Küçük zaman–yaş dinamik fonksiyonel bölgelere dayalı kişisel seyahat amacı çıkarımı

Gezileriniz düşündüğünüzden daha önemli nedenlerle

Her gün milyonlarca seyahat, akıllı telefonlar ve toplu taşıma sistemleri tarafından sessizce kaydedilir; insanların nereye hareket ettiğini gösterir ancak nedenini söylemez. İşe mi gidiyorlar, eve mi dönüyorlar, arkadaşlarla mı buluşuyorlar yoksa alışveriş mi yapıyorlar? Bu çalışma, şehir mahallelerinin zaman içinde ve yaş grupları arasında değişen karakterini dikkatle okuyarak, anonim hareket verilerinin büyük yığınlarından bu görünmez “nedenlerin” nasıl çıkarılabileceğini gösteriyor. Sonuç, şehirlerin pahalı anketler yapmadan daha adil ve verimli ulaşım sistemleri planlamasına yardımcı olabilecek güçlü bir araçtır.

Bir haritadaki noktalardan gerçek hayat etkinliklerine

Modern şehirler, cep telefonları, toplu taşıma akıllı kartları ve GPS izleri gibi kaynaklardan büyük miktarda konum verisi toplar. Bu kayıtlar, başlangıçlar ve varışlar hakkında ayrıntı sunar ama neredeyse hiç seyahat amacını içermez. Geleneksel olarak araştırmacılar, neden seyahat edildiğini raporlayan hanehalkı seyahat anketlerine dayanarak bu daha büyük veri kümelerine uygulanabilecek kurallar veya makine öğrenimi modelleri geliştirdiler. Ancak önceki çalışmaların çoğu, her varış yerinin kullanımını statik olarak ele aldı: bir yer, günün hangi saati olduğu veya kimlerin ziyaret ettiği dikkate alınmadan basitçe “konut”, “iş” veya “alışveriş” olarak etiketleniyordu.

Mahallelerin gün içindeki değişimini yakalamak

Yazarlar, şehir alanlarının saatlere ve yaş gruplarına göre çok farklı davrandığını savunuyor. Bir üniversite yakınındaki bir bölge sabahları ağırlıklı olarak öğrencilere, öğle saatlerinde ofis çalışanlarına ve geceleri yemek yiyenlere veya eğlenceye gidenlere hizmet edebilir. Parklar, okullar, kiliseler ve ofisler de farklı zamanlarda farklı yaş gruplarını çeker. Bunu yakalamak için çalışma, Seul’deki her küçük idari bölge için “dinamik zaman–yaş fonksiyonel bölgeleri” oluşturuyor. Ekip, evler, işyerleri, okullar, mağazalar, sağlık tesisleri ve eğlence alanları gibi 770.000’den fazla ilgi noktası kaydını, Yelp Açık Veri Kümesi’nden gelen check-in verileri ve Kore’nin ulusal hanehalkı ve bireysel seyahat anketlerindeki yaş desenleriyle birleştiriyor. Günü altı zaman dilimine ve nüfusu dört yaş grubuna ayırıyorlar, ardından her tür mekâna, genellikle ne zaman ve kimler tarafından ziyaret edildiğine bağlı olarak farklı ağırlıklar atıyorlar. Bu, her mahallenin farklı koşullarda ne için kullanıldığına dair zaman–yaş duyarlı bir profil yaratıyor.

Makinelere insanların neden seyahat ettiklerini tahmin etmeyi öğretmek

Bu dinamik fonksiyonel bölgeleri ana girdiler olarak kullanarak ve yolcunun yaşı, cinsiyeti, seyahat zamanı, mesafesi ve toplu taşıma erişimi gibi bilgileri de ekleyerek araştırmacılar, seyahat amacını çıkarmak için iki tür model eğitiyor: bir extreme gradient boosting (XGBoost) modeli ve bir long short-term memory (LSTM) sinir ağı. Her ikisi de bilinen amaçları içeren yaklaşık 401.000 anket seyahati üzerinde beş geniş kategoriye gruplanmış şekilde eğitiliyor: eve gitme, işe gitme, eğitim, alışveriş veya yemek ve diğer nedenler. Testlerde XGBoost, sinir ağına kıyasla biraz daha iyi performans göstererek seyahat amaçlarını yaklaşık %84 doğrulukla tanımlarken, sinir ağının doğruluğu %78 oluyor. Yazarlar zaman–yaş dinamiklerini çıkarıp yalnızca statik mahalle işlevlerini kullandıklarında doğruluk en fazla 3 puan düşüyor; bu da yerlerin değişen karakterinin modellerin insanların neden hareket ettiğini görmesine gerçekten yardımcı olduğunu doğruluyor.

Yöntemi gerçek telefon verilerine uygulamak

Ekip ardından eğittikleri modelleri anonimleştirilmiş cep telefonu sinyallerinden oluşturulmuş Seul’e ait devasa bir “günlük yaşam hareketi” veri kümesine uyguluyor. Bu veri kümesi milyonlarca seyahati kapsıyor ancak başlangıçları ve varışları yalnızca ev, iş veya “başka yer” olarak kabaca etiketliyor; açık amaç bilgisi yok. Modeller, bir aylık süre içinde neredeyse dört milyon seyahatin amacını çıkarıyor. Seyahatlerin yarısından fazlası evle ilişkili ve yaklaşık üçte biri işe ilişkin olarak sınıflandırılıyor; eğitim ve alışveriş/yiyecek için daha küçük paylar var. Hareket etiketlerinin net olduğu durumlarda—örneğin evden işe veya işten eve—çıkarılan amaçlar telefon verilerinden türetilen türlerle sırasıyla yaklaşık %68 ve %74 oranında uyuşuyor. Zaman ve yaşa göre görülen desenler de mantıklı: sabah erken ve öğleden sonra geç saatlerdeki seyahatler işe gidip gelmeye yöneliyor, ergenlerin seyahatleri sıklıkla eğitim amaçlı oluyor ve akşam yolculukları eve dönme eğiliminde.

Günlük seyahat için anlamı

Basitçe söylemek gerekirse bu çalışma, mahallelerin ne sunduğuna dair ayrıntılı haritaları, bu yerlerin ne zaman ve kimler tarafından kullanıldığını gösteren bilgilerle birleştirerek, insanlar anket sorusuna hiç yanıt vermeseler bile çoğu seyahatin arkasındaki nedenleri güvenilir biçimde tahmin edebileceğimizi gösteriyor. Bu, mevcut telefon ve toplu taşıma verilerini kullanarak işe gidip gelme, okul taşımaları, alışveriş ve eğlence seyahatlerini inceleme imkânı sağlıyor. Planlamacılar örneğin geceleyin iş bölgelerinden yoğun konut alanlarına giden seyahatlerin daha fazla otobüs gerektirdiğini veya okul ilişkili hareketlerin daha güvenli yürüme ve bisiklet yollarını işaret ettiğini tespit edebilir. Yöntem nadir veya karışık amaçlı seyahatlerde hâlâ zorlanıyor olsa da, anonim hareket izlerini şehrin nasıl ve neden hareket edildiğine dair anlamlı hikâyelere dönüştürmenin pratik bir yolunu gösteriyor.

Atıf: Lee, J., Park, S. Personal trip purpose inference based on dynamic time–age functional zones. Sci Rep 16, 14608 (2026). https://doi.org/10.1038/s41598-026-45683-y

Anahtar kelimeler: seyahat amacı, kentsel hareketlilik, fonksiyonel bölgeler, ulaşım planlaması, mobil telefon verileri