Monte Carlo Ağaç Araması (Monte Carlo Tree Search, MCTS), çok sayıda olası karar dizisi arasından yüksek değerli çözümleri belirlemek amacıyla arama ağacı, istatistiksel değerlendirme ve rastlantısal simülasyon kullanan bir optimizasyon algoritmasıdır. Bu araştırma, MCTS yöntemini elektrikli araç şarj istasyonlarının kent içerisindeki yerleşimini planlamak için kullanmaktadır. Kolombiya'nın Bogotá kentindeki coğrafi, sosyoekonomik ve hareketlilik verileri birlikte değerlendirilerek şarj altyapısının yalnız yüksek talep bulunan bölgelerde yoğunlaşmasını önlemeye ve erişim eksikliği bulunan bölgeleri de dikkate almaya yönelik hesaplamalı bir karar destek modeli geliştirilmiştir.
Araştırmanın temel problemi, elektrikli araç şarj istasyonlarının yalnız nüfus yoğunluğuna veya beklenen ekonomik talebe göre yerleştirilmesinin, farklı gelir düzeylerine ve ulaşım koşullarına sahip kentsel bölgeler arasında altyapı eşitsizliği oluşturabilmesidir. Bu nedenle çalışma, potansiyel elektrikli araç talebi ile bölgesel hareketlilik ihtiyacını aynı optimizasyon yapısına dahil etmektedir.
Modelde Bogotá'daki mevcut 37 şarj istasyonu başlangıç altyapısını temsil etmektedir. Mevcut istasyonların erişim bölgeleri Manhattan uzaklığına dayanan Voronoi bölümlemesiyle incelenmiş, yeni istasyon adayları ise OpenStreetMap üzerindeki otoparklar, sağlık kuruluşları, üniversiteler, ticaret merkezleri ve benzeri kentsel kullanım noktalarından belirlenmiştir.
Önerilen yöntem, yeni şarj istasyonlarının konumlandırılmasını birbirinden bağımsız kararlar olarak değil, bir istasyonun yerinin sonraki seçimlerin değerini etkilediği ardışık bir karar problemi olarak ele almaktadır. MCTS algoritması seçim, genişletme, simülasyon ve geri yayılım aşamalarını tekrarlayarak çok sayıdaki olası istasyon kombinasyonunu araştırmaktadır.
Çalışmanın Bogotá uygulamasında 200 şarj istasyonuna ilişkin hesaplamalı yerleşim sonucu elde edilmiştir. Model çıktısında kuzeydoğu ulaşım koridoru ve genişletilmiş kent merkezinde daha yoğun bir dağılım, daha geniş erişim bölgelerine sahip çevresel alanlarda ise erişim açığını azaltmaya yönelik ek konumlar görülmektedir.
Araştırma, sosyoekonomik talep ve hareketlilik ihtiyacını birlikte kullanan MCTS yaklaşımının karmaşık kentsel şarj altyapısı planlaması için kullanılabilecek esnek bir karar destek yöntemi sunduğunu göstermektedir. Ancak bulunan konumlar doğrudan kurulmuş tesisleri temsil etmez. Çalışmanın modeli statiktir; elektrikli araç talebinin zaman içindeki gelişimini, elektrik dağıtım şebekesinin kapasite kısıtlarını ve gerçek yol ağının bütün operasyonel ayrıntılarını kapsamamaktadır. Ayrıca MCTS, matematiksel olarak küresel optimuma ulaşmayı garanti eden bir yöntem değildir.
Elektrikli araç şarj altyapısında temel planlama problemi
Bir kentte elektrikli araçların yaygınlaşması yalnız otomobil sayısının artmasıyla ilgili değildir. Araçların nerede ve ne zaman şarj edilebileceği, şarj istasyonlarına erişimin ne kadar kolay olduğu ve altyapının farklı bölgeler arasında nasıl dağıldığı da elektrikli hareketlilik sisteminin işleyişini etkiler.
Bir şarj istasyonunun yüksek araç trafiğine sahip bir bölgeye kurulması potansiyel kullanım bakımından avantajlı olabilir. Ancak yeni istasyonların sürekli olarak zaten gelişmiş altyapıya sahip bölgelerde toplanması, başka bölgelerdeki erişim eksikliklerinin sürmesine yol açabilir.
Araştırma bu durumu iki farklı planlama hedefi üzerinden ele almaktadır:
- Ekonomik verimlilik: Elektrikli araç kullanım potansiyelinin yüksek olduğu, dolayısıyla şarj hizmetine talebin daha güçlü olabileceği bölgelerin değerlendirilmesi.
- Bölgesel hakkaniyet: Hareketlilik koşullarının daha zayıf olduğu ve mevcut altyapı erişiminde eksikliklerin görüldüğü bölgelerin göz önünde bulundurulması.
Bu iki hedef her zaman aynı konumları işaret etmez. Beklenen talebin en yüksek olduğu bölge, yeni altyapıya en fazla ihtiyaç duyan bölge olmayabilir.
Heterojen kent ne anlama gelir?
Kentsel heterojenlik, bir kentte nüfusun, gelir düzeylerinin, ulaşım olanaklarının, işlevsel faaliyetlerin ve altyapı hizmetlerinin mekânsal olarak eşit dağılmamasını ifade eder.
Bogotá araştırmada yüksek sosyo-mekânsal heterojenliğe sahip bir örnek olarak kullanılmıştır. Kentin farklı bölgelerinde sosyoekonomik düzey, araç sahipliği ve hareketlilik koşulları bakımından önemli farklılıklar bulunmaktadır.
Bu nedenle şarj istasyonu yerleşimini yalnız kent genelinde eşit aralıklarla istasyon kurmak şeklinde düşünmek yeterli değildir. Aynı uzaklığa sahip iki bölgenin erişim ihtiyacı ve beklenen kullanım potansiyeli birbirinden farklı olabilir.
Çalışmanın literatürde ele aldığı yöntemler
Araştırma şarj istasyonu konumlandırılması için daha önce kullanılan yöntemleri dört genel grupta ele almaktadır.
| Yöntem | Temel yaklaşım | Araştırmadaki konumu |
|---|---|---|
| p-median ve MCLP | Tesislerin talep noktalarına göre yerleştirilmesi ve kapsamanın artırılması. | Klasik konum–tahsis yaklaşımları. |
| Karma Tamsayılı Doğrusal Programlama (MILP) | Belirli matematiksel amaç ve kısıtların kesin programlama biçiminde ifade edilmesi. | Kesin optimizasyon yaklaşımları. |
| Genetik Algoritmalar ve Parçacık Sürü Optimizasyonu (PSO) | Sezgisel ve popülasyon tabanlı çözüm arama yöntemleri. | Meta-sezgisel yaklaşımlar. |
| Monte Carlo Ağaç Araması (MCTS) | Olası karar dizilerinin ağaç üzerinden istatistiksel olarak araştırılması. | Bu araştırmada geliştirilen hesaplamalı yaklaşımın merkezidir. |
Çalışma, klasik konumlandırma yöntemlerinin küçük veya sadeleştirilmiş problemlerde yararlı olabileceğini; ancak çok sayıda konum ve birbiriyle etkileşen kentsel değişken bulunduğunda çözüm uzayının büyüdüğünü belirtmektedir.
MCTS yönteminin tercih edilmesindeki temel gerekçe, bütün olası istasyon kombinasyonlarını tek tek hesaplamadan arama uzayının umut vadeden bölümlerinin araştırılabilmesidir.
Kombinatoryal çözüm uzayı neden büyür?
Bir kentte çok sayıda aday şarj istasyonu konumu bulunduğunu düşünelim. Planlama kararı, bu adayların arasından belirli sayıda konumu seçmeyi gerektirir.
Bir istasyonun seçilmesi diğer adayların sağlayacağı ek erişim kazancını değiştirebilir. Çünkü yeni bir istasyon kurulduğunda çevresindeki bazı noktaların en yakın istasyona olan uzaklığı azalır.
Bu nedenle birinci istasyon için iyi görünen konum, daha sonra başka istasyonların eklendiği bir yapı içerisinde aynı derecede avantajlı olmayabilir.
Problem, istasyon seçimiyle birlikte yeniden şekillenen bir mekânsal optimizasyon problemidir.
Monte Carlo Ağaç Araması Şarj İstasyonlarını Nasıl Seçer?
Monte Carlo Ağaç Araması, olası istasyon yerleşimlerini kısmi karar kümeleri halinde bir arama ağacına yerleştirir. Algoritma önce daha önce yüksek ödül üretmiş dalları ve yeterince araştırılmamış dalları dengeli biçimde değerlendirir, ardından yeni aday konum ekler, tamamlanmış bir yerleşim için simülasyon yürütür ve elde edilen ödülü önceki düğümlere geri aktarır. Böylece sonraki seçimler önceki denemelerin istatistiklerinden yararlanır.
MCTS algoritmasının dört aşaması
Seçim (Selection): Algoritma mevcut arama ağacında hangi dalın araştırılacağını seçer. Seçimde daha yüksek ortalama ödül sağlayan düğümler ile az ziyaret edilmiş düğümler arasında denge kurulur.
Genişletme (Expansion): Seçilen kısmi yerleşim yapılandırmasına henüz seçilmemiş yeni bir aday şarj istasyonu konumu eklenir.
Simülasyon (Simulation / Rollout): Tamamlanmamış yerleşim, hedeflenen istasyon sayısına ulaşıncaya kadar kalan aday konumlardan seçim yapılarak tamamlanır. Ortaya çıkan yerleşimin ödülü hesaplanır.
Geri yayılım (Backpropagation): Simülasyonda hesaplanan ödül, arama ağacındaki ilgili önceki düğümlere aktarılır. Böylece her düğümün ziyaret ve ortalama ödül istatistikleri güncellenir.
Arama ağacında bir düğüm neyi temsil eder?
MCTS arama ağacının kök düğümü henüz hiçbir yeni istasyonun seçilmediği boş yerleşim durumunu temsil eder.
Her yeni seçimle mevcut aday kümesine bir istasyon konumu eklenir. Böylece ağacın derinliği arttıkça kısmi yerleşim daha fazla istasyondan oluşur.
Çalışmanın kullandığı kısmi durum gösterimi:
\[ S_t=\{c_{i_1},\ldots,c_{i_t}\} \]
Burada \(S_t\), t adet aday konum içeren kısmi çözümdür. \(c_{i_k}\), seçilmiş bir istasyon adayını temsil eder. t değeri seçilmiş konum sayısıdır.
Kök düğümde seçilmiş yeni istasyon bulunmaz. Tamamlanmış çözümde ise hedeflenen K adet istasyon seçilmiştir.
UCT seçim kriteri
Kaynak çalışmanın (2) ve (10) numaralı denklemlerinde MCTS düğüm seçimi için kullanılan Upper Confidence Bound for Trees (UCT) kriteri açıklanmaktadır.
\[ UCT=\overline{R}_i+c\sqrt{\frac{\ln N}{n_i}} \]
Bu denklemde:
- \(\overline{R}_i\): i düğümünden geçen simülasyonlarda elde edilen ortalama ödüldür.
- \(N\): Üst düğümün toplam ziyaret sayısıdır.
- \(n_i\): i düğümünün ziyaret sayısıdır.
- \(c\): Keşif ve yararlanma arasındaki dengeyi kontrol eden sabittir.
- \(\ln N\): Üst düğüm ziyaret sayısının doğal logaritmasıdır.
Birinci terim: \(\overline{R}_i\), daha önce iyi sonuç üretmiş seçeneklerden yararlanmayı temsil eder. Ortalama ödül yükseldikçe diğer koşullar sabitken düğümün seçilme eğilimi artar.
İkinci terim: \(c\sqrt{\ln N/n_i}\), daha az ziyaret edilmiş düğümlerin araştırılmasını destekler. Diğer değişkenler sabit tutulduğunda \(n_i\) büyüdükçe bu keşif katkısı küçülür.
Keşif sabiti c büyütüldüğünde daha az araştırılmış dalların seçilmesi daha fazla teşvik edilir. c küçültüldüğünde yüksek ortalama ödüllü dallardan yararlanma ön plana çıkar.
UCT değeri bir fiziksel büyüklük değildir. Arama ağacındaki seçeneklerin seçilme önceliğini belirleyen matematiksel bir puandır.
Kaynak, bu çalışma için c sabitinin kesin sayısal değerini açıkça raporlamamaktadır. Denklem \(n_i=0\) durumunda doğrudan hesaplanamaz; ziyaret edilmemiş düğümlerin nasıl başlatıldığına ilişkin ayrıntılı özel uygulama kuralı da raporlanmadığından bu boşluk varsayımla doldurulmamıştır.
Keşif ve yararlanma neden birlikte gereklidir?
Algoritma yalnız geçmişte en yüksek ödül veren dalları seçerse, daha önce yeterince incelenmemiş ancak daha iyi sonuç üretebilecek alternatifleri kaçırabilir.
Tersine, yalnız yeni dalları araştırırsa daha önce yararlı olduğu görülen konum yapılandırmalarından yeterince yararlanamayabilir.
UCT bu iki davranış arasında istatistiksel bir seçim dengesi kurmak için kullanılır. Ancak bu mekanizma tek başına küresel optimumun kesin olarak bulunduğunu kanıtlamaz.
Simülasyon aşamasında adaylar nasıl seçilir?
Kaynak Bölüm 2.4.3'e göre simülasyon aşamasında, tamamlanmamış yerleşime eklenecek kalan konumlar eşit olasılıkla ve yerine koymadan örneklenmektedir.
\[ P(c\ \mathrm{selected})=\frac{1}{|\mathrm{remaining}|} \]
Burada \(|\mathrm{remaining}|\), henüz seçilmemiş uygun aday konumların sayısıdır.
Eşit olasılıklı seçim, bu aşamada bütün kalan adayların aynı seçilme olasılığına sahip olduğu anlamına gelir. Yerine koymadan seçim yapılması ise bir konumun aynı yerleşim içerisinde yeniden seçilmemesini sağlar.
Kaynakta bu aşamayla ilgili önemli bir ayrım vardır: Sosyoekonomik talep ve hareketlilik göstergeleri simülasyon sırasındaki eşit olasılıklı örneklemeyi doğrudan değiştirmez. Bu göstergeler tamamlanan yerleşimin ödül fonksiyonu aracılığıyla değerlendirilmesinde kullanılır.
Voronoi Diyagramı Şarj İstasyonu Planlamasında Nasıl Kullanılır?
Voronoi diyagramı, bir çalışma alanını mevcut tesislere olan yakınlığa göre bölgelere ayıran geometrik bir yöntemdir. Bu araştırmada mevcut şarj istasyonları başlangıç noktaları olarak kullanılarak her konumun hangi istasyona daha yakın olduğu değerlendirilmiş ve istasyonların yaklaşık hizmet alanları belirlenmiştir. Uzaklık ölçütü olarak düz çizgi mesafesi yerine Manhattan (L1) uzaklığı seçilmiştir.
Mevcut istasyonların etki bölgeleri
Kaynak araştırmada Bogotá'daki 37 mevcut şarj istasyonu Voronoi bölümlemesinin merkez noktalarını oluşturmaktadır.
Bir istasyonun Voronoi bölgesi, çalışmada kullanılan uzaklık ölçütüne göre o istasyona diğer mevcut istasyonlardan daha yakın olan konumların kümesidir.
Kaynak Denklem (1):
\[ V_i=\left\{x\in\mathbb{R}^{2}\ \middle|\ d_{L_1}(x,e_i)\leq d_{L_1}(x,e_j),\ \forall j\neq i\right\} \]
Burada:
- \(V_i\): i numaralı mevcut şarj istasyonunun Voronoi bölgesidir.
- \(x\): İncelenen iki boyutlu mekânsal noktadır.
- \(\mathbb{R}^{2}\): İki boyutlu koordinat düzlemidir.
- \(e_i\): i numaralı mevcut istasyon konumudur.
- \(e_j\): i dışındaki diğer istasyon konumlarıdır.
- \(d_{L_1}\): Manhattan uzaklığıdır.
Denklemdeki eşitsizlik, x noktasının i numaralı istasyona uzaklığının diğer istasyonlara uzaklığından büyük olmadığını ifade eder.
Eşit uzaklıktaki sınır noktaları matematiksel tanımda birden fazla bölgeye ait olabileceğinden, kaynakta geçen benzersiz atama ifadesi pratik bölümlendirmede eşitliklerin yönetilmesini gerektirir. Kaynak ayrı bir sınır çözüm algoritması bildirmemektedir.
Manhattan uzaklığı ile Öklid uzaklığı arasındaki fark
Öklid uzaklığı, iki koordinat noktası arasındaki doğrudan geometrik uzaklığı temsil eder.
Manhattan uzaklığı ise iki nokta arasındaki koordinat eksenlerine paralel hareketlerin toplamına dayanır.
Kaynağın kullandığı L1 metriğinin iki boyutlu Kartezyen koordinatlardaki temel gösterimi:
\[ d_{L_1}(a,b)=|x_a-x_b|+|y_a-y_b| \]
Bu denklem, kaynakta kullanılan uzaklık metriğinin öğretici matematiksel açılımıdır; araştırmada yapılan ayrı bir ölçüm değildir.
Burada x ve y koordinat farkları aynı uzunluk biriminde olmalıdır. Koordinat sistemi metre tabanlıysa Manhattan uzaklığının birimi de metredir.
Kaynak bu metriği Bogotá'nın ızgara benzeri kentsel yol yapısında araç hareketini düz çizgi uzaklığından daha uygun biçimde yaklaşık temsil etmek amacıyla seçmiştir.
Ancak Manhattan uzaklığı gerçek yol ağındaki tek yönlü yolları, kavşak kısıtlarını, eğimleri, trafik sıkışıklığını ve seyahat süresini kendiliğinden hesaplamaz. Bu nedenle gerçek sürüş süresiyle eşdeğer değildir.
Voronoi bölgelerinin büyüklüğü neyi gösterir?
Araştırmada geniş Voronoi bölgeleri, mevcut istasyonların seyrek olduğu ve belirli tesislerin daha geniş coğrafi alanlara hizmet etmek zorunda kaldığı bölgelerin göstergesi olarak yorumlanmaktadır.
Daha küçük ve kompakt bölgeler ise mevcut altyapının daha yoğun olduğu alanlarla ilişkilendirilmektedir.
Burada Voronoi bölgesinin yüzölçümü doğrudan ölçülmüş elektrikli araç talebi değildir. Araştırmacılar bu geometrik büyüklüğü altyapı yoğunluğu ve olası erişim açığı için vekil gösterge olarak kullanmaktadır.
Vekil gösterge (proxy indicator), doğrudan ölçülmesi zor veya mevcut veriyle belirlenemeyen bir özelliği temsil etmek amacıyla kullanılan dolaylı değişkendir.
Voronoi alanından sosyoekonomik bilgi çıkarılması
Voronoi bölgeleri oluşturulduktan sonra her bölgeyle ilişkili sosyoekonomik düzey, hareketlilik göstergeleri ve diğer mekânsal değişkenler bir araya getirilmektedir.
Bu işlemler sonucunda her aday konumun yalnız fiziksel uzaklık bakımından değil, bulunduğu bölgenin yapısal özellikleri bakımından da değerlendirilmesi mümkün hale gelmektedir.
Güç yasası ilişkisi
Kaynak Denklem (7):
\[ A(p)\sim w_{\mathrm{dem}}(p)^{-\alpha} \]
Burada:
- \(A(p)\): İlgili konumun Voronoi kapsama alanıdır; alan birimi kullanılan koordinat sistemine bağlıdır.
- \(w_{\mathrm{dem}}(p)\): Normalize edilmiş sosyoekonomik talep ağırlığıdır.
- \(\alpha\): Sıfırdan büyük kabul edilen kuvvet yasası üssüdür.
- \(\sim\): Kaynak bağlamında ölçekleme ilişkisini ifade eder; her noktada kesin eşitlik iddiası değildir.
Negatif üs, diğer koşullar altında talep ağırlığının artmasıyla kapsama alanının küçülmesi yönündeki ilişkiyi ifade etmektedir.
Bu, yüksek gelirli bölgelerde mevcut istasyonların daha yoğun olmasıyla ilişkilendirilen gözlemsel eğilimin matematiksel açıklamasıdır.
Denklemde kullanılan \(\alpha\) üssünün kesin sayısal tahmini kaynakta belirtilmemiştir. Ayrıca talep ağırlığının sıfır olması halinde negatif kuvvetin matematiksel olarak doğrudan değerlendirilmesi mümkün değildir. Bu sınır durumunun uygulamada nasıl düzenlendiği ayrıntılı biçimde raporlanmamıştır.
Gözlenen ölçekleme ilişkisi gelir düzeyinin tek başına istasyon yoğunluğunu nedensel olarak belirlediğinin kanıtı değildir.
Sosyoekonomik düzey ile talep arasındaki ilişki
Kolombiya'da kullanılan sosyoekonomik sınıflandırma altı düzeyden oluşmaktadır. Kaynakta birinci düzey en düşük, altıncı düzey ise en yüksek sosyoekonomik seviyeyi temsil etmektedir.
Bu sistem araştırmanın modelinde elektrikli araçların benimsenme potansiyelini temsil eden bir değişken olarak kullanılmıştır.
Kaynak Denklem (6):
\[ w_{\mathrm{dem}}(p)=\frac{\operatorname{level}(p)-1}{5} \]
Burada \(\operatorname{level}(p)\) ilgili konumun 1 ile 6 arasındaki sosyoekonomik düzeyidir.
Formül, altı düzeyi sıfır ile bir arasındaki boyutsuz ağırlıklara dönüştürmektedir.
| Sosyoekonomik düzey | Talep ağırlığı |
|---|---|
| 1 | 0,0 |
| 2 | 0,2 |
| 3 | 0,4 |
| 4 | 0,6 |
| 5 | 0,8 |
| 6 | 1,0 |
Bu değerler doğrudan formülden hesaplanır. Gerçek elektrikli araç sahipliği oranlarını veya gelecekte kesin olarak gerçekleşecek talebi göstermez.
Model, sosyoekonomik düzey yükseldikçe potansiyel elektrikli araç talebinin artabileceğini varsaymaktadır. Bu ilişki kaynakta Bogotá'nın pazar yapısı ve mevcut altyapı örüntüleriyle gerekçelendirilmektedir.
Hareketlilik indeksi
Hareketlilik İndeksi (Mobility Index, MI), kentsel bölgelerin ulaşım koşullarını ve yapısal hareketlilik özelliklerini temsil etmek için kullanılan bileşik bir göstergedir.
Kaynak, indeksin oluşturulmasında ulaşım erişimi, motorlaşma, seyahat süreleri, toplu taşımayla bağlantılı göstergeler ve hareketlilik bakımından dezavantajlı gruplarla ilişkili değişkenlerin dikkate alındığını açıklamaktadır.
Temel Bileşenler Analizi (Principal Component Analysis, PCA), birbiriyle ilişkili birden fazla değişkenden verideki baskın değişim örüntülerini temsil eden daha az sayıda bileşen elde etmek için kullanılan istatistiksel bir yöntemdir.
Kaynak hareketlilik indeksinin bu tür bir çok değişkenli yaklaşıma dayandığını belirtmektedir. Ancak bu araştırmanın metninde hareketlilik indeksine ait bütün PCA yükleri ve ayrıntılı bileşen katsayıları yeniden verilmemektedir. Bu nedenle indeksin kaynakta bulunmayan sayısal bileşenleri üretilmemiştir.
Hareketlilik indeksinin normalizasyonu
Kaynak Denklem (8):
\[ I_{M\mathrm{norm}}(p)= \frac{MI(p)-MI_{\min}}{MI_{\max}-MI_{\min}} \]
Bu denklem, hareketlilik indeksini gözlenen en küçük ve en büyük değerler arasında normalize eder.
Burada:
- \(MI(p)\): İncelenen konumdaki hareketlilik indeksidir.
- \(MI_{\min}\): Veri kümesindeki en küçük hareketlilik indeksidir.
- \(MI_{\max}\): Veri kümesindeki en büyük hareketlilik indeksidir.
- \(I_{M\mathrm{norm}}(p)\): Sıfır ile bir arasında elde edilen normalize edilmiş indekstir.
Pay, ilgili noktanın indeksinin en küçük değerden ne kadar yüksek olduğunu gösterir. Payda, bütün gözlemler arasındaki indeks aralığını temsil eder.
Normalizasyon sonrasında elde edilen değer boyutsuzdur. Denklem, en büyük ve en küçük indeks değerlerinin farklı olduğu durumda tanımlıdır. Kaynak, eşit olmaları halinde kullanılacak ayrı bir işlem belirtmemiştir.
Hareketlilik ihtiyacının hesaplanması
Kaynak Denklem (9):
\[ w_{\mathrm{need}}(p)=1-I_{M\mathrm{norm}}(p) \]
Bu denklem hareketlilik indeksini tersine çevirerek bir ihtiyaç ağırlığı oluşturur.
Kaynağın varsayımına göre daha yüksek hareketlilik indeksi daha elverişli hareketlilik koşullarıyla ilişkilidir. Bu nedenle indeksin tersine çevrilmesi, daha düşük hareketlilik indeksine sahip bölgelerin ihtiyaç ağırlığının yükselmesini sağlar.
Örneğin normalize edilmiş hareketlilik indeksi matematiksel olarak 0,8 olan bir noktanın ihtiyaç ağırlığı 0,2 olur. Normalize edilmiş indeks 0,2 olduğunda ihtiyaç ağırlığı 0,8 olur.
Bu iki değer yöntemin çalışma mantığını açıklayan hesap örnekleridir; Bogotá'daki belirli noktaların ölçülmüş indeksleri olarak sunulmamaktadır.
Ekonomik talep ile bölgesel ihtiyacın birlikte değerlendirilmesi
Modelin önemli özelliği, yalnız ekonomik talebe veya yalnız hareketlilik ihtiyacına göre karar vermemesidir.
Bu iki bileşen bir ağırlık fonksiyonunda birleştirilmektedir. Böylece algoritma, hem beklenen kullanım potansiyeli hem de bölgesel hareketlilik ihtiyacı açısından değerlendirilen aday yerleşimlere odaklanmaktadır.
Ancak sosyoekonomik talebin sıfır olabildiği bu formülasyon, talep ağırlığının çarpımsal yapıda baskılayıcı etkisini de beraberinde getirir. Bu durumun sosyal hakkaniyet açısından etkisi, modelin yorumlanmasında dikkate alınmalıdır.
Çok ölçütlü ödül fonksiyonu
Çalışmanın optimizasyon problemi, aday kümeden K adet istasyon seçilerek toplam ödülün en büyük yapılması biçiminde tanımlanmaktadır.
Kaynak Denklem (3):
\[ \max_{\substack{S\subseteq C'\\|S|=K}}R(S) \]
Burada \(C'\), uygun aday konumlar kümesidir. \(S\) bu kümeden seçilen yeni istasyon konumlarını, K ise kurulması planlanan yeni istasyon sayısını temsil eder.
Ödül fonksiyonunun kaynak Denklem (4)'teki ifadesi:
\[ R(S)=\sum_{p\in P}W(p)\Delta d(p,S) -\lambda_1P_{\mathrm{new}}(S) -\lambda_2P_{\mathrm{exist}}(S) \]
Bu formülde:
- \(P\): İnceleme alanının ayrıklaştırılmasıyla elde edilen değerlendirme noktaları kümesidir.
- \(W(p)\): p noktasındaki sosyoekonomik talep ve hareketlilik ihtiyacından elde edilen bileşik ağırlıktır.
- \(\Delta d(p,S)\): Yeni istasyonlar eklendiğinde p noktasının en yakın istasyona olan Manhattan uzaklığındaki iyileşmedir.
- \(P_{\mathrm{new}}(S)\): Yeni seçilen istasyonların birbirine aşırı yakın yerleştirilmesini caydıran ceza bileşenidir.
- \(P_{\mathrm{exist}}(S)\): Yeni istasyonların mevcut altyapıyla gereksiz mekânsal tekrar oluşturmasını caydıran ceza bileşenidir.
- \(\lambda_1,\lambda_2\): İki ceza bileşeninin ödül üzerindeki etkisini belirleyen katsayılardır.
Formülün ilk kısmı, her değerlendirme noktasında sağlanan uzaklık iyileşmesini ilgili noktanın ağırlığıyla çarpar ve bütün değerlendirme noktaları üzerinden toplar.
İkinci ve üçüncü kısımlar, yeni istasyonların kendi aralarında veya mevcut istasyonlara göre gereğinden fazla kümelenmesini caydırır.
Dolayısıyla ödülün yüksek olması yalnız erişim uzaklığının azalmasına değil, seçilen konumların mekânsal yerleşim düzenine de bağlıdır.
Kaynak, \(\Delta d\) değerini L1 uzaklığındaki azalma olarak tanımlamaktadır. Uzaklık metre cinsinden hesaplanıyorsa bu terimin birimi metredir; normalize edilmiş ağırlık \(W(p)\) boyutsuzdur. Ancak ceza fonksiyonlarının tam analitik biçimleri ve sayısal katsayıları yeterli ayrıntıda açıklanmadığından toplam ödülün nihai birimi bu metinden kesinleştirilemez.
Bileşik ağırlık fonksiyonu
Kaynak Denklem (5):
\[ W(p)=w_{\mathrm{dem}}(p)^{\alpha} \cdot w_{\mathrm{need}}(p)^{\beta} \]
Bu ifade talep ve hareketlilik ihtiyacı ağırlıklarını çarpımsal olarak birleştirmektedir.
\(\alpha\) ve \(\beta\), iki bileşenin göreli matematiksel etkisini düzenleyen üs parametreleridir.
Çarpımsal yapı, iki göstergeden birinin çok düşük olması durumunda diğer gösterge yüksek olsa bile birleşik ağırlığın sınırlanmasını sağlayabilir.
Kaynağın temel savı, bu yapının yalnız tek bir ölçütte güçlü görünen adayları seçmek yerine birden fazla kent ölçütünü aynı anda karşılayan konumların değerlendirilmesine yardımcı olduğudur.
Ancak bu matematiksel özellik sosyal açıdan otomatik adalet garantisi değildir. Özellikle \(w_{\mathrm{dem}}=0\) olan bir bölgede \(\alpha>0\) seçilirse birleşik ağırlık sıfır olur. Dolayısıyla düşük sosyoekonomik düzeyli bölgelerin nasıl destekleneceği diğer ödül bileşenlerine, cezalara ve seçilen parametrelere bağlıdır.
Kaynak, \(\alpha\), \(\beta\), \(\lambda_1\) ve \(\lambda_2\) için tekrarlanabilir hesaplamaya izin veren tam bir sayısal parametre tablosu vermemektedir. Bu parametrelerin sayısal değerleri uydurulmamıştır.
Ceza terimlerinin görevi
Bir kentsel bölgede yüksek talep bulunması, bütün yeni istasyonların aynı küçük alana yerleştirilmesini her zaman uygun hale getirmez.
\(P_{\mathrm{new}}(S)\) bileşeni yeni istasyonların birbirine aşırı yakın olmasını, \(P_{\mathrm{exist}}(S)\) ise mevcut istasyonlarla gereksiz örtüşmeyi caydırmak üzere kullanılmıştır.
Ancak kaynak bu ceza fonksiyonlarının tam matematiksel alt ifadelerini, uzaklık eşiklerini ve katsayılarını ayrı denklemler halinde sunmamaktadır. Dolayısıyla cezaların hangi sayısal uzaklıktan itibaren hangi büyüklüğe ulaştığı kesin olarak hesaplanamaz.
Çalışmanın bütün yöntem akışı
Kaynak Şekil 2'de dört temel aşamadan oluşan hesaplamalı iş akışı tanımlanmaktadır.
| Aşama | Girdi ve işlem | Çıktı |
|---|---|---|
| 1. Veri toplama ve ön işleme | Yol ağı, sosyoekonomik veriler, mevcut istasyonlar, hareketlilik göstergeleri ve kullanım noktaları birleştirilir. | Ortak mekânsal veri yapısı. |
| 2. Ödül fonksiyonunun kurulması | Erişilebilirlik, talep, hareketlilik ihtiyacı ve mekânsal cezalar bütünleştirilir. | Yerleşim değerlendirme fonksiyonu. |
| 3. MCTS optimizasyonu | Seçim, genişletme, simülasyon ve geri yayılım döngüsü yürütülür. | Değerlendirilen yerleşim seçenekleri. |
| 4. Çıktı oluşturma | Hesaplama bütçesi sona erdiğinde yüksek ödüllü yerleşim seçilir. | Önerilen şarj istasyonu konumları. |
Bu süreç tek bir istasyonun koordinatını bulmak için değil, belirli sayıda istasyonun birlikte oluşturduğu mekânsal yapılandırmayı seçmek için kullanılmaktadır.
Çalışmanın Yöntemi ve Bulguları
Araştırmanın uygulama alanı ve veri kaynakları
Araştırmanın uygulama alanı Kolombiya'nın Bogotá kentidir. Veriler coğrafi ve idari olarak bir araya getirilirken Bogotá'nın Bölgesel Planlama Birimleri (Unidades de Planeamiento Zonal, UPZ) ara mekânsal planlama ölçeği olarak kullanılmıştır.
UPZ birimleri sosyoekonomik durum, altyapı ve hareketlilik göstergelerinin ortak coğrafi sınırlar altında değerlendirilmesine olanak sağlamaktadır.
| Değişken | Sembol | Tür | Veri kaynağı |
|---|---|---|---|
| Sosyoekonomik düzey | SS | Demografik | District Planning Secretariat |
| Hanehalkı | HN | Demografik | DANE |
| Otomobiller | Aut | Hareketlilik | Bogotá Cómo Vamos |
| Hareketlilik indeksi | IM | Hareketlilik | Observatorio de Movilidad de Bogotá |
| Otoparklar | Par | Altyapı | OpenStreetMap |
| Sağlık merkezleri | HC | Altyapı | OpenStreetMap |
| Üniversiteler | Uni | Altyapı | OpenStreetMap |
| Akaryakıt istasyonları | FS | Altyapı | OpenStreetMap |
| Ticaret merkezleri | CC | Altyapı | OpenStreetMap / Open Data |
| Süpermarketler | Sup | Altyapı | OpenStreetMap / Open Data |
| Parklar | Park | Altyapı | OpenStreetMap / Open Data |
DEM, MOV ve INFR kısaltmaları sırasıyla demografik, hareketlilik ve altyapı değişkenlerini belirtmektedir. Tablo değişkenlerin araştırmadaki işlevlerini gösterir; her değişkenin ödül fonksiyonuna ayrı bir matematiksel katsayıyla doğrudan eklendiği anlamına gelmez.
Önceki çalışmaların kullanılan bulguları
Araştırmacılar Bogotá'nın mevcut hareketlilik yapısını gerekçelendirmek amacıyla daha önce yayımlanmış mekânsal analiz sonuçlarından yararlanmıştır.
Kaynakta aktarılan önceki mekânsal otokorelasyon çalışmasında Moran's I = 0,656 değeri raporlanmıştır.
Moran's I, coğrafi olarak komşu gözlemlerin birbirlerine ne ölçüde benzer değerler taşıdığını incelemek amacıyla kullanılan mekânsal otokorelasyon göstergesidir.
Pozitif Moran's I değeri, benzer özelliklerin mekânda kümelenmesi yönündeki ilişkiyle uyumludur. Ancak bu istatistik tek başına kümelenmenin hangi mekanizma nedeniyle oluştuğunu kanıtlamaz.
Önemli kaynak ayrımı: 0,656 değeri bu makalenin MCTS algoritmasının başarı puanı değildir. Araştırmacıların atıf yaptığı önceki Bogotá hareketlilik karakterizasyonunun sonucudur.
Önceki araştırmada sosyoekonomik düzey ve hanehalkı otomobil sahipliğinin hareketlilik koşullarıyla önemli ölçüde ilişkili olduğu bildirilmiştir. Bu ilişkiler mevcut çalışmada talep değişkeninin modele dahil edilmesini gerekçelendirmektedir.
Coğrafi verilerin hazırlanması
Kaynakta coğrafi işlemlerin QGIS 4.0 kullanılarak gerçekleştirildiği bildirilmektedir.
Farklı veri kaynakları ortak bir koordinat referans sistemine dönüştürülmüş; mekânsal birleştirme ve bölgesel istatistik işlemleriyle Voronoi bölgelerine ilgili değişkenler atanmıştır.
Kaynak koordinat sistemini “SIRGAS-Hormonal” biçiminde adlandırmaktadır. Bu ifade kesin bir EPSG kodu veya ayrıntılı projeksiyon parametresiyle birlikte verilmediği için burada alternatif bir koordinat sistemi adıyla sessizce değiştirilmemiştir.
Bu eksiklik, yöntemin aynı koordinat dönüşümleriyle birebir yeniden yürütülmesi bakımından önemlidir.
Yazılım ortamı
Çalışmada hesaplamalı optimizasyonun Python 3.12.13 kullanılarak geliştirildiği belirtilmektedir.
| Yazılım | Sürüm | Görev |
|---|---|---|
| QGIS | 4.0 | Coğrafi veri işleme ve mekânsal analiz |
| Python | 3.12.13 | MCTS algoritmasının uygulanması |
| NumPy | 2.0.2 | Sayısal hesaplama |
| Pandas | 2.2.2 | Veri yönetimi |
| Matplotlib | 3.10.0 | Sonuçların görselleştirilmesi |
Algoritmanın sıfırdan geliştirildiği ve hesaplama verimliliğini desteklemek için vektörleştirilmiş veri yapılarından yararlanıldığı açıklanmaktadır.
Ancak kaynak, deneylerin yürütüldüğü işlemci veya GPU modelini, toplam çalışma süresini, rastgele sayı üretimi tohumunu, MCTS iterasyon bütçesini ve bütün parametrelerin kesin sayısal yapılandırmasını açık bir deney tablosu halinde bildirmemektedir.
Dolayısıyla yalnız makaledeki açıklamalardan hareketle sonuçların bit düzeyinde birebir tekrar üretileceği garanti edilemez.
Aday şarj istasyonu konumlarının oluşturulması
Yeni istasyonlar için aday konumlar OpenStreetMap verilerinden, Overpass API kullanılarak elde edilmiştir.
Kaynakta örneklenen etiketler arasında aşağıdakiler yer almaktadır:
amenity=parking— otoparklar.amenity=hospital— hastane ve sağlık kuruluşları.amenity=university— üniversiteler.shop=mall— alışveriş merkezleri.
Bu tür yerler araçların belirli bir süre park halinde kalabildiği veya yoğun ulaşım hareketinin gerçekleşebildiği kentsel faaliyet noktaları olarak değerlendirilmiştir.
Bu aşamada belirlenen noktalar doğrudan kurulmuş şarj istasyonları değildir. Bunlar algoritmanın seçebileceği aday konumları oluşturmaktadır.
Mevcut altyapının mekânsal karakterizasyonu
Kaynak Şekil 3, Bogotá'nın yol ağının geometrik yapısını göstermektedir. Izgara benzeri yol düzeni, Manhattan uzaklığının seçilmesine ilişkin yöntemsel gerekçeyi oluşturmaktadır.
Kaynak Şekil 4 ise mevcut 37 şarj istasyonunun merkez alındığı Voronoi bölgelerini göstermektedir. Haritadaki bölgeler, istasyonların yaklaşık mekânsal etki alanlarını temsil etmektedir.
Araştırma, daha düşük sosyoekonomik düzeyde bulunan bölgelerde Voronoi alanlarının genellikle daha büyük ve daha dağınık olduğunu; yüksek sosyoekonomik düzeyli bölgelerde ise daha küçük ve kompakt olduğunu bildirmektedir.
Bu gözlem mevcut istasyonların daha yüksek ekonomik talep beklenen bölgelerde yoğunlaşma eğilimi gösterdiği yorumunu desteklemektedir.
Voronoi kapsama alanının dağılımı
Kaynak Şekil 5 iki farklı gösterim içermektedir.
İlk panelde sosyoekonomik düzeylere göre Voronoi alanlarının dağılımı doğrusal ölçekte kutu grafikleriyle gösterilmiştir.
İkinci panelde Voronoi alanları logaritmik ölçekte gösterilerek değişkenler arasındaki yaklaşık doğrusal eğilim incelenmiştir.
Kutu grafiği (box plot), bir veri grubunun ortanca değerini, yayılımını ve olası aykırı gözlemlerini göstermeye yarayan istatistiksel grafik türüdür.
Kutunun içindeki yatay çizgi ortanca değeri, kutunun sınırları dağılımın orta bölümünü, dış işaretler ise kullanılan gösterim kuralına göre ana dağılımdan ayrılan değerleri temsil eder.
Kaynakta düşük sosyoekonomik düzeylerde daha geniş ve değişken Voronoi alanları, yüksek sosyoekonomik düzeylerde ise daha dar kapsama alanları görülmektedir.
Logaritmik grafikteki yaklaşık doğrusal eğilim, önce açıklanan güç yasası ilişkisine yönelik görsel kanıt olarak yorumlanmaktadır.
Ancak kaynakta bütün bireysel Voronoi alanlarının koordinat ve sayısal değerleri ayrı bir ham veri tablosu halinde bulunmadığından kutu grafiği için yeni kesin ortanca, çeyreklik veya regresyon katsayıları hesaplanmamıştır.
Hareketlilik indeksi bulguları
Kaynak Şekil 6'da hareketlilik indeksinin sosyoekonomik düzeylere göre dağılımı gösterilmektedir.
Genel eğilim daha yüksek sosyoekonomik düzeylerin daha elverişli hareketlilik göstergeleriyle ilişkilendiği yönündedir.
Ancak kutu grafiklerinin dağılımı, aynı sosyoekonomik düzeyde bulunan bütün bölgelerin birbirleriyle aynı hareketlilik koşullarına sahip olmadığını da göstermektedir.
Kaynağın ilgili metninde “MI = 0.146 × 10^−0.06” ifadesi yer almaktadır. Bu ifade yazıldığı biçimiyle sosyoekonomik düzey değişkenini içermemektedir. Dolayısıyla metindeki artan doğrusal eğilimi hesaplayan eksiksiz bir regresyon fonksiyonu olarak yorumlanamaz.
Bu nedenle çalışmanın görselde desteklenen nitel artış eğilimi aktarılmış, ancak doğrulanamayan bir bağımsız değişken veya eğim katsayısı eklenmemiştir.
Aykırı gözlemler neden korunmuştur?
Kaynak, bazı Voronoi ve hareketlilik verilerinde aykırı değerler bulunduğunu belirtmektedir.
Bu aykırı değerlerin tümü ölçüm hatası olarak değerlendirilmemiştir. Avenida El Dorado koridoru ve Calle 100 düğümü, olağandışı yoğunluk ve ulaşım hareketi nedeniyle farklı davranış gösterebilen kentsel noktalar arasında anılmıştır.
Araştırmacılar teknik veri hatalarını ayıklarken gerçek kentsel farklılıkları temsil eden aykırı gözlemleri koruduklarını bildirmektedir.
Bu tercih önemlidir; çünkü gerçek yüksek yoğunluklu ulaşım noktalarının sırf istatistiksel olarak alışılmadık göründükleri için çıkarılması modelin kentsel yapıyı temsil etmesini zayıflatabilir.
Aday konumların mekânsal dağılımı
Kaynak Şekil 7, OpenStreetMap üzerinden belirlenen aday şarj istasyonu konumlarının Bogotá içerisindeki dağılımını göstermektedir.
Haritada aday konumlar nokta işaretleriyle, mevcut istasyonların Voronoi bölge sınırları ise çizgilerle belirtilmektedir.
Merkezi kent bölgelerinde aday konumların daha yoğun, çevresel bölgelerde ise daha seyrek olduğu bildirilmiştir.
Bu dağılım, aday konumların kent içerisinde eşit yoğunlukta olmadığını göstermektedir. Ancak aday sayısının fazla olması bütün adayların teknik olarak kuruluma uygun olduğu anlamına gelmez.
200 şarj istasyonunun hesaplamalı yerleşim sonucu
Kaynak Şekil 8, MCTS algoritması sonucunda seçilen 200 şarj istasyonu konumunu göstermektedir.
Kaynak şeklin açıklamasında kırmızı noktalar modelin seçtiği konumları, yeşil noktalar adayları ve mavi çizgiler mevcut altyapının Voronoi bölgelerini temsil etmektedir.
Model çıktısında kuzeydoğu koridoru ve genişletilmiş kent merkezinde daha yüksek istasyon yoğunluğu görülmektedir.
Çevresel bölgelerde ise mevcut istasyonların daha geniş erişim alanlarına sahip olması nedeniyle erişilebilirlik açıklarını azaltacak ek konumlar seçilmiştir.
Bu mekânsal sonuç, modelin yüksek talep alanlarını dikkate alırken mevcut altyapının seyrek olduğu bölgeleri de değerlendirebildiğini göstermektedir.
Ancak kaynakta sonuç için tam istasyon koordinat tablosu, yeni bir elektrik şebekesi yük akışı doğrulaması veya gerçek kullanıma alınmış 200 istasyondan elde edilmiş performans verisi sunulmamaktadır.
Dolayısıyla bu yerleşim, hesaplamalı modelin ürettiği önerilen konumlandırma olarak değerlendirilmelidir.
Modelin ölçeklenebilirliği
Çalışma MCTS yönteminin önemli avantajlarından birinin büyük kombinatoryal çözüm uzaylarının tamamının taranmasını gerektirmemesi olduğunu vurgulamaktadır.
Algoritma, daha fazla hesaplama bütçesi sağlandığında arama ağacını geliştirmeye devam edebilen bir yapı sunar.
Bu özellik literatürde anytime algoritma yaklaşımıyla ilişkilidir. Anytime algoritmalar, hesaplamayı erken sonlandırmak gerektiğinde de bir mevcut çözüm sağlayabilir ve ek hesaplamayla çözümü iyileştirmeyi amaçlar.
Ancak hesaplama süresinin artmasıyla çözümün her çalıştırmada kesin olarak iyileşeceği veya küresel optimuma ulaşılacağı garanti edilmez.
Diğer optimizasyon yöntemleriyle karşılaştırma
Araştırmacılar MCTS yaklaşımının, klasik açgözlü seçim veya kümeleme tabanlı yaklaşımlardan farklı olarak yerleşim kararlarını ardışık ve birbirine bağlı biçimde ele almasını bir avantaj olarak tartışmaktadır.
Genetik Algoritmalar ve Parçacık Sürü Optimizasyonu gibi popülasyon tabanlı yöntemlerden farklı olarak MCTS, ağaç yapısı üzerinde UCT seçim ilkesinden yararlanmaktadır.
Bu karşılaştırmalar ağırlıklı olarak yöntemlerin matematiksel ve algoritmik özellikleri üzerinden yapılmıştır.
Kaynakta, bütün alternatif algoritmalar için aynı veri ve hesaplama bütçesi altında yürütülmüş ayrıntılı bir performans karşılaştırma tablosu bulunmamaktadır. Bu nedenle MCTS'nin ilgili yöntemlerden belirli bir yüzde daha hızlı veya daha başarılı olduğu yönünde sayısal bir sonuç üretilemez.
Modelin statik yapısı
Çalışmanın kendisinin belirttiği önemli sınırlılıklardan biri modelin statik olmasıdır.
Statik model, seçilen veri dönemindeki kentsel koşulları esas alarak bir yerleşim önerisi oluşturur.
Elektrikli araç sayısı, şarj talebi, nüfus dağılımı, ulaşım alışkanlıkları ve kentteki yeni gelişim alanları zaman içerisinde değişebilir.
Kaynak model, bu değişimlerin tamamını zaman boyunca aşamalı olarak öngören dinamik bir optimizasyon sistemi değildir.
Elektrik şebekesi açısından kapsam sınırı
Elektrikli araç şarj istasyonlarının kurulumu, yalnız mekânsal erişime bağlı değildir. Gerçek uygulamada elektrik dağıtım şebekesinin kapasitesi ve bağlantı koşulları da değerlendirilmelidir.
Kaynak çalışmanın sonuç bölümünde elektrik şebekesi kapasitesi ve ulaşım ağı kısıtlarının gelecekte modele dahil edilebilecek geliştirmeler arasında bulunduğu belirtilmektedir.
Dolayısıyla mevcut modelin seçtiği bir aday konumun elektriksel bağlantı bakımından hemen uygulanabilir olduğu sonucuna varılamaz.
Modelin desteklediği sonuçlar
- Bogotá'da mevcut şarj altyapısının mekânsal dağılımı sosyoekonomik özelliklerle ilişkilidir.
- Mevcut istasyonların Voronoi kapsama alanları sosyoekonomik düzeylere göre farklılaşmaktadır.
- Manhattan uzaklığına dayanan Voronoi bölümlemesi, mevcut altyapının yaklaşık erişim bölgelerini belirlemek için kullanılabilmektedir.
- MCTS algoritması, aday şarj istasyonlarının ardışık seçimlerini çok ölçütlü ödül fonksiyonuyla değerlendirebilmektedir.
- Önerilen modelin hesaplamalı çıktısı, yüksek potansiyel talep alanları ile erişim eksikliği bulunan bölgeler arasında mekânsal bir denge oluşturmayı amaçlamaktadır.
- Bogotá uygulamasında 200 istasyon konumu içeren bir hesaplamalı yerleşim sonucu gösterilmiştir.
Çalışmanın desteklemediği genellemeler
Çalışma, MCTS yönteminin bütün kentlerde veya bütün veri koşullarında en iyi algoritma olduğunu matematiksel olarak kanıtlamamaktadır.
Modelde belirlenen 200 konumun tamamının gerçek dünyada kuruluma uygun, ekonomik olarak kârlı veya elektrik şebekesi açısından yeterli olduğu gösterilmemiştir.
Kaynak ayrıca önerilen altyapı dağılımının tüm gelir gruplarında ölçülmüş sosyal hakkaniyet artışı sağladığına ilişkin bir saha değerlendirmesi sunmamaktadır.
Ödül fonksiyonu üzerinden optimize edilen erişilebilirlik, gerçek sürüş süresi, şarj için bekleme süresi, istasyon doluluk oranı veya elektriksel hizmet sürekliliğiyle eşdeğer değildir.
Yöntemsel sınırlılıklar ve gelecekteki çalışmalar
Araştırmacılar yöntemin gelecekte geliştirilmesi için elektrikli araç talebinin zamanla değişiminin, ulaşım ağına ait ayrıntılı kısıtların ve elektrik dağıtım şebekesi kapasitesinin hesaba katılmasını önermektedir.
Bunun yanı sıra gerçek saha verileriyle uzun dönem performans doğrulaması, farklı kentlerde uygulanabilirliğin araştırılması ve modelin ödül fonksiyonundaki parametrelerin etkisinin incelenmesi sonraki uygulamalar açısından anlamlı değerlendirme alanlarıdır. Bu son noktalar çalışma kapsamında tamamlanmış yeni deneyler olarak sunulmamaktadır.
Genel bilimsel değerlendirme
Bu araştırmanın ana katkısı, elektrikli araç şarj istasyonu planlamasını yalnız konumsal yakınlık problemi olmaktan çıkararak sosyoekonomik talep, hareketlilik koşulları ve mekânsal erişilebilirliği birlikte ele alan hesaplamalı bir optimizasyon çerçevesi geliştirmesidir.
MCTS, bu çerçevenin çözüm arama motorunu oluştururken Voronoi bölümlemesi mevcut altyapının coğrafi hizmet bölgelerini temsil etmekte; sosyoekonomik talep ve hareketlilik ihtiyacı ise çözümün değerlendirilmesine katkı sağlamaktadır.
Çalışma, özellikle birbirinden farklı kentsel koşullara sahip büyük metropollerde altyapı planlamasına yönelik karar destek yöntemlerinin geliştirilmesine katkı sunmaktadır. Bununla birlikte uygulama kararlarının gerçek talep, elektrik şebekesi ve yerel operasyon koşullarıyla ayrıca doğrulanması gerekmektedir.
Kaynak ve Yöntem Notu
Özgün başlık: Spatial Optimization of Electric Vehicle Charging Infrastructure in Highly Heterogeneous Cities: A Monte Carlo Tree Search Approach Integrating Socioeconomic and Mobility Indicators
Yazarlar: Diego Julian Rodriguez Patarroyo, Jaime Francisco Pantoja Benavides, Frank Nixon Giraldo Ramos.
Kurum: Facultad de Ingeniería, Universidad Distrital Francisco José de Caldas, Bogotá 110311, Colombia.
Sorumlu yazar: Frank Nixon Giraldo Ramos (fngiraldor@udistrital.edu.co).
Eşit katkı: Kaynakta eşit katkı veya eş birinci yazarlık bildirimi yer almamaktadır.
Dergi: Urban Science.
Yayıncı: MDPI.
Cilt / sayı / makale numarası: 10 / 6 / 316.
DOI: 10.3390/urbansci10060316.
Gönderim tarihi: 10 Nisan 2026.
Revizyon tarihi: 24 Mayıs 2026.
Kabul tarihi: 26 Mayıs 2026.
Yayın tarihi: 4 Haziran 2026.
Kaynak türü: Hakemli bilimsel araştırma makalesi.
Lisans: Creative Commons Attribution (CC BY 4.0).
Resmî yayın: https://www.mdpi.com/2413-8851/10/6/316
DOI bağlantısı: https://doi.org/10.3390/urbansci10060316
Akademik editörler: Fatemeh Nasr Esfahani ve Carrie M. Hall.
Finansman: Araştırma için dış finansman alınmadığı bildirilmiştir.
Veri erişilebilirliği: Araştırmada sunulan veriler sorumlu yazardan talep edilebilmektedir. Mekânsal verilerin bir bölümü OpenStreetMap ve DANE açık veri kaynaklarından elde edilmiştir.
Çıkar çatışması: Yazarlar çıkar çatışması bulunmadığını beyan etmiştir.
Etik kurul ve bilgilendirilmiş onam: Kaynakta uygulanabilir olmadığı belirtilmiştir.
Yazar katkıları: Kavramsallaştırma ve yöntem D.J.R.P.; yazılım D.J.R.P.; doğrulama, biçimsel analiz ve araştırma D.J.R.P. ile J.F.P.B.; kaynak sağlama ve veri düzenleme J.F.P.B.; ilk taslak D.J.R.P.; gözden geçirme ve düzenleme üç yazar; gözetim D.J.R.P. tarafından yürütülmüştür.
Yapay zekâ kullanım bildirimi: Yazarlar, makalenin hazırlanması sırasında teknik yazım desteği, dilsel iyileştirme ve LaTeX biçimlendirmesi amacıyla Gemini 1.5 Pro/Flash kullandıklarını bildirmiştir. Oluşturulan çıktının yazar tarafından incelenip düzenlendiği ve yayın içeriğinin sorumluluğunun yazarlarda olduğu belirtilmiştir.
Temel yöntem: Bogotá'da mevcut 37 şarj istasyonunun Voronoi bölümlemesi, sosyoekonomik ve hareketlilik verilerinin birleştirilmesi, MCTS-UCT arama süreci ve çok ölçütlü mekânsal ödül fonksiyonu kullanılmıştır.
Hesaplamalı çıktı: MCTS yaklaşımıyla 200 istasyon konumuna yönelik yerleşim oluşturulmuştur. Bu çıktı gerçek saha kurulumu değildir.
Kaynak içi belirsizlikler: MI regresyon ifadesindeki değişken eksikliği ve koordinat sisteminin “SIRGAS-Hormonal” biçimindeki adlandırması kaynakta verildiği şekilde değerlendirilmiştir. Doğrulanmayan düzeltmeler yapılmamıştır.
Tekrarlanabilirlik sınırı: MCTS iterasyon bütçesi, rastgele tohum, bütün keşif ve ödül katsayıları, ceza fonksiyonlarının tam analitik biçimleri ve deney donanımı yeterli ayrıntıda raporlanmamaktadır.
Bilimsel yorum sınırı: Bulgular, Bogotá verilerine dayalı hesaplamalı mekânsal optimizasyon sonuçlarıdır. Yeni istasyonların gerçek elektrik şebekesinde işletme performansı, saha kullanım sonuçları veya farklı kentlere doğrudan aktarılabilirliği bağımsız olarak kanıtlanmamıştır.
Bir yorum bırakın
E-posta adresiniz yayınlanmayacaktır. Gerekli alanlar * ile işaretlenmiştir