu taşıma.
- Modeli/analizi seç. Dört aşama mı, basit erişilebilirlik mi?
- Kalibrasyonu doğrula. Model gerçek sayımlarla eşleşiyor mu?
- Senaryoları AI ile kur. Her senaryonun varsayımı açık.
- Sonucu yorumlat. AI ile özet, ama kararı uzmana bırak.
- Doğrula ve raporla. Kalibrasyon, varsayım ve belirsizliği yaz.
Zayıf prompt / Güçlü prompt
Zayıf prompt: "Bu kavşak tıkanır mı?"
AI ne veriyi ne modeli bilir; tahmin niteliğinde, dayanaksız bir yanıt verir.
Güçlü prompt: "Kalibre edilmiş bir ulaşım modelinin çıktısını yorumluyorum. Aşağıda X kavşağı için iki senaryonun (mevcut / yeni konut alanı sonrası) zirve saat hacim ve hizmet düzeyi (LOS) değerleri var. Bunları sade dille bir meclis notuna özetle. Modelin kalibre olduğunu ve saha sayımıyla doğrulandığını varsayıyorum; buna rağmen belirsizlik ve varsayımları (senaryo yılı, talep matrisi) açıkça belirt. Kendi hacim değeri üretme; sadece verdiğim çıktıyı yorumla. Veri: [...]"
İkinci prompt AI'ı yorumcu rolünde tutar; sayıyı model üretir, AI sadeleştirir.
Dört kopyalanabilir şablon
Görev: Aşağıdaki (kalibre model çıktısı olan) trafik sonuçlarını mecliseuygun sade bir notta özetle. Hizmet düzeyi, gecikme ve hacmi açıkla.Varsayımları (senaryo yılı, talep, kalibrasyon durumu) ve belirsizliğibelirt. Kendin sayı üretme. Çıktı: [...]
Görev: Aşağıdaki ulaşım senaryosunu yapılandır: amaç, değiştirilengirdi(ler), sabit tutulanlar, ölçülecek göstergeler (hacim, gecikme,erişilebilirlik). Karşılaştırma için hangi "temel senaryo" gerekir yaz.Senaryo fikri: [...]
Görev: Aşağıdaki trafik/ulaşım verisini kalite kontrolden geçir.Eksik, tutarsız veya güncelliğini yitirmiş noktaları listele. Sahasayımıyla kalibrasyon için hangi veriler gerekir belirt. Karar verme.Veri: [...]
Görev: Dört aşamalı model, kalibrasyon, hizmet düzeyi (LOS), OD matrisive erişilebilirlik terimlerini sade Türkçe ile bir sözlükte açıkla.Neden her birinin gerçek veriye ihtiyaç duyduğunu bir cümleyle vurgula.
Bir tablo: analiz türü ve doğrulama
Analiz
Ne verir
AI'ın rolü
Kritik doğrulama
Dört aşamalı model
Ağ hacimleri
Senaryo + yorum
Saha sayımı kalibrasyonu
Erişilebilirlik (15 dk)
Yakınlık/kapsama
Kurgu + rapor
Ağ ve süre verisi güncelliği
Kavşak analizi
Gecikme, LOS
Sonuç özeti
Gerçek sayım + uzman
Toplu taşıma kapsama
Hat/durak erişimi
Veri düzenleme
GTFS güncelliği
Yaya/bisiklet
Güvenlik, süreklilik
Envanter taslağı
Saha gözlemi
Üç mini vaka
Vaka 1 — Kalibrasyonsuz güven. Bir ekip, bir modelin çıktısını AI'a özetletir ve "kavşak rahat" sonucunu meclise sunar. Sonra saha sayımı yapılır; model gerçek trafiğin yarısını hesaplamıştır çünkü OD matrisi eskidir. Kalibrasyon doğrulanmadığı için yanlış bir güven oluşmuştur. Ders: çıktıyı yorumlamadan önce kalibrasyonu sorgula.
Vaka 2 — Net senaryo. Bir plancı, "yeni otobüs hattı" senaryosunu AI ile yapılandırır: neyi değiştirdiği (hat + sefer), neyi sabit tuttuğu (nüfus, diğer hatlar), neyi ölçtüğü (erişilebilirlik, yolculuk süresi) açıktır. Model bu net senaryoyu çalıştırır ve sonuç yorumlanabilir olur. İyi yapılandırılmış senaryo, iyi analizin yarısıdır.
Vaka 3 — Erişilebilirlik önyargısı. Bir "15 dakikalık şehir" analizinde AI, yalnızca özel araç süresini kullanır ve merkez mahalleleri "erişilebilir" gösterir. Plancı, yaya ve toplu taşıma süresini de ekleyince, otomobili olmayan hanelerin gerçekte çok daha kötü erişime sahip olduğu ortaya çıkar. Hangi ulaşım türünü ölçtüğünüz, kimin sesini duyduğunuzu belirler.
Sık yapılan hatalar
- Kalibrasyonu atlamak. Saha sayımıyla doğrulanmamış model çıktısı güvenilmez.
- AI'a sayı ürettirmek. Hacim ve gecikme kalibre modelden gelir, AI'dan değil.
- Temel senaryo tanımlamamak. Karşılaştırma için bir "mevcut durum" şart.
- Tek ulaşım türüne bakmak. Sadece araç süresi, arabasız hanelere haksızlıktır.
- Varsayımları gizlemek. Senaryo yılı ve talep varsayımı açık olmalı.
- Erişilebilirliği yoğunlukla karıştırmak. Yakınlık farklı, kapasite farklı şeydir.
Özetle
Ulaşım ve trafik modellemesi, dört aşamalı zincirle (üretim, dağılım, tür seçimi, atama) kentin hareketini temsil eder. AI, veri düzenleme, senaryo kurgusu, sonuç yorumu ve raporlamada güçlü bir yardımcıdır; ama sayısal çekirdeği kalibre model üretir, AI değil. Kalibrasyon (saha sayımıyla eşleştirme) olmadan hiçbir çıktıya güvenilmez. Senaryolar net yapılandırılmalı, bir temel senaryoyla karşılaştırılmalı ve tüm ulaşım türleri (yaya, toplu taşıma, araç) dikkate alınmalıdır. Nihai değerlendirme yetkin ulaşım uzmanınındır.
Uygulama görevi
Bir ulaşım sorusu seçin (örneğin yeni bir konut alanının bir kavşağa etkisi). (1) İkinci şablonla senaryoyu yapılandırın: ne değişiyor, ne sabit, ne ölçülüyor, temel senaryo ne? (2) Üçüncü şablonla mevcut verinizi kalite kontrolden geçirin ve kalibrasyon için eksik veriyi listeleyin. (3) İlk şablonla varsayımsal bir model çıktısını meclis notuna özetletin ve belirsizlik ifadesini kontrol edin. (4) Hangi türde (yaya/toplu taşıma/araç) erişilebilirliğe bakmanız gerektiğini gerekçesiyle yazın.
Kontrol listesi
- [ ] Model çıktısını kullanmadan önce kalibrasyon durumunu sorguladım.
- [ ] Hacim/gecikme sayılarını kalibre modelden aldım, AI'dan değil.
- [ ] Senaryoyu net yapılandırdım ve bir temel senaryoyla karşılaştırdım.
- [ ] Yaya, toplu taşıma ve araç türlerini birlikte değerlendirdim.
- [ ] Varsayımları (senaryo yılı, talep matrisi) açıkça belirttim.
- [ ] Nihai değerlendirmeyi yetkin ulaşım uzmanına bıraktım.
- [ ] Kalibrasyon ve belirsizliği rapora yazdım.