Makine öğrenmesi teknikleri ile mekansal karar destek sistemlerinin geliştirilmesi: Aksaray ili örneği
Yükleniyor...
Tarih
2018
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Aksaray Üniversitesi Fen Bilimleri Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Hayatın her alanında makro ve mikro ölçekte sayısız kararlar alınmaktadır. Kararlara etki eden kriterlerin sayısı arttıkça, kriterlerin sıralanması ve ağırlık değerlerinin hesaplanması daha karmaşık hale gelmektedir. Özellikle mekanla ilişkili karar analizlerinde, gerek veri yoğunluğu, gerekse kriterlerin fazlalığı problemi daha kompleks hale getirmektedir. Bu problemin çözümüne yönelik, Coğrafi Bilgi Sistemleri (CBS) ve Karar Destek Sistemleri (KDS) temellerine dayalı Mekansal Karar Destek Sistemleri (MKDS) yöntemleri geliştirilmiştir. MKDS kamu, özel ve akademik çevreler tarafından son yıllarda taşınmaz değerleme, heyelan duyarlılık, uygun yer seçimi gibi pek çok uygulamada kullanılmaktadır. Bu uygulamalarda genelde uzman görüşü gerektiren yöntemler kabul görmekte ve tercih edilmektedir. Uzmana dayalı bu yöntemlerde, uzmanların farklı bakış açıları ve sübjektif değerlendirme gibi etkenler uygulamaların yaygınlaşmasını ve otomatikleştirmesini zorlaştırmaktadır. Bununla birlikte, veri yapısında meydana gelecek değişikliklerde (kriter ekleme/eksiltme) mekânsal analizlerinin yenilenmesi gerektiğinden, dinamik modeller de oluşturulamamaktadır. CBS kullanarak kararların hızlı, etkin ve objektif alınabilmesi ve bunların otomatikleştirilebilmesi için karar analizlerinde insan etkisini en aza indirecek dinamik yöntemlerin geliştirilmesi gerekmektedir. Bu kapsamda, bir çok farklı uygulamada kullanımı giderek artan yapay zeka tekniklerinin Coğrafi Bilgi Sistemlerine dayalı KDS'ye entegre edilmesine ihtiyaç vardır. Yapay zeka tekniklerindeki son yıllarda ki gelişmeler ile birlikte Makine Öğrenmesi (MÖ) olarak adlandırılan ve kendi kendine öğrenebilen sistemler geliştirilmiştir. Bu çalışmada, envanter bilgilerine dayalı MKDS'lere yapay zeka tekniklerinden makine öğrenmesi tekniğinin entegre edilmesi ve bu sistemlerinin otomatikleştirilmesi amaçlanmıştır. Bu amaçla makine öğrenmesinde öne çıkan denetimli öğrenme algoritmalarından Yapay Sinir Ağları, Destek Vektör Makineleri, CHAID ve Karar Ağacı algoritmalarından ID3, C4.5, CART ve Rastgele Orman algoritmaları Aksaray ili taşınmaz değer haritasının üretiminde kullanılmış ve performansları değerlendirilmiştir. Ayrıca istatistiksel bir yöntem olan ve literatürde sıklıkla kullanılan Çoklu Regresyon Analizi ile elde edilen sonuçlar karşılaştırılmıştır. Tüm bu yöntemleri kapsayan ve kullanıcıların sonuçları karşılaştırabileceği bir yazılım geliştirilmiştir.
All every spheres of life, numerous decisions are taken on a macro and micro scale. As the number of criteria that have an influence on the decisions increases, ranking of criteria and calculation of weight values are becoming more complex. Particularly, the decision analysis associated with spatial will be more complex due to data density as well as excess of criteria. For the solution of this issue, Spatial Decision Support Systems (SDSS) methods have been developed based on Geographic Information Systems (GIS) and Decision Support Systems (DSS). Recently, GIS-based Multi-criteria Decision Making Methods have been used in many applications such as selection of appropriate settlement area, property evaluation and landslide susceptibility by the public, private and academic circles. Generally in these practices, methods requiring expert opinion are preferred and accepted. In these expert-based methods, factors such as differences in views of experts and subjective evaluation, caused by interpretation make it difficult to popularize and automate applications. Furthermore, dynamic models cannot be created as the spatial analysis needs to be revised when the changes (criteria adding / decrease) that will occur in the data structure. Dynamic methods need to be developed in order to minimize the human impact in decision analysis so that decision making can be fast, effective and objective. In this context, artificial intelligence techniques, which are increasingly used in many different applications, need to be integrate SDSS. Over recent years self-learning systems have been developed with the advances in Artificial intelligence techniques. In this study, it is aimed to integrate machine learning techniques of artificial
All every spheres of life, numerous decisions are taken on a macro and micro scale. As the number of criteria that have an influence on the decisions increases, ranking of criteria and calculation of weight values are becoming more complex. Particularly, the decision analysis associated with spatial will be more complex due to data density as well as excess of criteria. For the solution of this issue, Spatial Decision Support Systems (SDSS) methods have been developed based on Geographic Information Systems (GIS) and Decision Support Systems (DSS). Recently, GIS-based Multi-criteria Decision Making Methods have been used in many applications such as selection of appropriate settlement area, property evaluation and landslide susceptibility by the public, private and academic circles. Generally in these practices, methods requiring expert opinion are preferred and accepted. In these expert-based methods, factors such as differences in views of experts and subjective evaluation, caused by interpretation make it difficult to popularize and automate applications. Furthermore, dynamic models cannot be created as the spatial analysis needs to be revised when the changes (criteria adding / decrease) that will occur in the data structure. Dynamic methods need to be developed in order to minimize the human impact in decision analysis so that decision making can be fast, effective and objective. In this context, artificial intelligence techniques, which are increasingly used in many different applications, need to be integrate SDSS. Over recent years self-learning systems have been developed with the advances in Artificial intelligence techniques. In this study, it is aimed to integrate machine learning techniques of artificial
Açıklama
Anahtar Kelimeler
Coğrafi Bilgi Sistemleri, Makine Öğrenmesi, Mekansal Karar Destek Sistemleri, Taşınmaz Değerleme, Yapay Zeka, Geographic Information Systems, Machine Learning, Spatial Decision Support Systems, Land Valuation, Artificial Intelligence July
