RL-SBRP Metodolojisi ve Türkiye Taşımacılık Pazar Analizi

Türkiye Öğrenci ve Personel Taşımacılığı Pazar Verileri

Türkiye'de okul öncesinden ortaöğretime kadar taşınan öğrenci sayısı ve bunlara hizmet eden araç filosunun büyüklüğü, sektörün taşımacılık altyapısının ne denli kritik olduğunu ortaya koymaktadır. Personel taşımacılığı ise özellikle büyük şehirlerdeki sanayi bölgeleri ve organize sanayi bölgelerinde ayrı bir ekonomik ağırlık taşımaktadır.

SBRP: Matematiksel Tanım

School Bus Routing Problem (SBRP), öğrencilerin okula taşınması sürecinde; durak konumları, öğrenci-durak atamaları ve araç rotalarının eş zamanlı optimize edilmesini amaçlayan bir kombinatorik optimizasyon problemidir.

Formal tanım: G = (V, E) yönlendirilmemiş çizgesi üzerinde, S ⊂ V durak kümesi, P öğrenci kümesi ve K araç kümesi için; her öğrenci p ∈ P'nin yürüme mesafesi d_walk(p, s) ≤ d_max kısıtını sağlayan en yakın durağa s ∈ S atanması ve K araçlarının S durakları üzerindeki güzergahlarını belirleyerek toplam maliyet fonksiyonunu minimize etmesi problemidir.

SBRP NP-zor problem sınıfındadır. n durak için çözüm uzayı O(n!) büyüklüğündedir; n=50 için bu 3 × 10⁶⁴'ü aşar.

• Amaç fonksiyonu: min Σ(araç maliyetleri) + Σ(rota uzunlukları) + λ·Σ(ihlal cezaları)
• Kapasite kısıtı: Her araç k için yük q_k ≤ Q_k (araç kapasitesi)
• Yürüme kısıtı: d_walk(p, s_p) ≤ d_max (MEB'e göre 500 m veya 1000 m)
• Zaman kısıtı: Okula varış t_arrival ≤ t_school (okul başlangıç saati)
• İlçe kısıtı: Rota ilgili ilçe sınırları içinde kalmalıdır

RL-SBRP: Reinforcement Learning ile SBRP Çözümü

vitaRoute'un RL-SBRP çerçevesi, Markov Karar Süreci (MDP) formülasyonu üzerine inşa edilmiştir. Ajan, her adımda bir sonraki optimal kararı (durak seçimi, yolcu ataması, araç geçişi) öğrenir.

MDP bileşenleri: Durum uzayı S = {mevcut rota, atanmamış yolcular, araç konumları, kalan kapasite}; Eylem uzayı A = {sonraki durağı seç, rotayı kapat, başka araca geç}; Ödül fonksiyonu R = -Δdistance - λ_cap·capacity_violation - λ_walk·walk_violation + μ·occupancy_bonus.

• Model mimarisi: Transformer tabanlı politika ağı (Policy Network) + Değer ağı (Value Network)
• Eğitim ortamı: Türkiye OSM verisi üzerinde 50.000+ sanal senaryo
• Eğitim algoritması: Proximal Policy Optimization (PPO)
• Yerel arama entegrasyonu: 2-opt ve Or-opt iyileştirme post-processing
• Ortalama optimizasyon süresi: 1.000 yolcu için <10 sn (CPU), <2 sn (GPU)

Performans Karşılaştırması

RL-SBRP'nin standart benchmark problem setleri ve gerçek Türkiye veri kümeleri üzerindeki performansı klasik yöntemlerle kıyaslanmıştır.

Türkiye'ye Özgü Uyarlamalar

Standart SBRP formülasyonları, Türkiye'nin kendine özgü operasyonel ve yasal kısıtlarını tam olarak modellemez. vitaRoute'un RL-SBRP çerçevesi şu özgün bileşenleri içerir:

• OSM-Türkiye harita katmanı: Aylık güncellenen, Türkiye yol topolojisine optimize OSRM sunucusu
• İlçe kısıt modülü: Türkiye'nin 973 ilçesi için poligon tabanlı sınır kontrolü
• MEB parametre paketi: İlköğretim (500 m) ve ortaöğretim (1.000 m) yürüme mesafesi profilleri
• Dinamik yeniden optimizasyon: Δt < 3 saniyede anlık liste güncellemelerine uyum
• İki yönlü rota senkronizasyonu: Sabah ve akşam rotaları tutarlı durak kümesi kullanır
• Çok okul desteği: Aynı araç birden fazla okula hizmet edebilir (split rota)

TÜBİTAK Ar-Ge Desteği

vitaRoute'un RL-SBRP çerçevesinin araştırma ve geliştirme süreci, Türkiye Bilimsel ve Teknolojik Araştırma Kurumu (TÜBİTAK) tarafından Ar-Ge hibesi kapsamında desteklenmiştir. Bu destek, algoritmanın akademik temeline, bağımsız doğrulama süreçlerine ve Türkiye'nin gerçek operasyonel koşullarına yönelik validasyonuna olanak sağlamıştır.

Kaynak Gösterme

Bu sayfadan veya vitaRoute'un RL-SBRP teknolojisinden akademik çalışmalarınızda yararlanmak isteyenler için önerilen atıf formatı:

vitaRND (2025). RL-SBRP: Reinforcement Learning-Based School Bus Routing Problem Framework for Turkish Student and Personnel Transport. vitaRoute Research Summary. Retrieved from https://vitaroute.ai/tr/methodology