Makine öğrenmesi kullanarak Türkiye'de elektrikli araç şarj istasyonlarının potansiyel kullanım performansının mekânsal tahmini

Abstract

Günümüzde küresel ısınma ve fosil yakıt bağımlılığının yarattığı çevresel ve ekonomik sorunlar, ulaşım sektöründe sürdürülebilir çözümler arayışını hızlandırmaktadır. Elektrikli araçlar (EA), hem karbon emisyonlarını azaltma potansiyelleri hem de yenilenebilir enerji entegrasyonuna uygun altyapıları sayesinde geleceğin ulaşım modelleri arasında ön plana çıkmaktadır. Ancak elektrikli araç kullanımının yaygınlaşabilmesi, şarj altyapısının hem nicelik hem de niceliksel ihtiyaçları karşılayacak şekilde planlanmasına bağlıdır. Bu noktada, sadece mevcut talebe yanıt verebilen değil, geleceğe dönük projeksiyonlar da sunan mekânsal tahmin modellerine duyulan gereksinim giderek artmaktadır. Bu tez çalışması, Zorlu Energy Solutions (ZES) şarj ağına ait 2024 yılı verilerini esas alarak, Türkiye genelinde elektrikli araç şarj enerji tüketimini mekânsal olarak modelleme ve öngörme ihtiyacına bütüncül bir yaklaşım getirmeyi hedeflemektedir. Kullanılan veri seti, İstanbul, Ankara, İzmir, Eskişehir ve Antalya illerindeki aylık kW cinsinden şarj tüketim miktarlarını, istasyon konumlarını ve soket tiplerini içeren gerçek saha ölçümlerinden oluşmaktadır. Bu beş il, farklı sosyo-ekonomik, coğrafi ve altyapı koşullarını temsil etmeleri nedeniyle, modelin ülke çapında genellenebilirliğini test etmek amacıyla hem çeşitlilik hem de tutarlılık ilkeleri gözetilerek seçilmiştir. Veri ön işleme aşamasında, heterojen kaynaklardan gelen bilgiler tek bir mekânsal çatı altında toplanmıştır. Türkiye İstatistik Kurumu'nun (TÜİK) 2023 yılına ait Adrese Dayalı Nüfus Kayıt Sistemi (ADNKS) verileri kullanılarak mahalle ve ilçe düzeyinde nüfus, gelir dağılımı ve araç sahipliği oranları shapefile formatında elde edilmiştir. OpenStreetMap veritabanından OSMNX kütüphanesi aracılığıyla temin edilen yol ağı, vektör tabanlı Coğrafi Bilgi Sistemleri (CBS) formatına dönüştürülmüş; yol segmentlerinin uzunlukları ve düğüm yoğunlukları, her yol sınıfı için ayrı ayrı hesaplanmıştır. Copernicus Open Access Hub'dan temin edilen Sentinel-2 uydu görüntüleri, 10 metre çözünürlükte yerleşim alanı haritalarına dönüştürülmüş ve bu raster katmanlar altıgen hücrelerle örtüştürülerek hücre başına yerleşim yoğunluğu belirlenmiştir. Ayrıca, Python'un requests ve BeautifulSoup kütüphaneleri kullanılarak web kazıma yöntemiyle elde edilen alışveriş merkezi (AVM) konum verileri, AVM sayısının her hücreye düşen yoğunluk özniteliğini oluşturmak amacıyla kullanılmıştır. Tüm bu mekânsal veriler, ortak bir koordinat referans sistemi (EPSG:3857) altında birleştirilerek tutarlı bir ön veri tabanı oluşturulmuştur. Mekânsal çözümlemenin temelini ise Uber tarafından geliştirilen H3 altıgen ızgara sistemi oluşturmuştur. Seviye 6 çözünürlük düzeyinde oluşturulan yaklaşık 200 bin adet hexagon hücre, Türkiye kara sınırları içerisinde tanımlanmıştır. Her bir hücrenin geometrik sınırları ve komşuluk ilişkileri Python API'si aracılığıyla belirlenmiş; ZES tüketim verileri ise GeoPandas kütüphanesinin spatial join fonksiyonu kullanılarak ilgili hücrelere atanmıştır. Böylece her hücreye karşılık gelen bağımlı değişken olan aylık elektrik tüketimi (kW) hesaplanabilmiştir. Bağımsız değişkenler olarak ise hücre başına düşen istasyon sayısı, nüfus yoğunluğu, ortalama gelir seviyesi, yol ağı uzunluğu, AVM sayısı, yerleşim alanı yüzdesi ve kritik güzergâhlara ilişkin kukla (dummy) değişkenleri belirlenmiştir. Özellikle Bolu, Kayseri ve Niğde gibi otoyol kavşak noktalarında yer alan hızlı şarj istasyonlarına ilişkin dummy değişkenler, uzun mesafeli yolculuk dinamiklerini yakalamak için model parametrelerine dahil edilmiştir. Makine öğrenmesi modellemesi, dört farklı algoritma kullanılarak gerçekleştirilmiştir: Doğrusal Regresyon (Linear Regression), Destek Vektör Regresyonu (Support Vector Regression, RBF çekirdeği), Rasgele Orman (Random Forest) ve Gradyan Artırma (Gradient Boosting). Her bir model, hem 93 tam özellik seti hem de İleri Özellik Seçimi (Sequential Feature Selection, SFS) yöntemiyle belirlenen 10 özellikli altküme üzerinden ayrı ayrı eğitilmiştir. Model eğitim ve değerlendirme süreçlerinde 5 katlı ve 10 katlı çapraz doğrulama (cross-validation) yaklaşımları uygulanmış; hiperparametre optimizasyonu ise GridSearchCV yöntemiyle gerçekleştirilmiştir . Modellerin performansı, açıklayıcılık gücünü gösteren R² katsayısı ile hata büyüklüğünü gösteren Ortalama Mutlak Hata (Mean Absolute Error, MAE) ve Ortalama Kare Hata (Mean Squared Error, MSE) metrikleriyle karşılaştırılmıştır. Elde edilen performans sonuçları, hem hata metrikleri hem de açıklayıcılık düzeyi açısından Gradyan Artırma algoritmasının üstünlüğünü ortaya koymuştur. 10 özellikli alt kümede Gradyan Artırma modeli 10 katlı çapraz doğrulama (CV=10) kapsamında yaklaşık olarak R² ≈ 0,75, MAE ≈ 79 kWh ve MSE ≈ 11 010 kWh² değerlerine ulaşarak en yüksek tahmin doğruluğu sağlamıştrı. Rasgele Orman algoritması, R² ≈ 0,72 ve MAE ≈ 83,5 kWh değerleri ile ikinci sırada yer alırken; SVR modeli R² ≈ 0,64, MAE ≈ 98,7 kWh; Doğrusal regresyon ise R² ≈ 0,58, MAE ≈ 112,4 kWh değerleriyle görece daha sınırlı bir perfpormans göstermiştir. Tam 93 değişkenin kullanıldığı modelleme senaryosunda ise Gradyan Artırma algoritması R² ≈ 0,78 seviyesine, Rasgele Orman algoritması R² ≈ 0,75'e yükselirken, SVR ve Doğrusal regresyon modelleri sırasıyla R² ≈ 0,67 ve R² ≈ 0,61 değerlerine yükselmiştir. Bu sonuçlar, öznitelik sayısındaki artışın özellikle doğrusal olmayan modellerin genelleme kapasitesini daha belirgin iyileştirebildiğini, ancak özellik seçiminin hem hesaplama verimliliği hem de model karmaşıklığının kontrolü açısından kritik bir rol oynadığını göstermektedir. Öznitelik önem düzeyi analizleri, tüm yüksek performanslı modellerde ortak beş parameterin öne çıktığını ortaya koymuştur: hücre başına nüfus yoğunluğu, şarj istasyonu sayısı, AVM sayısı, yol ağı uzunluğu ve ortalama gelir seviyesi. Bu değişkenlerin enerji tüketimi tahminlerindeki belirleyici rolü, özellikle demografik ve ticari altyapı yoğunluğunun şarj altyapısı planlamasında dikkate alınmasını gerekli kılmaktadır. Diğer yandan, ülke genelini kapsayan interaktif haritalar, Marmara, Ege ve Akdeniz bölgelerinde yüksek tüketim hücrelerini belirgin biçimde vurgularken, İç Anadolu ve Doğu Anadolu'da daha düşük talepli hücre kümeleri tanımlamıştır. Kritik yol güzergâhlarındaki sapmalar, turistik ve transit araç yoğunluğu gibi ek faktörlerin modele entegrasyonunun değerini ortaya koymuştur. Bu tez çalışmasının özgün katkıları özetle şu şekilde sıralanabilir: (i) Sınırlı sayıdaki il verilerinden yola çıkarak ülke geneline genellenebilir bir mekânsal tahmin modeli geliştirilmiş; (ii) Uber tarafından geliştirilen H3 altıgen grid sistemi kullanılarak farklı ölçek ve kaynaklara ait verilerin entegrasyonu başarıyla sağlanmıştır; (iii) SFS yöntemiyle 10 özniteliğe indirgenen veri setiyle yüksek performans elde edilerek hesaplama verimliliğine vurgu yapılmış; (iv) Hata metrikleri ve öznitelik önem düzeyleri üzerinden geliştirilen model içgörüleri, şarj altyapısı planlamasında karar vericilere somut ve veri temelli bir destek sunmuştur. Elde edilen bulgular doğrultusunda ileriye dönük öneriler şu şekilde sıralanabilir: ZES ve diğer şarj ağı operatörlerinin, yüksek talep potansiyeline sahip bölgelerde hızlı şarj istasyonu yatırımlarını önceliklendirmesi; yerel yönetimlerin, demografik yapı ve gelir dağılımı göstergelerine dayanan teşvik mekanizmaları tasarlaması; zaman serisi modellemelerinin entegrasyonu ile talep dalgalanmalarının daha yüksek mekânsal ve zamansal çözünürlükte modellenmesi; akıllı şebeke (smart grid) verilerinin entegre edilerek gerçek zamanlı sistem güncellemelerinin sağlanması; ve kullanıcı davranış analizlerini içeren sosyo-mekânsal veri katmanlarının analize dahil edilmesidir. Bu öneriler, hem kamu hem de özel sektörün sürdürülebilir ulaşım yatırımlarını daha etkin ve veri temelli biçimde yönlendirmesine katkı sağlayacak, böylece Türkiye'nin elektrikli araç şarj altyapısının geleceğe yönelik stratejik biçimde geliştirilmesini destekleyecektir.