Demiryolu Varlıkları: Büyük Veri Mantıksal Analizi İçin Potansiyel Bir Alan


Günümüzde bilgi teknolojileri devrimine iki kavram, Büyük Veri ve mantıksal analiz  öncülük etmektedir. Yolcu taşımacılığı sektörü faydalanma ve uygulamada başı çekmektedir.

Bu yazının İngilizce orjinali “Railway Assets: A Potential Domain for Big Data Analytics” başlığıyla Adithya Thaduri, Diego Galar ve Uday Kumar tarafından Science Direct’te yayınlanmıştır. Yazının orjinali için tıklayınız.

Mantıksal analiz  ve Büyük Verinin avantajları  özellikle IT kavramları  için   yolcu sayısı  tahminlerinden  genellikle  geniş hacimli karmaşık  verilerin işlenmesi ile sorumlu  kapalı sistemlerin dahil olduğu demiryollarındaki  transit sistemlerine kadar  her yerde kullanılır. Bu da daha çok  toplu taşıma profesyonelleri  ve karar vericilerin mantıksal analiz ve büyük verilerden yararlanarak sektörlerindeki vaatlerini yerine getirmesine imkan sağlar. Bu çalışma Büyük Veri teknolojilerine demiryolları özelinde bir bakış açısı sağlamaktadır. Ayrıca bu çalışma Büyük Verilerin  varolan taşımacılık otoriterilerindeki veri modüllerinden nasıl toplandığı ve bu toplanan verilerin nasıl Büyük Veri haline geldiği ile bakım çalışmalarında karar vermede nasıl işlendiğini göstermektedir.

Anahtar Kelimeler : Büyük Veri, Demiryolları, Bakım, Ulaştırma

1. Tanım

Son zamanlardaki teknolojik gelişmeler Büyük Veri uygulama araçlarının artmasını sağlamıştır. Sensörler kullanılarak  çok büyük miktarda veri toplanmaktadır. Öncelikle İngilizce baş harflerinin kullanıldığı  5 veri çeşiti öne çıkmaktadır.  5V(kapasite(volume), hız(velocity), variety(çeşit), value(değer) ve veracity(doğruluk)) Bu tür veri çeşitleri yapısal, yarı yapısal ya da yapısız olmak üzere üç değişik karakteristikte olabilir. Sensör teknolojisindeki gelişmelere bağlı olarak, veri toplama ve depolama ile  bu verilerin programlanabilir algoritmalarla  işlenmesi bir çok sektörde hızlı hale gelmiştir. Çok hacimli veriler çeşitli kaynaklardan toplanması geleceğin teknolojisinde yeni bir uygulama alanı gerekliliği ve ihtimali ortaya çıkarmaktadır.

Büyük Veri; kabul edilebilir bir zaman içinde boyutsal ve biçimsel olarak birbiriyle ilişkili  belirli yazılım ve araçlar kullanılarak toplanan, işlenen, yönetilen ve düzenlenen veriler olarak tanımlanmaktadır. “Büyük Veri”yi niceliksel olarak tanımlanma oldukça karmaşık bir konudur. Ne kadar büyük bir veri? Örnek olarak “Büyük Veri” denildiğinde 100 Terra Bytes, yüz farklı kaynaktan  saniyede 10 GB veri akışı ve Nesnelerin İnterneti (IoT) ,Kablosuz Sensör Ağları ( WSN) , bulut bazlı servisler ve ağır makinelerin durum izlemesi gibi proseslerin kullanılması anlamına geliyor. Büyük verilerin kullanımı nedir? Bu büyük veri mantıksal analizi için önemli bir sorudur. Büyük Verilerin analizi  ile analistler, araştırmacılar, teknik birimler, operatörler ve son kullanıcıların faaliyette oldukları sistemi daha iyi anlama, daha hızlı ve sağlıklı karar vermeleri sağlama imkanı olmaktadır.

Büyük veriler bilişim, telekomünikasyon, web ve mobil servisler, imalat, proses endüstrileri, taşımacılık, bilimsel simülasyon v.b gibi bir çok sektörde kullanılmaktadır.  Bir çok uygulama alanı olmasına rağmen şu anda McKinsey Global Enstitüsü analiz kuruluşları   en çok sağlık,  perakende satış, ulaştırma, imalat,  toplum servisleri ve kişisel veriler gibi alanlarda yaygın olarak kullanılmaktadır.  Önümüzdeki dönemde “Arttırılmış gerçeklik”  ve İnfografik araçlarda kullanımın artacağı beklenmektedir.

2. Ulaştırma Sektörü

Fiilen veri toplamak ve toplanan bu verilerin analizi , transit otobüsler ile  şehir içi ve şehirlerarası  taşımacılıkta kullanılan trenler ve metro araçlarının bakım çalışmalarında önemli bir yer tutmaktadır.  Dahası bu tür uygulamalar toplumların ve sanayinin gelişmesinde tarihsel bir öneme sahiptir. Örnek olarak İstanbul Hızlı Otobüs Geçiş Hattında (BRT-Bus Rapid Transit line )  mesafeye göre  bilet  fiyatlandırması bu şekilde yapılmıştır.

Markov ziniciri yaklaşımı ile Londra’daki çok modlu (Multi-Modal) ulaşım ağı bu ağda faaliyet gösteren paydaşlar tarafından daha verimli kullanılacak hale getirildi.  Büyük verilerin kullanımı şehirlerin taşımacılık performansları ve sürdürülebilirlik gibi birçok gösterge  için  kilit öneme sahiptir.

Sonsuz ihtimalin olduğu büyük veri mantıksal analizi ulaştırmada, maksimum yüklemeleri, trafikteki çeşitliliği, plansız durma sürelerinin değerlendirilmesi ve kazaların müşterinin konforu üzerindeki etkilerini , iş/fırsat kayıplarını tekrar gözden geçirmeye ve bu sayede trafiğin görece daha az yoğun zamanlarda bakım çalışmaları planlamaları yapılmasına imkan sağlamaktadır. Bu da maksimum sayıda müşteri sayısı, operasyonel maliyetlerde azalma ve maksimum verimliliği en üst düzeye çıkarmaya yardımcı olacaktır.

3. Demiryolları ve Doğrusal Varlıklar

Avrupa’da demiryolu altyapı yöneticisinin odaklandığı iki önemli nokta vardır: Operasyonel maliyetleri aşağıya çekmek ve bunu yaparken aynı zamanda parasal varlıkları ve emniyet performansları arttırmak.

Büyük verinin demiryollarında birçok kullanım alanı vardır. Demiryolları için yeni bir kavram olmakla birlikte yakın zamanda kullanımın giderek artacağı öngörülmektedir. EIT (Enabling Innovation Team) Inovasyonu Sağlama Ekibi gelecek projelerde büyük veri kullanımı üzerine çalışmalar yapmaktadır.

Büyük şirketlerden Hitachi büyük verilerin kullanımı konusundaki çalışmaların öncüsü konumundadır. Hollanda’da Hollanda Demiryolları aks başı (buatagres) ivmelenmeleri konusunda bir çalışma yapmaktadır. Toplanan 1 terabyte verinin e bakım zamanı ve önleyici bakım çalışmalarına ışık tutması hedeflenmektedir. Bütün bu çalışmalar demiryollarının gelecekte daha güvenli, daha ucuz ve daha verimli olması için gerekli görülmektedir. Büyük veri, mevcut sistemlerden toplanan bilgiler il geleceğe dair doğru kararların alınmasını sağlıyor.

Şekil 1: Tipik Avrupa Demiryolu Yönetim Sistemi Haberleşmesinin Gösterimi
Şekil 1: Tipik Avrupa Demiryolu Yönetim Sistemi Haberleşmesinin Gösterimi

4. İsveç Demiryolları

İsveç demiryolları otoritesi Avrupa’da hali hazırda büyük veri kullanıma örnek olarak gösterilebilir. Yapısal(zaman,hız,trafik akışı) ,yarı yapısal(fotoğraf ve videolar) ve yapısal olmayan (bakıma esas veriler) gibi kaynaklardan sürekli bir veri akışı olmaktadır. Büyük veri yaklaşımı ile bu bilgi yığını yönetilmektedir.

Büyük hacimli verilerin yanında bu kaynaklardan gelen hatalı bilgilerin de ayıklanmaya ihtiyacı vardır. Hatalı zaman konumlandırması ya da sistem arızalarının sistemden silinmesi ya da ihmal edilebilir olması ve toplanan verilerin en doğru biçimde analizinin yapılması istenmektedir. Bu nedenle sürekli olarak “veri yönetiminin etkinliği” konusunda çalışmalar yapılmaktadır.

4.1. Veri Yönetimi

Doğrusal bir demiryolu planlaması için mevcut duruma, bakım parametrelerine, kaynak harcaması ve demiryolu hattına dair   daha fazla bilgiye ihtiyaç duyulmaktadır.  Örnekleme için demiryolu hattının kullanım süresi, demiryolu hat durumu, yolun faal-gayri faal durumu ve çalışma performansına dair bilgilere de ihtiyaç olacaktır. Bu tür veri toplaması özel ölçüm araçları, yol bekçileri ile kaza ve bakım araçlarından gelen veriler ile yapılmaktadır.

4.2. Troffiverket Veri Modülleri

İsveç Demiryolları altyapısında çok çeşitli veri tipleri vardır.

TFÖR: Tren işletmecilerinden gelen hangi trenin hangi istasyonda ne zaman varıp kalktığına dair veriler, daha önce planlanan varış-kalkış zamanları, 5 dk ve daha üzeri teyir sürelerine dair verilerin toplandığı birim.

BIS: Demiryolu hat bilgisi.Kurp, sinyaller,katener ve nötr bölgeler gibi hat bilgileri.

STRIX: K ve Q olarak adlandırılan yaz ve kış aylarındaki demiryolları hatlarındaki değişim verileri.

AGRESSO: Hangi demiryolu kesimine ne kadar harcama yapıldığına dair bilgiler. Bu şekilde bakım, yenileme ve yeni yatırım için ne kadar para harcandığı bilgileri elde edilebiliyor.

BANSTAT: İşletilmekte olan trenlerin yolcu sayısı, yük trenlerin hamton-km gibi değerlerinin genellikle Excel tablosu ile kayıt altına alındığı birim.

OFELIA: Altyapıya ve arıza,/kaza kayıtlarına dair bilgiler.

Daily Graph: Bu bilgiler trenlerin birim zamanda, belirli günlerde hareketlerine dair sayısal verilerden çok anlık fotoğrafları içerir. Bu da ihtiyaç duyulduğunda karmaşık grafiklere bakmak yerine sadece tek bir fotoğraf ile gerekli bilgilerin edinilmesine imkan verir.

MAPS: TFÖR’den gelen veriler ile konum bilgilerinin karşılaştırılmasını ve gecikmelerin kolaylıkla hesaplanmasını sağlar.

HANNES: Hız azalmalarını kayıt altında tutar.

RWIS:SRA sistemi hava koşulları bilgilerini verir. RWIS istasyon hava koşulları, ray yüzeyi sıcaklıkları, rüzgar hızı, nem oranı gibi verilerinin kaydedildiği birimdir.

HERE and NOW: Anlık verilerin alınabildiği veri sistemi

TRV-Trafikverket sistemi yıllar boyunca büyük miktarda veri toplanmasını sağlar. Bu veriler  işlenmeden sadece bir bilgi yığınıdır. Bu verileri işleyecek mantıksal analizler ile  günümüz ve gelecek perspektifi için yeni değerlendirme modüllerine ihtiyaç bulunmaktadır.

Şekil 2. TRV ile Demiryollarında Büyük Veri Yönetimi Gösterimi
Şekil 2. TRV ile Demiryollarında Büyük Veri Yönetimi Gösterimi

5. Kavramsal Önerme: Tartışma

Toplanan bu “büyük verileri” bakım fonsiyonları için kullanabilmek amacıyla bulut temelli mantıksal analizlere ihtiyaç vardır. Karar verme süreci Şekil 3. de anlatılmaktadır.

Demiryollarında üç tip karar verme metodu vardır. Bunlar fiziksel temelli, sembolik temelli ve veri odaklı metotlardır. Bulut sisteminde bu üçünün de kullanıldığı hibrid bir sistem olan RUL- remaining useful life /kalan faydalı ömür dediğimiz yaklaşım modeli karar vermede kullanılmaktadır. Böylece işletmecilikte, bakım ve son kullanıcılara dair daha verimli sonuçlar ortaya çıkarmaktadır.

6.Sonuç

Geleneksel bir sektör olan demiryollarında büyük veri kullanımı ve buna dair araştırmalara ışık tutacak aşağıdaki bilgilere dikkat etmenin yararlı olacağı düşünülmektedir.

Verinin Büyüklüğü: Avrupa demiryolu sisteminde değişik kaynaklardan günde yüzlerce TB veri akışı olacaktır.

Çoklu Değişik Yapıda Bilgi Kaynağı: Araçların dinamik koşulları, coğrafik bilgiler, hava koşulu karakteristikleri, bakım parametrelerinden gelen sonuçlar gibi değişik veriler.

Tahmini Aşınma İçin Algoritmalar: Mevcut algoritmalar laboratuar koşulları için sınırlı algoritmalardır fakat algoritma temelli büyük veriler spesifik uygulamalar ve koşullar için  gerçek koşullarda uygulanabilir durumda olmazlar.

Çok Büyük İş Fırsatları : Avrupa’daki firmalar için bakım ve altyapı eksenli  bir yıl içerisinde bir milyardan fazla SW analizi meydana gelecektir.

Yazar: Adithya Thaduri, Diego Galar, Uday Kumar
Çeviri: İbrahim Erşahin
Kapak Fotoğrafı: Camelia Boban (Wikimedia)

İlgili Yazılar:
Demiryolunda yazılım rekabeti artıyor

Reklamlar

Bir Cevap Yazın

Aşağıya bilgilerinizi girin veya oturum açmak için bir simgeye tıklayın:

WordPress.com Logosu

WordPress.com hesabınızı kullanarak yorum yapıyorsunuz. Log Out / Değiştir )

Twitter resmi

Twitter hesabınızı kullanarak yorum yapıyorsunuz. Log Out / Değiştir )

Facebook fotoğrafı

Facebook hesabınızı kullanarak yorum yapıyorsunuz. Log Out / Değiştir )

Google+ fotoğrafı

Google+ hesabınızı kullanarak yorum yapıyorsunuz. Log Out / Değiştir )

Connecting to %s