ARAÇ ROTALAMA PROBLEMİNDE GPS VERİLERİNİN YAPAY ZEKA ALGORİTMALARI İLE ANALİZİ
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Atatürk Üniversitesi, Mühendislik Fakültesi, Bilgisayar Mühendisliği, Türkiye
Tezin Onay Tarihi: 2025
Tezin Dili: Türkçe
Öğrenci: EBRU ERDEM
Asıl Danışman (Eş Danışmanlı Tezler İçin): Tolga Aydın
Eş Danışman: Burak Erkayman
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Amaç: İstanbul'da faaliyet gösteren bir dağıtım şirketinin operasyonel verilerini kullanarak Çok Depolu Araç Rotalama Problemi (ÇDARP) için yapay zekâ (AI) tabanlı rota optimizasyon çözümleri geliştirmektir. GPS ve sevkiyat verilerinin entegrasyonu ile veri odaklı ve uyarlanabilir çözümler hedeflenmiştir. Yöntem: İki ana veri kaynağı kullanılmıştır: Şirketin sevkiyat kayıtlarını içeren Micro V15 veri seti ve araçların konum, hız vb. bilgilerini kapsayan Mobiliz GPS verileridir. 4 Boyutlu (4B) dönüşümler ile mekânsal ilişkiler analiz edilmiştir. Bu yöntem sınırlı avantajlar sunduğundan, ilerleyen aşamalarda 1B veriler kullanılmıştır. Rota optimizasyonu için meta-sezgisel algoritmalar uygulanmıştır. Bu algoritmaların başarımını artırmak amacıyla makine öğrenimi (ML) destekli başlangıç çözümleri geliştirilmiştir. Smld, tarihsel GPS verilerine dayanan güçlü başlangıç çözümleri sunmakta ve meta-sezgisel algoritmaların verimli çalışmasına katkı sağlamaktadır. Ayrıca, Graf Sinir Ağı (GNN), Genişleyen Ağ Yapılarıyla Nöroevrimsel Öğrenme (NEAT), Modelden Bağımsız Meta-Öğrenme (MAML) vb. modeller ile hibrit yapılar oluşturulmuştur. Bulgular: Smld yöntemi, meta-sezgisel algoritmaların başlangıç koşullarını iyileştirerek çözüm kalitesini artırmıştır. GPS tabanlı zaman-mesafe matrisleri, Açık Kaynak Rotalama Motoru (OSRM) API temelli matrislere göre daha güvenilir sonuçlar vermiştir. Dikkat Tabanlı Balçık Küf algoritması (DTBKA), hem yüksek doğruluk hem de güçlü genelleme yeteneği sergilemiştir. Dikkat tabanlı model stabil çözümler üretme başarısıyla öne çıkmıştır. Liste Tabanlı Zamanlama–Transformer (LST-Former) modeli, hata metrikleri açısından iyi performans göstermiştir. MAML tabanlı model, değişken müşteri taleplerine karşı hızlı adaptasyon sağlamış. NEAT ise daha hafif yapıları sayesinde operasyonel uygulanabilirliği artırmıştır. Sonuç: AI tabanlı modeller, ÇDARP için dinamik, veriye dayalı ve ölçeklenebilir çözümler sunmuştur. ML destekli başlangıç çözümleri, hibrit modellerin başarımını artırmış; düşük maliyetli, yüksek doğruluklu ve donanım uyumlu sonuçlar vermiştir. Klasik yöntemlerin ötesine geçen, pratikte uygulanabilir ve ileri düzeyde optimize edilmiş AI tabanlı çözümler ortaya konulmuştur.