Daha çox

QGIS-də nöqtə xüsusiyyətlərinin avtomatlaşdırılmış müvəqqəti seçimini çap etmək?


Atributlar cədvəlindəki sütunlardan birinin YYYY-MM-DD formatında tarixləri olduğu təqribən 1,3 milyon xüsusiyyətə sahib bir nöqtə təbəqəm var.

Təsadüfi bir tarixdən başlayaraq, 2001-01-01 deyin, tarixin bütün nöqtə xüsusiyyətlərini əks etdirən bir sıra xəritələr yaratmaq istərdim ki, bu tarix yuxarıda ekzogen olaraq verilən tarixdən əvvəl və bundan sonrakı hər ay ƏVVƏLdir. Bu nümunədə, 2001-01-01-ə qədər bütün xüsusiyyətləri olan bir xəritə, 2001-02-01, 2001-03-01-dən əvvəl bütün xüsusiyyətləri olan bir xəritə yaratmaq istəyirəm. Çünki bu cür xəritələrin çoxunu yaratmalı olacağam, Bu prosesi avtomatlaşdırmaq istəyirəm.

Bildiyimə görə, atlas funksiyası işi görməyəcək, çünki əhatə dairəsindəki hər xüsusiyyət üzərində təkrarlanacaqdır. Həm də ifadə ilə seçim edəcəyimi və sonra çap bəstəkarını axtardığımı ümid etdiyim QGIS modelləşdiricisini istifadə edə bilmədim.

Axırda map20010101.png "> '2001-01-01' AND" date "= '2001-01-31' sənədləri ilə bitməliyəm, ancaq" date "<= '2001-01-01' deyil.


Saat meneceri plagini, təsvir etdiyiniz nöqtələri süzmək üçün istifadə edilə bilər. Hal-hazırda görüntüləri yalnız ekran çözünürlüğünde ixrac etməyi dəstəklədiyini qeyd etmək lazımdır.

Müəyyən bir ay üçün məlumatları görmək üçün ayarı qurduğunuzdan əmin olun Vaxt çərçivəsi ölçüsü vahid ay.

Verilənləri tədricən görmək üçün bitmə vaxtı ayarını təyin etdiyinizə əmin olun xüsusiyyətləri toplamaq


Kompleks Əmlak Sistemlərinin Modelləşdirilməsi üçün Maşın Təlimində Ansambl Metodlarının Tamamilə Avtomatik Bir Tənzimlənməsi

Girov dəyəri ilə bank sabitliyi arasındakı sıx əlaqə daşınmaz əmlakın sürətli və iqtisadi qiymətləndirilməsinə böyük ehtiyac yaratdı. Mənzil fondu ilə əlaqəli məlumatların daha çox olması, əmlak qiymətlərinin qiymətləndirilməsində böyük məlumat və maşın öyrənmə deyilənlərin istifadəsinə səbəb oldu. Mənzil qiymətlərinə hansı dəyişkənlərin təsir etdiyini müəyyənləşdirmək üçün bu metodologiya əmlak bazarında artıq tətbiq olunsa da, əmlak qiymətlərinin qiymətləndirilməsi üçün istifadəsi o qədər də çox deyil. Bu metodologiyanın tətbiqi zamanla sadə metodlardan tutmuş sözdə ansambl metodlarından istifadəyə qədər daha mürəkkəb hala gəldi və qiymətləndirmə qabiliyyəti yaxşılaşsa da, yalnız xüsusi coğrafi ərazilərdə tətbiq olundu. Bu məqalənin əsas töhfəsi, hər bir bələdiyyə üçün tamamilə avtomatik olaraq ən yaxşı modeli təqdim edən bütün İspaniya bazarı üçün bir tətbiq inkişaf etdirməkdədir. 433 bələdiyyədəki daşınmaz əmlak qiymətləri, 790.631 yaşayış yerindən nümunə olaraq, torba qoymaq, artırmaq və təsadüfi meşə kimi qərar ağaclarına əsaslanan fərqli ansambl metodlarından istifadə etməklə qiymətləndirilir. Yaşayış evlərinin qiymətini qiymətləndirmə nəticələri, səhv ölçüləri baxımından inkişaf etdirilən texnikaların yaxşı bir performans göstərdiyini və ən yaxşı nəticələrin torbalanma və təsadüfi meşə üsullarından istifadə edildiyini göstərir.

1. Giriş

2008-ci ildən bəri qlobal iqtisadi böhran iqtisadiyyatdakı yavaşlamaya səbəb oldu və daşınmaz əmlak qiymətlərində azalma oldu. Əmlakın qiymətləndirilmiş qiymətləndirilməsi əmlakla əlaqəli hər hansı bir əməliyyat üçün, xüsusən də satılması və ya ipoteka müraciəti üçün əsas hesab olunur, buna görə qiymətin dəyərinin həqiqi əks olunması olmalıdır. Banklar ayrıca qiymətləndirilmiş qiymətləndirməsini yeniləyərək əmlak portfelinin dəyərini vaxtaşırı nəzərdən keçirməlidirlər, bax Basel II Beynəlxalq Bank Sazişi [1, 2]. Normalda ipoteka məqsədi ilə qiymətləndirmələr əmlakı ziyarət edən peşəkar qiymətləndiricilər tərəfindən aparılır. Bununla birlikdə, bu şəkildə hazırlanan qiymətləndirmə proseduru həm vaxt, həm də pul baxımından baha başa gəlir və bu proseduru böyük daşınmaz əmlak portfellərinin qiymətləndirilməsi üçün davamlı edir. Bundan əlavə, qiymətləndiricinin fiziki iştirakı əmlakın daha dəqiq qiymətləndirilməsinə kömək edə bilsə də, alıcılar, satıcılar və ya bankların özləri kimi maraqlı tərəflərin qərəzliliyi ehtimalı da mövcuddur ki, bu da qiymətləndirməni daha subyektiv edə bilər. Qərəzsiz, real qiymətləndirmələri təqdim edə biləcək bir proqnozlaşdırma modelinin inkişafına ehtiyac olduğu açıq-aşkar görünür.

Beynəlxalq Qiymətləndirmə Zabitlər Birliyi (IAAO) kütləvi qiymətləndirməni ümumi məlumatlar, standart metodlar və statistik prosedurlardan istifadə edərək bir qrup əmlakın qiymətləndirilməsi prosesi kimi qəbul edir [3]. Bu qiymətləndirmə metodları Avtomatlaşdırılmış Qiymətləndirmə Modelləri (AVM) kimi tanınan modellər vasitəsilə həyata keçirilmiş və qiymətləndiricinin birbaşa müdaxiləsi olmadan böyük əmlak portfellərinin qiymətləndirilməsini təmin etmişdir [4, 5]. Bu qiymətləndirmə prosedurlarının inkişafı həm daşınmaz əmlak qiymətləri, həm də tədqiqatçılar üçün əlçatan olan əmlak xüsusiyyətləri ilə əlaqəli məlumatların miqdarı və keyfiyyətindəki artımla gücləndirilmişdir. Bu məlumat səviyyəsi daha yüksək keyfiyyət və dəqiqliklə qiymətləndirmə prosedurlarının inkişafı üçün getdikcə daha da inkişaf etmiş statistik üsulların tətbiq edilməsinə imkan verir. Daşınmaz əmlak AVM-ləri kompüter dəstəyi ilə tapşırıq qiymətləndirmə sistemlərindən istifadə etməklə qiymətləndiricinin fiziki iştirakı tələb olunmadan əmlak qiymətlərinin kütləvi şəkildə qiymətləndirilməsinə imkan verir [6]. Bir çox halda qiymətləndiricinin olması yalnız qeyri-adi hesab edilən qiymətləndirmələr üçün lazımdır [7].

Təxmin metodlarına parametrik regresiya təhlili [8] və parametrik olmayan [9] və ya sinir şəbəkələri [10, 11], qərar ağacları [12, 13], təsadüfi meşələr [14, 15], qeyri-səlis məntiq [16], kimi maşın öyrənmə metodları daxildir. və ya ansambl metodları [17]. Bu texnika əsasən üç məqsəd nəzərə alınmaqla istifadə olunur: daşınmaz əmlakın qiymətini qiymətləndirmək, evin bir xüsusiyyətinin qiymətinə təsirini öyrənmək və hedonik qiymət indeksi yaratmaq.

Son onilliklər ərzində ən çox istifadə olunan prosedurlar hedonik əsaslı regresiyaya əsaslanır [18, 19]. Bununla birlikdə, bu modellər modelin fərziyyələri ilə əlaqəli müəyyən əsas problemləri təqdim edir: qalıqların normallığı, homoskastastiklik, müstəqillik və çoxbucaqlılığın olmaması. Bu vəziyyət, maşın öyrənməsini də əhatə edən, çox vaxt məlumat çıxarma üsulları kimi tanınan naxış tanıma üsullarından daha çox istifadə edilməsinə səbəb oldu. Bu üsullar məlumatların paylanması ilə bağlı fərziyyələrə daha çevik yanaşır, şərhləri daha asandır və xətti və qeyri-xətti əlaqələrin təhlilinə imkan verir. Bundan əlavə, həm kategorik, həm də davamlı dəyişənlərin idarə olunmasını təmin edirlər [13]. Bu texnikalar əvvəlcə daha çox təsnifat metodları kimi istifadə olunsa da, son illərdə tətbiqetmə ev qiymətləri mövzusunda ən təsirli dəyişənlərin müəyyən edilməsində və yaşayış qiymətlərinin qiymətləndirilməsində istifadə edilmişdir. Pérez-Rave et al. [20] həm nəticələnmə, həm də proqnozlaşdırma məqsədləri üçün maşın öyrənmə yanaşması altında böyük məlumat regresiyasının təhlili üçün iki mərhələli bir metodologiya təmin edir.

Daşınmaz əmlak qiymətlərinin dəqiq və səmərəli proqnozlaşdırılması iqtisadiyyatda alıcılar, satıcılar, komisyon agentləri, hökumətlər və banklar kimi müxtəlif aktyorlara təsir edərək vacib, lakin mübahisəli bir məsələ olmuşdur və davam edəcəkdir [21, 22]. Hal-hazırda, böyük məlumat paradiqması daha dəqiq proqnozlar üçün maraqlı imkanlar təklif edir və böyük məlumatlarla işləmək üçün əsas yanaşmalardan biri də maşın öyrənməsidir.

Bu maşın öyrənmə metodları çox xüsusi yerlərdə əmlak əmlakının qiymətləndirilməsində tətbiq edilmişdir. Tədqiqat Jaen [12] tərəfindən Coral Gables (Florida, ABŞ) Fan və digərləri tərəfindən aparılmışdır. [13] Sinqapurda (Sinqapur Respublikası) Özsoy və Şahin [23] İstanbulda (Türkiyə) Del Cacho [14] Madriddə (İspaniya) Pow et al. [17] Montreal (Kanada) da Ceh et al. [24] Lyublyanada, (Sloveniya) Nguyen [25] ABŞ-ın 5 əyalətində və Dimopoulos et al. [26] Lefkoşa (Kipr). Bunun əksinə olaraq Pérez-Rave et al. [20], hər bir əmlakın yerləşdiyi şəhəri müəyyən edən müstəqil dəyişənlərdən istifadə edərək, bütün bir ölkə, Kolumbiya üçün yaşayış qiymətlərinin qiymətləndirilməsi ilə məşğul olur, beləliklə bütün ölkə üçün özünəməxsus bir model təklif edir (61.826 əmlak nümunəsi ilə).

Bu məqalənin əsas yeni elementi, hər bir bələdiyyə üçün nümunə ölçüsü ilə avtomatik olaraq fərqli bir model göstərərək bütün bir ölkə üçün əmlak qiymətlərinin avtomatik qiymətləndirilməsini həyata keçirmək üçün yeni bir metodologiya təklif etməsidir (bu halda İspaniya). 790,631 daşınmaz əmlak. Kənd və şəhər yerləri arasında və hətta şəhər ərazilərində mövcud olan böyük fərqlərə görə bütün ölkə kompleks bir əmlak sistemi kimi qəbul edilə bilər. Hər bir bələdiyyə təlim dəstində mövcud olan məlumatlarla öyrədilir ki, hər biri öz xüsusiyyətlərinə və ehtiyaclarına uyğun öz modelinə sahib olsun. Bu araşdırma, əhalisi ən kiçik bələdiyyədə 1.559 nəfərdən ən böyük bələdiyyədə 3.223.334-ə qədər olan, satılan 100-dən çox əmlaka sahib 433 bələdiyyənin hər biri üçün fərqli bir modeli əhatə edə biləcək bir proqramı əhatə edir. Daşınmaz əmlak qiymətlərinin qiymətləndirilməsində maşın öyrənmə metodlarına əsaslanan bu avtomatlaşdırılmış qiymətləndirmə sisteminin tətbiqinə diqqət yetiririk və iqtisadi ədəbiyyatda geniş tanınmış səhv ölçülərindən istifadə edərək hər birinin düzgünlüyünü təhlil edirik. Bir qayda olaraq, model keyfiyyətini qiymətləndirmək üçün prosedur keyfiyyətinin qiymətləndirmə səhvinin ölçülməsi ilə təhlil edildiyi müvafiq ədəbiyyatda az töhfə olmasına baxmayaraq ümumiləşdirilmiş diaqnostik göstəricilərdən istifadə olunur (təyini əmsalı). Bu yazıda, təklif olunan metodların etibarlılığını təhlil etmək üçün dörd ölçüyə, yəni orta nisbətə, ortalama mütləq faiz səhvinə (MAPE), orta mütləq faiz səhvinə (MdAPE) və dağılma əmsalı (COD) istifadə edirik.

Bu yazıda, mənzillərin qiymətinin qiymətləndirilməsində istifadə edilən maşın öyrənmə üsulları qərar ağacı texnikasına əsaslanır. Ancaq ümumiyyətlə, səhv parametr parametrləri, sadəlik qaydaları və ağac qeyri-sabitliyi səbəbindən proqnoz vermək üçün tək bir ağac qurmaq çətindir. Bu problemlərin öhdəsindən gəlmək və proqnoz verərkən daha yaxşı davranış əldə etmək üçün qərar ağacları ansamblının torbalama, artırma və təsadüfi metodlar kimi üsulları hazırlanmışdır [27]. Torbalanarkən, modellər təsadüfi müstəqil açılış təkrarlamaları istifadə edilərək quraşdırılır və bunlar reqressiya üçün çıxışı ortalamaqla birləşdirilir [28]. Artırmada, quraşdırılmış model, təkrarlanan şəkildə quraşdırılmış və zəif modellenmiş müşahidələrin yenidən çəkisini artırmağa imkan verən bir çox ağacın sadə bir xətti birləşməsidir [29]. Ancaq təsadüfi meşə modeli, müstəqil olaraq nümunə götürülmüş məlumat xüsusiyyəti sahəsinin təsadüfi bir vektorunda qurulur [30]. Bu bazadan başlayaraq hər bələdiyyədə torbalama, artırılmış regresiya ağacı və təsadüfi meşə daxil olmaqla ən yaxşı ansambl metodunu avtomatik olaraq hazırlayırıq və daha sonra fərqli şəraitdə davranışlarını analiz etmək üçün bir müqayisə edirik. Əlavə olaraq, bir qərar ağacı texnikasının bir ansamblından istifadənin faydasını təhlil etmək və müqayisə etmək üçün tək bir qərar ağacı ilə əldə edilən nəticələr daxil edilmişdir.

Xüsusi ədəbiyyatın, məkanın yerləşməsinin qiyməti və buna görə də qiymətləndirilməsi üzərində əhəmiyyətli dərəcədə təsir göstərə biləcəyini nəzərə alaraq, hedonik modellərə məkan məlumatlarını daxil etməsi zərurətinə xüsusi vurğu etməsidir. Ceh et al. [24] coğrafi informasiya sistemi və maşın öyrənmə üsullarını birləşdirməkdən əlavə, son illərdə kosmik statistikanın hedonik qiymət modelləşdirilməsinə tətbiq edilməsinə olan marağın artdığını vurğulamaq. Bu məqalədə əmlakı qiymətləndirərkən əmlakın yerləşməsinin vacibliyinə diqqət çəkmək üçün izahlı dəyişənlərə coğrafi koordinatları daxil edirik.

Məqalə aşağıdakı kimi yerləşdirilmişdir. Təqdimatdan sonra Bölmə 2, reqressiya ağaclarının istifadəsindən ağac ansamblı modellərinə qədər daşınmaz əmlak qiymətlərinin qiymətləndirilməsinə dair əsas araşdırmanı əks etdirən bir ədəbiyyat icmalı təqdim edir. Bölmə 3-də istifadə olunan metodologiya, əsas texnikanın təsviri ilə yanaşı müxtəlif modellərin davranış qiymətləndirmə tədbirləri ilə təqdim olunur. Bölmə 4-də, bütün İspaniyaya tətbiqetmə üçün empirik arqument inkişaf etdirilir və İspaniya üçün ansambl metodlarından istifadənin vacibliyini müdafiə edir. Nəhayət, Bölmə 5-də əsas nəticələr və tədqiqat istiqamətləri təqdim olunur.

2. Ədəbiyyat icmalı

Əmlak qiymətlərinin qiymətləndirilməsi sahəsində maşın öyrənmə metodlarının tətbiqi bir neçə ildir ki, maraq doğurur. Bununla birlikdə, qərar ağaclarının tətbiqi nisbətən son vaxtlarda başlanıb, əvvəlcə bir təsnifat texnikası kimi istifadə olunur və hansı dəyişkənlərin mənzil qiymətinə ən çox təsir etdiyini təyin edir. Daha sonra qərar ağaclarının tətbiqi yaşayış qiymət proqnozlarını əldə etmək üçün sözdə regresiya ağacı vasitəsilə bir proqnozlaşdırma texnikası kimi istifadə edildi. Bir reqressiya ağacının tətbiqi üçün ilk təkliflərdən biri Coral Gables şəhərində (Florida) çoxsaylı siyahı sistemindən (MLS) götürülmüş 1229 əməliyyat üçün 15 dəyişəndən məlumat istifadə edən Jaen [12] tərəfindən edilmişdir. Jaen [12] mənzil qiymətinin qiymətləndirilməsində və bu proqnoz üçün ən vacib dəyişənlərin müəyyən edilməsində addım-addım regresiya, CART qərar ağacı və sinir şəbəkələrinin istifadəsinin effektivliyini sınayır. Ən yaxşı nəticələr, CART hesablama qabiliyyətini orta mütləq səhv (MAE) ilə ölçməklə əldə edilir, daha az sayda dəyişən istifadə olunur, xüsusən də pilləli regresiyada istifadə olunan doqquzdan.

[12] -dən sonra Fan et al. [13] əsas determinantları müəyyən etmək və mənzilin qiymətini proqnozlaşdırmaq üçün CART alqoritmindən istifadə edərək, regresiya ağaclarının yaxşı davranışlarını nümayiş etdirirlər. Bu proqram Sinqapurda yenidən satılan dövlət mənzil bazarı üçün hazırlanmışdır. Bununla birlikdə, mənzilin qiymətini təsir edən əsas dəyişənləri müəyyənləşdirmək üçün istifadə olunan proses geniş olsa da, təxmin yalnız ağacın yarpaq düyünündəki orta qiymətə əsaslanır, bu dəyər proqnozlaşdırma dəyəri və ya reqressiya dəyəri kimi düşünülür. Özsoy və Şahin [23], 2007-ci ildə İnternetdən alınan bir verilənlər bazası əsasında İstanbulda mənzil qiyməti ilə əlaqədar ən təsirli xüsusiyyətləri təyin etmək üçün Türkiyədə bir CART tətbiqetməsini inkişaf etdirdilər. Nəticələr, evin ölçüsü və Asansörün mövcudluğu, təhlükəsizlik, mərkəzi isitmə və mənzillər İstanbulda ev qiymətlərində ən təsirli dəyişənlərdir.

Kok et al. [31] bu modellərin qeyri-xətti münasibətlərdə regresiya modelləri probleminin həllinə kömək etdiyini nəzərə alaraq əmlak qiymətlərini proqnozlaşdırmaq üçün regresiya ağaclarının tətbiqinin əsas üstünlüklərini göstərirlər. Müəlliflər tərəfindən vurğulanan üstünlüklər, onları anlamaq və şərh etmək üçün sadədir və statistik əhəmiyyətini hesablamaq asandır, kukla dəyişənlər yaratmadan kategorik dəyişkənləri idarə edə bilirlər və çoxlu miqdarda məlumatla da az hesablama vaxtı sərf edirlər. Bundan əlavə, müəlliflər, proqnozlaşdırma modelində iqtisadi və demoqrafik dəyişənlər və hiperlokal göstəricilər daxil olmaqla, sonsuz sayda dəyişənin yaxşı nəticələrlə işlənməsinə imkan verən stokastik gücləndirmə adlı bir prosedurun tətbiq edilməsini təklif edirlər. Reqressiya ağaclarının məhdudiyyətləri, nümunədə zəif ümumiləşdirmə qabiliyyəti olan modellər yarada biləcək bir müşahidə aparana qədər şaquli olaraq sərhədsiz böyümə göstərə biləcəkləri və təlim dəstindəki dəyişikliklərə möhkəm deyildikləri və ümumiyyətlə az proqnozlaşdırılan modellərə səbəb olan uyğun olmayan bir təsirə məruz qaldıqlarıdır. tutum. Bu məhdudiyyətləri həll etmək üçün müəlliflər təsadüfi meşə kimi ağac ansambllarının istifadəsini təklif edirlər. Bu modellərin əvvəllər [14, 15] -dəki qabaqcıl işlərdə istifadə edildiyi doğru olsa da, Breiman [30] ansambl metodları ilə proqnozlaşdırmanın yaxşılaşdırılmasının vacibliyini vurğulayan ilk sənədlərdən birini hazırladı.

Bu sənədlərdən sonra ansambl texnikalarının davranışlarını klassik regresiya modelləri ilə müqayisə edən və modellərin maşın öyrənmə üsulları ilə daha yaxşı davrandıqları qənaətinə gələn çoxsaylı təkliflər var. Eynilə, Pow et al. [17], Montreal mülkləri haqqında 25.000 veb məlumatı, mənzilin özü ilə əlaqəli 130 xüsusiyyətə və 60 sosyodemografik xüsusiyyətə malikdirlər. Bu müəlliflər ölçünün azaldılması üçün əsas komponent analizini (PCA) və əmlak qiymətlərini proqnozlaşdırmaq üçün dörd regresiya üsulundan istifadə edirlər: xətti reqressiya, dəstək vektor maşını, K-ən yaxın qonşular (KNN) və təsadüfi meşə reqressiyası və KNN və təsadüfi birləşdirərək ansambl yanaşması meşə texnikası. Nəticələrdən müəlliflər ansambl yanaşmasının yaxşı davranışını 9.85 tələb qiyməti üçün orta mütləq faiz fərqi ilə vurğulayırlar. Bundan əlavə, PCA tətbiqinin proqnoz səhvini yaxşılaşdırmadığını göstərirlər.

Ceh et al. [24] ən vacib dəyişənləri seçmək üçün çoxsaylı regresiya ilə müqayisədə təsadüfi meşənin davranışını təhlil edin. Çoxsaylı reqressiya halında, əsas komponentlərin təhlili 36 dəyişkənlikdən 10 əsas komponentə keçməsinə imkan verir və təsadüfi meşə vəziyyətində ən vacib 10 dəyişəni təyin etmək üçün bir prosedur həyata keçirilir. Maraqlıdır ki, təsadüfi meşə üçün satış tarixi vacibdir, ancaq adi ən kiçik kvadratlar (OLS) üçün vacib deyil. Təsadüfi meşələrin COD və MAPE baxımından davranış OLS-dən daha yaxşı olmasına baxmayaraq, həm ən aşağı qiymətləri, həm də ən yüksək qiymətləri nəzərə almamaq lazımdır. Konkret olaraq, Lyublyana (Sloveniya) da 6 illik 2008-2013-cü illər üçün 7.97 müşahidə ilə mənzillərin qiyməti üçün hazırlanmış tətbiqdə, test dəsti üçün MAPE baxımından nəticələr RF üçün% 7.27 və çoxsaylı OLS üçün% 17.48 idi. , COD baxımından əldə edilən dəyərlər sırasıyla% 7.28 və% 17.12 idi. Müəlliflər, modellərinin nəzərdən keçirilən 6 illik müddət ərzində potensial qiymət fərqlərini nəzərə almadığını bildirsələr də, bu qiymət dəyişikliyi onların nəticələrini təsir edə bilər. Tədqiqatımızda bu problemdən qaçınmaq üçün 2018-ci ilin statik verilənlər bazasından istifadə edirik.

Nguyen [25], xətti regresiya modelləri, təsadüfi meşə və dəstək vektor maşınlarını müqayisə edərək Zillow qrup veb məlumatlarını istifadə edərək ABŞ-ın beş bölgəsində bir tətbiq inkişaf etdirir. Nəticələr müəllifin həm təsadüfi meşə, həm də dəstək vektor maşınının təxmin edilən qiymətləri həqiqi satılan qiymətlərinin 5% -i aralığına düşən evlərin nisbəti baxımından xətti reqressiyadan daha yaxşı davrandığı qənaətinə gəlməyə səbəb oldu. Əlavə olaraq, nəticədə hər bir mahalda istifadə olunan dəyişənlərin dəyişdirilməsinin vacib olmadığı və hamısı üçün bir sıra ümumi atributlardan istifadə edərək modelin dəqiqliyinin praktik olaraq eyni olduğu vurğulanır. Dimopoulos et al.[26] Lefkoşa'daki (Kipr) yaşayış mənzillərinin qiymətlərini qiymətləndirərkən təsadüfi meşə və xətti reqressiya davranışlarını müqayisə etmək üçün bir tətbiq inkişaf etdirin. Nəticələr, proqnozlaşdırma baxımından ən yaxşı davranışın təsadüfi meşə olduğunu təsdiqləyir və ortalama MAPE dəyərləri% 25.2-dir. Shinde və Gawande [32] məntiqi reqressiya, dəstək vektor regresiyası, lasso regresiyası və qərar ağacının davranışını müqayisə etmək üçün KaggleInc adlı bir verilənlər bazasının 80 parametri ilə 3000 müşahidəyə əsaslanan məlumatlardan istifadə edir və həm dəqiqlik baxımından ən yaxşı davranış olduğunu göstərir. və səhv, qərar ağacı ilə əldə edilir. Satış qiymətini qiymətləndirmək üçün istifadə olunan dəyişənlər kvadratmetrlik sahə, yaşayış sahəsinin ümumi vəziyyətini və bitməsini, yerləşməsini, evin tikildiyi ili, yataq otağı və hamam sayını, qaraj sahəsini və maşın sayını əhatə edən ümumi keyfiyyətdir. qaraja, hovuz sahəsinə, evin satıldığı ilə və evin satıldığı qiymətə sığacaq.

Maşın öyrənmə üsulları ədəbiyyatında klassik regresiya modelləri ilə müqayisə ilə yanaşı, digər maşın öyrənmə metodlarını müqayisə edən, digərlərindən daha yaxşı davranış göstərən, lakin ən yaxşı davranışı vurğulayan bir texnikanın olmadığı qənaətinə gələn geniş bir ədəbiyyat mövcuddur. ağac ansamblı texnikasının. Məsələn, Kagie və Wezel [33] üç əsas məqsədi olan regresiya üçün hazırlanmış Friedman’ın LSBoost və LADBoost gücləndirmə alqoritmlərindən istifadə edirlər: ən vacib xüsusiyyətləri müəyyənləşdirmək və qiymət indeksini yaratmaq üçün Hollandiyada altı bölgədəki yaşayış qiymətlərini proqnozlaşdırmaq. Bunu etmək üçün Nederlandse Vereniging van Makelaars'dan (NVM, Hollanda Daşınmaz Əmlak Vasitələri Birliyi) Groningen, Apeldoorn, Eindhoven, Amsterdam, Rotterdam və Zeeland şəhərləri üçün 83 dəyişən və sosyodemografik dəyişənlər də daxil olmaqla Zeeland üçün 2.216 ilə Amsterdam üçün 8.490 arasında dəyişən müşahidələrin sayı. Nəticələr göstərir ki, hər iki gücləndirici model, mütləq səhv 25-30% və nisbi səhv 33-39% nisbətində yaxşılaşma ilə birlikdə nəzərə alınan altı sahədəki xətti və qeyri-xətti modellərin davranışını yaxşılaşdırır. Bundan əlavə, modellərin teraslı evlərdə və mənzillərdəki səhvlərin proqnozlaşdırılmasında daha yaxşı bir davranış və fərdi evlərdə səhvlərin proqnozlaşdırılmasında daha pis bir davranış göstərdiklərini göstərirlər ki, bu da yaşayış qiymətindəki ən təsirli xüsusiyyətin ölçüsü olduğunu nəzərə alsaq tutarlıdır. ev.

Del Cacho [14], onlayn daşınmaz əmlak portalından götürülmüş 25.415 müşahidənin nümunəsinə əsasən, Madriddəki mənzilin qiymətləndirilməsi üçün fərqli ansambl metodlarını müqayisə edir. Nəticələr, M5 model ağaclarının ansamblının daha yaxşı bir davranış göstərdi, bu da ağacları bağlamamış qərar ağaclarını çantalamaqla daha yaxşı davranış göstərdi və ortalama nisbi səhv 15,25%. Orta hesabla yüzdə 15,11 və yüzdə 13,18 nisbətində bir səhvlə oxşar nəticələr, İngilis özəl kirayə bazarı üçün, sırasıyla Clark və Lomax [36] tərəfindən gradiyent artımı [34] və Cubist [35] istifadə edərək əldə edilmişdir. Graczyk et al. [37] altı maşın öyrənmə alqoritmindən istifadə edin: reqressiya problemləri üçün çox qatlı qavrayış (MLP) radial əsaslı sinir şəbəkəsi (RBF) budanmış model ağac (M5P) M5Rules (M5R) xətti regresiya modeli (LRM) və NU-dəstək vektor maşını (SVM) Waikato Environment for Knowledge Analysis (WEKA) içərisində aşqar regresiyasının (WEKA-da gücləndirmənin həyata keçirilməsi), torbalanma və yığmanın üç ansambl metodu üçün. Nəticələr göstərir ki, istifadə olunan sadə və ansambl metodları arasında fərq var, baxmayaraq ki, MAPE baxımından yaxşı davranışa sahib olanların hamısı 19.02 - 15.89% arasında dəyişkənliyə sahibdir. Torbalanma nəticələri SVM istifadə edərək daha yaxşı nəticələrlə ən sabitdir. Bununla birlikdə, ən yaxşı nəticələr yığma və SVM istifadə edilərək əldə edilir. Tədqiqatın ümumi nəticəsi ən yaxşı nəticəni verən tək bir alqoritmin olmamasıdır və bu səbəbdən fərqli alternativlərin davranışlarını araşdırmaq lazımdır.

Antipov və Pokryshevskaya [15] heteroskastiklik və digər əmlak məlumatları problemi səbəbindən ümumi qiymət üçün deyil, kvadrat metrə görə qiymətlər qiymətləndirərkən təsadüfi meşənin ən yaxşı davranışını göstərirlər. 10 alqoritmin davranışını müqayisə etməyi təklif edirlər: çoxsaylı regresiya CHAID tam CHAID CART k yaxın qonşuları (2 modifikasiya) çox qatlı qavrayış sinir şəbəkəsi (MLP) radial əsas funksiyası sinir şəbəkəsi (RBF) gücləndirilmiş ağaclar və təsadüfi meşə. Hər bir metodun qiymətləndirilməsində, orta nisbət satış (SR), dispersiya əmsalı (COD) və orta orta faiz səhv (MAPE) kimi avtomatlaşdırılmış qiymətləndirmə modellərinin proqnozlaşdırma qabiliyyətinin doğruluğunda vərdiş göstəricilərindən istifadə olunur. Təhlil olunan bütün texnika, həm təlim dəstində, həm test dəstində, həm də təsadüfi meşə üçün 17.25 və 16.97 bir COD ilə təsadüfi meşə üçün daha yaxşı nəticələrlə, bütün göstəricilər üçün məqbul dəyərlər göstərdi, iki mərhələli prosedurdan istifadə edərək bunlar 14.86 və 14.77. Əlavə olaraq, bu iş, ev tipinin və yerləşdiyi bölgənin əhəmiyyətini vurğulayan dəyişkənlərin uyğunluğuna görə bir təsnifat təklif edir. Ayrıca, qiymətləndiricinin müdaxiləsinə ehtiyac olduğunu vurğulayan hər hansı bir qiymətləndirilməmiş və ya azaldılmış dəyərlə, ümumi əraziyə və evin yerləşdiyi bölgəyə görə seqmentləri təyin edən seqmentləşdirmə əsaslı diaqnostik metod tövsiyə olunur. Bununla birlikdə, bu tədqiqatın əsas çatışmazlığı, məlumatların çox məhdud olmasıdır, sahəsi 160 m 2-ə qədər və qiyməti 30 milyon rubldan aşağı olan 2 otaqlı mənzillərə yönəldilmişdir. Bu cür məhdud profil əksər şəhərlərin qeyri-real bir əksidir.

Lasota və s. [38] tək bir mütəxəssis maşın öyrənmə sistemindən istifadə etmək əvəzinə bunların birləşməsindən istifadə edilməsini təklif edirlər. Bu şəkildə bəzi hallarda zəif bir model seçmə riskinin azalacağını və proseduru məlumatların kiçik bölmələrinə tətbiq edərək və nəticələri birləşdirərək böyük həcmli məlumatların səmərəli şəkildə təhlil edilə biləcəyini iddia edirlər. Bu təklif, iki ansambl maşın öyrənmə üsulu ilə fərdi metodlarla müqayisə olunur: mütəxəssislərin qarışığı (TN) və Adaboost.R2 (AR2), nəticədə Adaboost və maşın öyrənmə prosedurlarının bu qarışığının daha yaxşı davranış göstərdiyini, metodlar arasında əhəmiyyətli bir fərq olmadığını söylədi. . TN vəziyyətində alqoritmlər, çox qatlı qavrayış, ümumi xətti model və dəstək vektor regressiyası, AR2 üçün isə çox qatlı qavrayış, ümumi xətti model və regresiya ağacı istifadə olunur. MN və AR2 arasında əhəmiyyətli fərqlər olmadan daha yaxşı davranış göstərən çox qatlı qavrayış və ümumi xətti model ilə maşın öyrənmə prosedurlarının qarışığıdır. Bununla birlikdə, Lasota və s. [38], müəlliflərin vurğuladıqları kimi, məlumatlarda müqayisə olunma problemi ilə 1998-2011 dövrü üçün məlumat istifadə etdilər. Həddindən artıq sadələşdirilmiş bir modelə səbəb ola biləcək və ümumi xətti model kimi sadə əsas texnikalarla ansambl texnikalarının yaxşı davranışının səbəbi ola biləcək izahlı dəyişənlər olaraq yalnız dörd xüsusiyyətdən istifadə edirlər.

Başqa bir müqayisə, digər maşın öyrənmə metodları ilə təsadüfi meşə vəziyyətində Yoo və s. [39]. Maşın öyrənmə, Onondaga'daki (New York) mənzil qiymətinə ən çox təsir edən dəyişənləri təyin etmək və yaşayış qiymətlərini qiymətləndirmə üsulunu yaratmaq üçün istifadə olunur. Xüsusilə, OLS reqressiya metodları kubist və təsadüfi meşə ilə müqayisə olunur. Ən vacib dəyişənlərin müəyyənləşdirilməsi baxımından OLS, əhəmiyyət səviyyəsinə əsasən addım-addım seçimdən istifadə etsə də, RF və ya Kubist qeyri-xətti modellərin parametrsiz prosedur olduğu üçün işlənməsinə icazə verən gücləndirmə və ya torbalama üsullarından istifadə edir. Proqnozlaşdırıla bilmək üçün, iki maşın öyrənmə texnikasının davranışı daha yaxşıdır və 100 metrə radiusda bir qonşuluq nəzərə alınmaqla ortalama nisbətdə 25.04 nisbətində kökləri ortalama kvadrat səhv (RMSE) baxımından RF ilə vurğulayırıq. Test dəsti üçün 1 km radiusda 22.47. Bundan əlavə, model əvvəllər bu tip modellərə daxil edilməmiş ətraf mühit dəyişkənlərini də özündə birləşdirir. Müəlliflər, dəyişənlərin seçilməsində maşın öyrənmə metodlarının tətbiq edilməsinin vaciblik səviyyəsinə əsaslanmadan əsas dəyişənlərin seçilməsinə imkan verdiyini vurğulayırlar. Bu metodlar, yaxşı proqnoz üçün kifayət qədər parsimon əhəmiyyətli dəyişənlər toplanmasına imkan verir, yəni proqnoz yaxşı işləsə, modelin bütün dəyişənləri ehtiva etməsi o qədər də vacib deyildir. Park və Bae [40], Virginia'nın Fairfax əyalətinin yaşayış bazarında C4.5, RIPPER, Naive Bayesian və Adaboost'u müqayisə edərək ən yaxşı davranışın RIPPER ilə əldə edildiyi qənaətinə gəldi. Əlavə olaraq, onların araşdırması bu texnikaları bağlama (satılan) qiymətləri və siyahı (satış üçün) qiymətləri dedikləri fərq arasındakı müsbət və ya mənfi dəyərin mövcudluğuna əsaslanarkən reqresiya deyil, təsnifat üsulları kimi istifadə edir.

Shahhosseini et al. [41] Müvafiq ədəbiyyatda, Boston şəhər ərazisi verilənlər bazasında geniş istinad edilmiş iki məlumat bazasından istifadə edərək yaşayış qiymətlərinin proqnozlaşdırılması üçün bir neçə ansambl modelinin davranışını müqayisə edin [42] və Amesdəki (Ayova) yaşayış evlərinin satış məlumat bazasında təqdim olunan [. 43]. Ansambl modellərinin etibarlılığını nümayiş etdirmək üçün aşağıdakı alqoritmlərdən istifadə edirlər: lasso regresiyası, təsadüfi meşə, dərin sinir şəbəkələri, həddindən artıq dərəcə yüksəltmə (XGBoost) və üç nüvəli (polinom, RBF və sigmoid) dəstək vektor maşınları daxil olmaqla bir çox şagird. . Orta qiymət proqnozu səhvinin nəticələrinə əsasən, Boston üçün MAPE baxımından ən yaxşı performans XAPoost və təsadüfi meşə üçün MAPE dəyərləri sırasıyla% 16.44 və% 16.35 idi. Ames mənzilində, lasso və təsadüfi meşə, sırasıyla% 0.66 və% 0.77 olan ən yaxşı XARİTƏ olan modellərdir. İnanılmaz dərəcədə aşağı səhvlər mövcud 80 dəyişənlə əlaqəli məlumatların miqdarı və keyfiyyəti ilə yanaşı, 50.781 nəfər əhalinin Ames (Ayova, ABŞ) əhalisinin sayı ilə əlaqəli böyük seçmə ölçüsü (2.930) ilə əlaqələndirilir. Buna görə bu nəticələr, digərlərindən daha yaxşı performans göstərən bir model olmadığı qənaətinə gəlməyimizə səbəb olur.

Nəhayət, Neloy et al. [44] Banqladeşdəki evlərin kirayə qiymətlərini proqnozlaşdırmaq üçün 19 xüsusiyyət barədə məlumatları olan 3505 evdən ibarət veb sayt bazası vasitəsilə bir model hazırlayın. Modelin inkişafı üçün proqnoz üçün aşağıdakı sadə alqoritmlər seçilir: əvvəlcədən xətti reqressiya, sinir şəbəkəsi, təsadüfi meşə, dəstək vektor maşını (SVM) və qərar ağacı regressoru. Bundan əlavə, ansamblın öyrənilməsi aşağıdakı alqoritmlərlə yığılmışdır: ansambl AdaBoosting regressor, ansambl gradient boosting regressor və ansambl XGBoost. Ayrıca, qabaqcıl regresiya texnikalarını birləşdirmək üçün silsilə regresiyası, lasso regresiya və elastik xalis regresiya istifadə olunur. Dəqiqlik baxımından ən yaxşı nəticələr 88,75% ilə ansambl gradientinin artırılması və ən pis nəticə isə 82,26% ilə AdaBoosting ansamblı tərəfindən əldə edilir. Kök orta kvadrat xətası (RMSE) baxımından davranış oxşardır, müvafiq olaraq 0.1864 və 0.2340 dəyərləri ilə.

Qərar ağacının digər istifadələri arasında müşahidələri bölmək və fərqli modelləri seqmentlərə görə tətbiq etməklə və ya hətta lazım olduqda qiymətləndiricinin köməyi ilə modeli qiymətləndirmə qabiliyyətini artırmaq üçün CART alqoritminin tətbiqi də vardır [45]. Bunu etmək üçün asılı bir dəyişən olaraq yüzdə səhv (mütləq dəyərdəki real dəyər çıxılmaqla təxmini dəyər həqiqi dəyər çıxılmaqla) və müşahidələrin seqmentlərini təyin etmək üçün satış nisbəti (təxmin edilən dəyər həqiqi dəyərə bölünmüş) istifadə edərək bir CART alqoritmi tətbiq olunur. 12688 sadə təlimdə ümumi xəritədən 9,783 ən yaxşı seqmentdəki bir dəyərə və 14,859-dan 12 364-ə qədər sadə bir testdə keçməsinə icazə verin. Pérez-Rave et al. [20] yenidən seçmə ilə sadə artımlı (MINREM) adlanan dəyişən seçim prosedurunu özündə birləşdirən bir metodologiya təklif edin. Bu prosedur, Kolumbiyada satılan iki vəziyyətdə 61.826 evdə və 58.888 müşahidəsi ilə 2011 Metropolitan American Housing Survey-də [46] istifadə edilən məlumatlardakı əsas komponent təhlili ilə birlikdə istifadə olunur. Nəticələr, qarşılıqlı əlaqədən istifadə edilmədən% 27 və Kolumbiyadakı mənzil vəziyyətində, təklif edilən prosedurdan istifadə edərək% 20.9 bir MAPE dəyərini göstərir.

Bütün bu tədqiqatlardan belə çıxır ki, mənzil qiymətini təhlil etmək üçün müxtəlif maşın öyrənmə üsullarının davranışının təhlili ədəbiyyatda geniş yer alıb. Tətbiqlərin əksəriyyəti mənzil qiyməti ilə bağlı ən təsirli dəyişənlərin təyin edilməsinin vacibliyini vurğulasa da, proqnozlaşdırmaya diqqət yetirən az sayda tətbiqetmə və hər şeydən əvvəl, MAPE və ya COD kimi tədbirlərdən istifadə edərək işlərin qiymətləndirilməsinə kömək edən az iş mövcuddur. modellərin proqnozlaşdırma qabiliyyəti əksəriyyət müəyyən etmə əmsalı istifadə edərək proqnozlaşdırma qabiliyyətinin ölçülməsinə əsaslanır. Əlavə olaraq, inkişaf etdirilən tətbiqlər geniş bir coğrafi ərazini əhatə etməyə çalışmadan müəyyən bölgələrə və ya şəhərlərə yönəldilmişdir (tədqiqatın bütün ölkə üçün eyni modeli istifadə etdiyi Kolumbiya istisna olmaqla). Bu işdə, məlumatların mövcud olduğu İspan bələdiyyələrinin hər birinə tətbiq ediləcək bir modelin qiymətləndirilməsi üçün avtomatlaşdırılmış bir prosedur yolu ilə daha geniş bir coğrafi ərazini əhatə edirik. Bu, bizə ümumilikdə 433 bələdiyyə verir.

3. Metodologiya

Bildirildiyi kimi, bu məqalənin məqsədi, hər bir bələdiyyə üçün mənzilin qiymətini dəqiq qiymətləndirə bilən bir modeli ehtiva edən avtomatik bir tətbiq hazırlamaqdır. Hər bir bələdiyyədə müxtəlif rəqib maşın öyrənmə texnikaları arasında bir neçə model quraşdırılmışdır. Daha sonra, bu hissənin sonunda izah edilən səhv ölçüləri baxımından optimal nəticələr əldə edən ən yaxşı bir metodun olub olmadığını yoxlamaq üçün analiz ediləcəklər.

Seçilmiş modellər torbalanma, artırma və təsadüfi meşədir. Hamısı ansambl alqoritmləridir və biz əsas öyrənənlər olaraq regresiya ağaclarından istifadə edirik. Bu səbəbdən, tək qərar ağacı modelinin nəticələri daha mürəkkəb modellərin nəticələri ilə yanaşı bir istinad olaraq da göstəriləcəkdir. Ansambl metodları ümumiyyətlə yaxşı proqnozlaşdırma nəticələri verir, baxmayaraq ki, proqnozlaşdırıcı dəyişənlərlə hədəf arasındakı əlaqələrin şərh olunma imkanını bir şəkildə qurban verdikləri doğrudur. Kontekstimizdə, İspaniya ərazisini tamamilə əhatə edəcəyi təxmin edilən çox sayda model nəzərə alınmaqla, modelləri asanlıqla şərh edən dəqiq proqnozlar daha vacibdir.

Aşağıdakılar bu ansambl metodlarının hər birinin nədən ibarət olduğunu qısaca göstərir. Əvvəla, torbalama [47] -də açılış və toplama metodları əsasında təklif olunan bir ansambl metodudur. Bu metodların əsas üstünlüyü, orijinal dəstdən dəyişdirilərək alınan təsadüfi nümunələrdəki müşahidələrdə səs-küyün azalmasıdır. Ağaclar açılış qayışı nümunələri üzərində quraşdırıldıqdan sonra nəticələr orta hesablanır. Səs azaldılması, fərdi proqnozlaşdırıcıların tez-tez göstərdikləri qeyri-sabitliklə birlikdə, xüsusilə qeyri-sabit prosedurlar üçün çantaları inkişafa aparır.

Öz növbəsində, gücləndirmə [48] zəif bir öyrənəni daha yüksək dəqiqliklə birinə çevirə bilən bir ansambl metodudur. Çantaya bənzər gücləndirmə, təkrarlanan bir öyrənmə prosesi tətbiq edir. Bu metodun diferensial xüsusiyyəti ondadır ki, hər təkrarlama əvvəlkilərdən müstəqil deyil, tədris prosesinin diqqətini əvvəlki addımlarda daha yüksək səhvlərlə qiymətləndirildiyi müşahidələrə yönəltmək üçün yenidən çəki sistemindən istifadə edir. Bu məqalədə gücləndirməni həyata keçirmək üçün seçilmiş alqoritm, itki funksiyasını minimuma endirmək üçün bir gradyan enmə prosedurundan istifadə edərək qərar ağacları kimi zəif öyrənmə modellərinin əlavə edilməsindən ibarət olan gradiyanı artırmaqdır [34].

Təsadüfi meşə [30] -da da təklif edilmişdi və daha yüksək təsadüfi dozada, torbalama metodunun bir dəyişməsi kimi qəbul edilə bilər. Bu əlavə təsadüfilik ona görə verilir ki, ardıcıl ağaclar qurarkən, mövcud olan bütün proqnozlaşdırılan dəyişənlər arasında deyil, yalnız hər bir qovşaqda təsadüfi seçilmiş bir alt qrup arasında optimal bölgü axtarılır. Bu metodun əsas üstünlüyü, aşırı uyğunlaşma riskinin daha az olması və buna görə ümumiyyətlə daha dəqiq təxminlər verməsidir. Dəyişən namizədlərin alt qrupu mövcud proqnozlaşdırıcıların ümumi sayını ehtiva etdiyi zaman torbalanma təsadüfi bir meşə hadisəsidir.

Bütün modellər R [49] statistik mühitindən istifadə edilərək tətbiq edilmişdir. Xüsusilə R paketləri rpart [50], gbm [51] və randomForest [52], sırasıyla ayrı-ayrı ağacların yerləşdirilməsi, artırılması və torbalanması və təsadüfi meşə üçün istifadə edilmişdir.

Bu mürəkkəb problemin içərisinə qoyulacaq çox sayda model olduğundan təsadüfi meşədəki parametr tənzimlənməsi hər bir model üçün R kitabxanası vasitəsilə optimallaşdırılmışdır [53]. Təsadüfi meşədə qurulacaq üç əsas parametr var. İlk ikisi yetişdiriləcək ağacların sayı və ölçüsüdür. Sayı hər giriş sətrinin ən azı bir neçə dəfə təlim prosesində iştirak etməsini təmin etmək üçün çox kiçik olmamalıdır. Ağacların ölçüsü terminal qovşaqlarının minimum ölçüsündən asılıdır. Bu rəqəmin daha böyük olması kiçik ağaclara və daha sürətli öyrənmə proseduruna səbəb olur. Təsadüfi meşədəki digər bir mühüm parametr, hər bölgüdə namizəd olaraq təsadüfi olaraq seçilən yordayıcıların sayıdır. Torbalara gəldikdə, bu təsadüfi bir meşə hadisəsi kimi qəbul edilmişdir.

Gücləndirməyə gəldikdə, gbm modelində təyin ediləcək dörd əsas parametr var. Birincisi, dəyişikliklərin sinir şəbəkələrindəki öyrənmə nisbətinə bənzər bir təkrarlamadan digərinə dəyişmənin nə qədər böyük olduğunu nəzarət edən 0.001, 0.01 və 0.1 dəyərləri olan öyrənmə dərəcəsidir (büzülmə). İkincisi, ağacın mürəkkəbliyi iki parametrlə, qarşılıqlı dərinlik (1, 3, 5 və 10 arasında test edilmiş) və təsadüfi meşəyə bənzər (1, 5, 10 və 20-yə bənzəyən) minimum qovuşma sayı ilə idarə olunur. ). Nəhayət, eyni zamanda çox vacib olan ağacların sayı (təkrarlamalar), 1000 ağacdan ibarət bir ansambl meydana gətirilir və sonra minimum çapraz doğrulama səhvinə görə budanır.

Hər bir nəzarət olunan metodun optimallaşdırılması üçün seçilən zərər funksiyası orta kvadrat səhvidir (MSE). Uyğun modellərdən qaçınmaq üçün yaxşı bir ümumiləşdirmə qabiliyyətini təmin etmək üçün nümunədəki müşahidələrin 2/3 hissəsi təsadüfi olaraq qatar dəstinə, digəri isə 1/3 hissəsi doğrulama dəstinə təyin edilmişdir. Hər bir bələdiyyədə hər texnikanın ən yaxşı modeli (regresiya ağacı, torbalanma, gücləndirmə və təsadüfi meşə) seçildikdən sonra, dörd modelin son davranışının müqayisəsi aşağıdakı səhv tədbirləri ilə təhlil edildi.Uyğunluğun yaxşılığını analiz edə və modellərin proqnozlaşdırma qabiliyyətini təsdiqləyə biləcəklər. (a) Orta nisbət (orta satış nisbəti) -ın ortalamasıdır SRmən, SR satış nisbəti olaraq təyin olundu


Təsvir

Spatiotemporal məlumat analizi, geniş spatiotemporal verilənlər bazalarının analizinə imkan verən yeni hesablama metodlarının inkişafı və tətbiqi sayəsində yeni ortaya çıxan bir tədqiqat sahəsidir. Mekansal-zamansal modellər, zaman və məkan daxilində məlumatlar toplandıqda və ən azı bir məkan və bir müvəqqəti xüsusiyyətə sahib olduqda ortaya çıxır. Bir məkan-müvəqqəti verilənlər bazasındakı bir hadisə, müəyyən bir zaman t və x yerində mövcud olan məkan və müvəqqəti hadisəni təsvir edir. Buna misal olaraq 1990-2010-cu illər arasında ABŞ-da qadın məmə xərçəngi ölümünün nümunələri ola bilər, burada məkan mülkiyyəti obyektin yeri və həndəsəsidir - ABŞ-ın məmə xərçəngi ölüm nisbəti məlumatı və müvəqqəti mülkiyyəti zaman damgasıdır. və ya məkan obyektinin keçərli olduğu zaman intervalı - 1990-2010 döş xərçəngi ölüm ili. Spatiotemporal analiz üçün digər tətbiqlərə biologiya, ekologiya, meteorologiya, tibb, nəqliyyat və meşə təsərrüfatı sahələrindəki hadisələr daxildir.

Spatiotemporal təhlil üçün unikal çağırışlar

Bu yanaşma məlumatların təfsiri üçün yeni ölçülər təmin edə bilsə də, hələ başlanğıc mərhələsindədir və bu sahədəki ən əsas suallar hələ də böyük ölçüdə cavabsız qalır: traektoriyalardan hansı növ nümunələr çıxarıla bilər və çıxarmaq üçün hansı metodlar və alqoritmlər tətbiq olunmalıdır onlar? Təhlilin başlanğıcında müstəntiqlərin bunlardan xəbərdar olması vacibdir. Onları da qeyd etmək vacibdir ki, bunların çoxunun ədəbiyyatla müəyyənləşdirildiyi kimi, hələ də tək bir qatı cavab və ya həll yolu yoxdur.

Məkan-müvəqqəti məlumatların təhlili həm müvəqqəti, həm də məkan korrelyasiyalarının nəzərə alınmasını tələb edir. Verilərin həm müvəqqəti, həm də məkan ölçülərinin qiymətləndirilməsi iki əsas səbəbə görə məlumatların təhlili prosesinə əhəmiyyətli dərəcədə mürəkkəblik qatır: 1) məkan və zaman məkanlarının məkan və məkan xassələrinin fasiləsiz və ayrı-ayrı dəyişiklikləri və 2) bir yerə yığılmış qonşu fəza-zaman cisimlərinin təsiri. başqa.

Həm bir məkana, həm də zamana tək bir model daxil edərkən əsas bir problem ortaya çıxır:

Məkan iki ölçülüdür və məhdudiyyətsiz bir yönə malikdir: N-S-E-W və zaman ölçüsüz olduğu müddətdə və hər yerdə yalnız bir istiqamətdə irəliləyə bilər və beləliklə məkan-zaman təhlillərinin nəticələrini necə şərh edə biləcəyimizə meydan oxuyur.

Verilənlərin necə müəyyənləşdirildiyi və aşkar edilmiş nümunələrə güclü təsir göstərə biləcəyi ilə bağlı başqa bir məsələ ortaya çıxır. Davamlı bir məsələ dəyişdirilə bilən sahə vahidi problemidir (MAUP):

Müstəntiq məkanın dövlətlər tərəfindən və ya poçt kodları və ya siyahıyaalma sənədləri ilə qiymətləndirilməsindən, vaxtın il, gün və ya dəqiqə ilə qiymətləndirilməsindən asılı olaraq tamamilə fərqli cavablar ala bilər. Eyni dəqiq analiz fərqli məkan / müvəqqəti təriflərlə edilə bilər və nəticələr tamamilə fərqli cavablara səbəb ola bilər. Buna görə də, müstəntiqin məlumatları necə təyin etməsindən asılı olaraq, maraqlı, lakin saxta nümunələr əldə edə bilərlər

Bu cür problemlər təhlilin şərh olunmasına təsir göstərə bilər. Eyni yönlü iki dəyişənə baxmadığımız üçün, betaları əvvəlki kimi şərh edə bilmərik və bu amili nəzərə almalıyıq. Verilərinizi təhlil üçün çevirməyə başlasanız, bu daha mürəkkəbdir. Analiz vahidlərini təsvir etmək üçün lazım olan anlayışlar, şərh və siyasət təsirləri üçün daha uyğun olan daha yüksək konseptual səviyyələrdə ola bilər.

Spatiotemporal Data Analizi İş Akışı

Bu problemlərdən bəzilərini nəzərə alaraq, ümumilikdə ümumiləşdirilmiş bir yanaşmadan istifadə edərək məkan-zaman təhlilinin necə aparıldığına dair bir araşdırma təqdim edirik.

Məqsəd, zaman spatiotoral məlumatlarla işləməyə başlamaq istədiyinizi, məlumatlarınızın uyğun olub olmadığını qiymətləndirməyə necə başlayacağınızı bilmək üçün kifayət qədər məlumat vermək və təhlili daha da artırmaq üçün sizə imkan verməkdir.

Təcrübədə, məkan-zaman təhlilinin iki əsas hədəfi proqnozlaşdırma və təsvirdir. Sadəlik üçün, xroniki bir xəstəlik fokusuyla təsviri bir məkan-çağdaş təhlil edərkən meydana gələcək iş axınına diqqət yetirəcəyik. Bununla birlikdə, bu yanaşma ehtiyac duyduqda araşdırmaq üçün mənbələr təqdim etdiyimiz bir proqnozlaşdırıcı modelə çevrilə bilər.

Addım 1: Məlumat toplayın və hazırlayın

Əsas tələb bütün məlumatların həm məkan, həm də müvəqqəti bir komponentlə əlaqələndirilməsidir. Mekansal məlumatlar bir çox səviyyədə, poçt kodlarında, siyahıyaalma yollarında, vəziyyətdə, coğrafi kodda və s. Təhlil edə bilər. Müvəqqəti məlumatlar çox vaxt keçdikcə bir müşahidə üçün birdən çox məlumat nöqtəsi olaraq analiz edilir və məkan məlumatları qədər çox yolla ölçülə bilər. . İnsan hadisələrə il, ay, dəqiqə, saniyə ilə baxa bilər, lakin bu da məkan məlumatları ilə əlaqələndirilməlidir.

Məkan və müvəqqəti məlumatlarınızı necə təyin etmək üçün çox sayda seçim, xüsusilə də nəticələrinizi digər tədqiqatlarla müqayisə etmək və ya digər populyasiyalara tətbiq etmək istədiyiniz zaman bir problemdir.

Öz məlumatlarınızı toplayırsınızsa, məlumat toplamadan əvvəl araşdırma aparmaq, başqalarının problemi necə müəyyənləşdirdiyini görmək vacibdir. Topladığınız ilkin məlumatlara sahib olmaq şansınız varsa, təhlilinizi nəzərə alaraq müşahidələrinizi təyin edə bilərsiniz. Ancaq əksər hallarda bu belə deyil və digər mənbələrdən əldə etdiyimiz məlumatları təhlil edirik. Məkan məlumatları ilə əlaqəli məlumat əldə edə bilmək daha tez-tez olur, bu da analiz üçün məlumat toplayarkən həqiqətən kömək edir. Spatiotemporal analiz kimi kompleks analizlər apararkən bu qədər məlumat komponentinə ehtiyacınız var və nadir hallarda bütün məlumatları yalnız bir mənbədən tapa bilərsiniz. Tez-tez bəzi analizləri nəzərə alaraq bəzi məlumatları özünüz toplaya bilərsiniz və sonra fərqli ikinci dərəcəli mənbələrdən digər komponentləri əldə edə bilərsiniz. Getdikcə daha çox verilənlər bazası, bu analizləri aparmaq bacarığı olan daha çox insana yol açan məkan məlumatlarını da əhatə edir.

Verilərimizi əldə etdikdən sonra, bütün məlumatlara əsaslanan tədqiqatlarda olduğu kimi, əsas bir sonrakı addım da məlumatları araşdırmağa başlamaqdır. Çox şey, digər məlumat formalarını araşdırmaq üçün sadə frekansları və ya çarpaz nişanları işə saldığımız zaman, eyni zamanda ümumi və spatiotemporal məlumatlarla yanaşırıq. Təsviri məlumat analizlərinə əlavə olaraq, sadə təsvir xəritələrindən istifadə edərək məlumatlarımızı nəzərdən keçirə bilərik. Bunu etməklə, yalnız məlumatlara baxaraq görə bilməyəcəyimiz məkan məlumatları ilə əlaqəli ola biləcək vacib xüsusiyyətlərin və ya meyllərin aydın bir görüntüsünü əldə edə bilərik. Çıxış nöqtələrini, potensial səhv məlumatları və problemli ola biləcək kiçik və ya böyük hüceyrə sayımlarını da təyin edə bilərik.

Xəritə A: Döş xərçəngi ölüm nisbətləri ən aşağı nisbətlərdə (yaşıl) və ən yüksək göstəricilərdə (qırmızı) olan əyalətlər ətrafında bəzi qruplaşma ola biləcəyini görmək üçün aydın rənglərdən istifadə edərək eşlendi. Potensial kənarları görmək üçün nisbətlərin histoqramı da hazırlandı və digər əyalətlərə nisbətən daha yüksək göstəricilərə sahib bir əyalət (Mississippi) var (100.000 nəfərə 28 ölüm). Tapıntıları nəzərə alaraq, bu nisbətlərin digər illərə və digər əyalətlərə uyğun olub olmadığını yoxlayırsınız.

Xəritə B: Bu xəritədə, potensial kiçik hüceyrə sayımlarına və ya problemlərə səbəb ola biləcək səhv məlumatlara baxmaq üçün ölüm sayımlarından istifadə edirik. Böyük bir kənar nöqtəmiz var, ancaq əlavə təhlillər göstərir ki, əyalət Kaliforniyadır, əhalisi çox böyükdür, buna görə daha az narahat ola bilər. Xəritədə əhalisi cəmləşməmiş bölgələrdə (yəni qərb əyalətləri, Maine və s.) Bir çox kiçik sayının olduğunu göstərir. Səbəbini müəyyənləşdirmək üçün daha çox düşünmək istəyə bilərsiniz - əhali az olduğu üçün bu aşağı saymılar və ya məlumat toplama məsələsi kimi başqa bir şeydir. Kiçik saymalara əlavə olaraq, bu xəritədə ənənəvi frekanslarla görə bilmədiyimiz yığılma yerlərini görə bilərik. Bu iki qrup niyə buradadır?

Spatiotemporal məlumatların təhlil edilməzdən əvvəl çox vaxt dəyişdirilməsinə ehtiyac ola bilər. Lazım gələrsə, məlumatları mərkəzləşdirmək üçün metodlardan istifadə edin və məlumatların normal bir paylanmaya yaxın olması üçün çevrilmələrdən istifadə edin.

Digər bir əsas cəhət, məkanla əlaqəli müşahidələrin müstəqilliyini yoxlamaqdır. Kümelenmə ilə əlaqədar narahat olmağınız lazımdır və verilərinizin necə göründüyünə və hansı qruplaşma gözlədiyinizə görə fərqli metodlardan istifadə edirsiniz. Kümelenmənin baş verə biləcəyi müxtəlif yollar bunlardır:

ST obyektlərinin kosmik olmayan atribut dəyərlərinə əsaslanan məkan qruplaşması

Hərəkət edən obyektlərin klasterləşdirilməsi

Kümelenme aşkar edildikdə, potensial statistik qrupları çıxaran alqoritmlərdən istifadə edərək məlumatları çevirmək lazım ola bilər

Tez-tez spatiotemporal məlumatlarda qərəzə səbəb ola biləcək bir məsələ avtokorrelyasiyanın mövcudluğudur. Bu, analitik modellərin əvvəlində müzakirə etdiyimiz bütün məkan cisimlərinin bir-birindən və bütün müvəqqəti məlumatların ondan asılı olmaması tələbindən irəli gəlir.

Avtokorrelyasiya, bir-birinə daha yaxın yaşayan subyektlərin həqiqətən təsadüfi bir məkan bölgüsü verərək gözləniləndən daha oxşar ola bilmə mexanizmidir. Və ya ABŞ-dakı məmə xərçəngi ölüm nisbətinə dair nümunəmizə əsaslanaraq, bir-birinə daha yaxın olan əyalətlər bir-birindən uzaq olan əyalətlərdən daha çox oxşar ola bilər.

İki dəyişən arasındakı əlaqəni nəzərdən keçirən ənənəvi bir korrelyasiya ilə müqayisədə, avtokorrelyasiya X dəyişən ilə X-nin qonşu dövlətlər (ölkələr, poçt kodları, insanlar) üçün orta dəyəri arasındakı əlaqəni ölçür. Avtokorrelyasiya, faiz dəyişənlərinizlə məkan baxımından əlaqəli olan ölçülməmiş amillərdən qaynaqlanırsa, analiz nəticələrinə qərəz gətirəcəkdir. Avtokorrelyasiyanın olması müstəqillik fərziyyəsini pozur və nəticədə ortaya çıxan modellərinizdə hər hansı bir reqressiya təhlili üçün qeyri-sabit parametr qiymətləndirmələri və etibarsız p dəyərləri ola bilər.

Avtokorrelyasiyanı qiymətləndirmək üçün ən çox istifadə olunan metod I Morans idi. Nöqtə verilərindən və ya çoxbucaqlılardan (dövlətlər kimi) istifadə edə bildiyiniz üçün ən ümumi hesablamadır və kategorik, ikili və ya davamlı dəyişənlərə sahib olmanızdan asılı olmayaraq bütün məlumat növlərini də daxil edə bilərsiniz, buna görə də məlumatlarınızı qiymətləndirərkən yaxşı bir başlanğıc ola bilər. .

Addım 4: Məkan quruluşunu təyin edin və modelləşdirin

Spatiotemporal çərçivədə yerləşdirilən və bu tip analizlər üçün istifadə edilə bilən bir çox model var. 'Spatiotemporal analiz' deməklə demək olar ki, 'regresiya' deyərək qədər geniş olduğunu gördük ki, bu da məlumatlarınızı bu metodlarda təhlil etməyi eyni vaxtda asanlaşdırır, çünki bir çox modelə sığa bilərsiniz və analiz etmək çətindir, çünki nadir hallarda açıq bir üsul var istifadə edin.

Aşağıda ədəbiyyatda tez-tez istifadə olunan bir neçə metod var:

Avtoreqressiya tez-tez uzununa və ya zaman seriyasında verilənlərdə istifadə olunur və nəticə dəyişənini öz əvvəlki dəyərlərindən xətti olaraq asılı olduğu üçün modelləşdirir. Yerli effektləri ən yaxşı şəkildə hesablayır, buna görə məkan dəyişkənliyi içərisində çox şey görməyi düşünürsənsə (fərdlər arasındakı fərqlər) bu təsirli bir metod ola bilər.

Məkan-Zaman Avtoreqressiv İnteqrasiya olunmuş Hərəkətli Orta:

Nəticə yalnız zaman içindəki əvvəlki dəyərlərindən deyil, eyni zamanda məkandakı əvvəlki dəyərlərindən də asılıdır. Tez-tez məkan və zaman nöqtələri arasında çox məsafəli məlumatlar və çox böyük məlumat dəstləri üçün istifadə olunur

Mekansal Çox Değişken Yaş Dövrü-Kohort (APC) Təsiri:

APC təsirlərinin yanında davranışa fərqli coğrafi təsirləri də nəzərə alır. Xərçəng modellərində tez-tez insanların yaşadıqları əlaqələri, davranışlarını necə təsir etdiyini, xərçəngdə gördüyümüz klassik APC təsirlərinin yanında istifadə olunur.

Geniş və qlobal miqyasda məkan və zaman boyunca düzəldilmiş parametr təxminlərini təqdim edir. Hamarlaşdırma üç ölçüdə (uzunluq, enlik və vaxt) həyata keçirilir. Fərqli zaman nöqtələrində əhəmiyyətli dəyişikliklər gözləsəniz, bu faydalı ola bilər. Məsələn, əlverişli səhiyyə qanununa qədər və sonra ştatlar arasında səhiyyə xidmətinin bir xəstəlik nəticəsinə təsirlərini görmək istəsəniz bu metoddan istifadə edilə bilər.

Modelin keyfiyyətini qiymətləndirmək üçün analitik model qalıqlarını araşdırır.

Qalıqların müvəqqəti paylanması zaman qrafiki ekranı və məkan bölgüsü xəritə ekranı vasitəsi ilə araşdırılır. Bir model, dəqiq bir müvəqqəti və məkan qanunauyğunluğu olmadıqda və ya başqa bir deyişlə hər ölçü üçün paylamalar təsadüfi səs-küy kimi göründüyü zaman düzgün bir şəkildə yaradılan sayılır və ya məkan-zaman dəyişməsinin ümumi xüsusiyyətlərini əks etdirir.

Təsadüfi paylanma qurulmadıqda analitik modeli dəyişdirməyi və ya qrupu bölməyi və təhlili yenidən nəzərdən keçirməyi seçə bilər. Qiymətləndirmə mərhələsində nəzərə alınacaq digər əsas amillər nəzəri ST modelinin əsas fərziyyələrinə nəzər salmaqdır - bütün müvəqqəti strukturlar hamar müvəqqəti əsas funksiyası tərəfindən tutulmalı və məkan asılılıqları dayanıqlılığı nümayiş etdirməlidir.

Analitik yanaşmada son tapşırıq, nəticələrdən istifadə etmək üçün məkan-müvəqqəti məlumat təhlili.

Model qənaətbəxş şəkildə qurulduqdan, düzəldildikdən və çıxarıldıqdan sonra nəticələr risk təhlilində və qərar qəbul edilməsində istifadə edilə bilər. Nəticələrin təfsiri, modelin sağlamlıq xəritələşdirməsindəki yeni nümunələri təsvir etmək üçün qurulub və ya modelin gələcək xəstəlik nəticələrinin proqnozlaşdırılması üçün işlənib hazırlanmasından asılıdır.

Yalnız təsviri hallar üçün bir spatiotemporal model inkişaf etdirmək üçün atılan ümumi addımları təsvir etdiyimiz üçün, nəticələrin necə şərh olunduğuna dair bir nümunə, İspaniyada 1975-2005-ci illərdə qadın məmə xərçəngi ölümünün yaşa görə spatiotemporal nümunələrinə baxaraq 2010-cu ildə aparılan bir araşdırmada araşdırıla bilər - İstinadlara baxın.

Faydalı və Gələcək İstiqamət

Şəbəkə və məkandan xəbərdar olan qərarların geniş toplanması səbəbindən məkan-müvəqqəti məlumat setlərinin sürətli böyüməsi, məkan-zəmanə məlumat analitik yanaşmalarında tələbi artırdı. Bu nəhəng fəza məlumatları kolleksiyaları çox vaxt maraqlı məlumatları və dəyərli məlumatları gizlədir. Spatiotemporal analiz bir çox çətinliklər yaradır, lakin müxtəlif fənlər və tədqiqat sualları üçün perspektivli bir tətbiqdir.

Bunun hələ çox tədqiq olunmamış bir sahə olduğunu unutmamaq vacibdir, lakin gələcək işlərdə məkan-müvəqqəti məlumatların tapılması tapşırığının hər biri üçün ətraflı tələb analizi və inkişaf texnikasının hazırlanması, müxtəlif məkan və müvəqqəti ərazilərdə geniş məlumat dəstləri ilə texnikanın qiymətləndirilməsi tələb olunacaq. dənəvərliklər, ST məlumatların tapılması tapşırığının hər biri üçün xüsusi keyfiyyət tədbirlərinin müəyyənləşdirilməsi və bu texnikanın sahəmizdəki böyüməsi metodu qiymətləndirmək üçün məlumat mühakimə edənlərin fərqli fənlərdəki tədqiqatçılarla fənlərarası əməkdaşlığından və aşkar edilmiş nəticələrin necə şərh olunduğundan asılı olacaqdır.


Metodlar

Təhsil sahəsi

Butanda malyariyanın yeddi bölgədə olduğu bildirilir: Chukha, Dagana, Pemagatshel, Samdrup Jongkhar, Samtse, Sarpang and Zhemgang [18, 19] (Şəkil & # x000a0 2). Bu bölgələr Hindistanın Assam və Qərbi Bengal əyalətləri ilə həmsərhəd olan Himalay dağlarının ətəklərində yerləşir və Hindistanda ən çox sayda malyariya hadisəsi olduğunu bildirirlər [20 & # x0201323]. Bu bölgələrdəki iqlim şəraiti yay aylarında isti və rütubətlidir, bol yağış miqdarı vektorlar üçün əlverişli bir mühit təmin edir [18, 19].

Butanın malyariya-endemik bölgələri, xəritələnmiş evləri olan tədqiqat bölgələri

Hal-hazırda, fokus IRS, Butanın malyariya-endemik bölgələrindəki evlərdə sintetik piretroid istifadə edərək hər 6 & # x000a0 ayda bir rutin olaraq aparılır. Bu çiləmə üsulu, musson mövsümündən əvvəl və dərhal sonra, mart və sentyabr aylarında həyata keçirilir. LLIN-lər Səhiyyə Nazirliyinə (SN) daxil olan Xalq Sağlamlığı Departamentinin (DoPH) Vektorlu Xəstəliklərə Nəzarət Proqramı (VDCP) tərəfindən hər 3 & # x020134 & # x000a0 ildə bir dəfə paylanır. Müvafiq sağlamlıq mərkəzlərindəki malyariya mütəxəssisləri LLIN-lərin planlaşdırılması və paylanması və IRS-lərin əlaqələndirilməsindən məsuldurlar. Onlara IRS-in aparılmasında VDCP tərəfindən təlim keçmiş çiləyicilər kömək edir. Əlavə olaraq, müalicə artemisinin əsaslı kombinasiya müalicəsi (ACT) ilə aparılır [24]. Aradan qaldırma səyləri daha çox interaktiv məlumat, təhsil və ünsiyyət və davranış dəyişikliyi və müdaxilələrdən istifadəni artırmaq üçün ünsiyyət strategiyaları ilə artır.

Butanın yeddi malyariya-endemik bölgəsindən Samdrup Jongkhar və Sarpang rayonları, bu bölgələrdə son 7 & # x000a0 il ərzində Butanda ən yüksək malyariya xəstəliyini davamlı olaraq bildirdikləri üçün mövcud araşdırma üçün seçilmişdir [24]. Bundan əlavə, hər bölgədən, öz bölgələrində ən çox malyariya hadisəsinə sahib olduqlarına görə iki alt bölgə seçildi. Jomotshangkha əsas sağlamlıq bölməsi (BHU) I, Langchenphug alt bölgəsinə və Samdrupchoeling BHU I, Samdrup Jongkhar rayonundakı Phuntshothang alt bölgəsinə müraciət edir. Chuzergang və Umling BHU II, sırasıyla Sarpang Bölgəsindəki Chuzergang və Umling alt bölgələrinə xidmət göstərir (Şəkil & # x000a0 2).

Məkan qərar dəstəyi sisteminin qurulması

Pulsuz proqram QGIS, xüsusi SDSS tətbiqinin inkişafı üçün CBS proqram platforması kimi istifadə edilmişdir. Microsoft Excel (Microsoft Corp, Redmond, WA, ABŞ) proqramı əlavə inteqrasiya olunmuş məlumatların idarə edilməsi və təhlili üçün istifadə edilmişdir.

Samdrup Jongkhar'daki Phuntshothang və Langchenphug'un iki alt bölgəsindəki evlərin coğrafi kəşfiyyatı (GR) Avqust ayında & # x02013Sentyabr 2013-də evlərin tam sayılması və coğrafi referansını əldə etmək məqsədi ilə həyata keçirilmişdir. Chuzergang və Umling alt bölgələrində əvvəlki ağıllı telefon əsaslı sahə Xəritəçəkmə əməliyyatlarından əldə olunan ev xəritəsi məlumatları da var (yayımlanmamış iş). GR zamanı və mövcud anketlərdən əldə edilən məlumatlar arasında unikal bir ev identifikasiya nömrəsi, ailə başçısının adı, ev tipi, otaq sayı, sakinlərin ümumi sayı və hər evdə 5 yaşa qədər uşaqların sayı və # x000a0 yaş. Butan VDCP-dən olan iki işçi, 2013-cü ilin avqust ayında ev təsərrüfatlarının xəritələşdirilməsini (GR) həyata keçirmək üçün inteqrasiya edilmiş bir qlobal mövqeləşdirmə sisteminə (GPS) (Trimble Juno) sahib olan əl kompüter cihazlarının istifadəsi üzrə təlim keçmişdir. Bu təlim keçmiş işçilərə malyariya daha çox kömək etmişdir. Phuntshothang alt bölgəsi üçün Samdrupchoeling BHU I və Samdrup Jongkhar rayonundakı Langchenphug alt bölgələri üçün Jomotshangkha BHU I müvafiq sağlamlıq mərkəzlərinin texniki işçiləri (Şəkil & # x000a0 3).

Məkan qərar dəstəyi sisteminin qurulması üçün rayon və alt bölgələrin seçilməsi. (GR Coğrafi kəşfiyyat, GPS Qlobal yerləşdirmə sistemi, HH ev təsərrüfatları)

Ev coğrafi yerləşmə (enlem ve boylam) məlumatları GPS-dən yükləndi və analiz və kartoqrafik nəticələr yaratmaq üçün istifadə edilən QGIS-də shapefiles yaratmaq üçün birləşdirildi (Şəkil & # x000a0 4).

Uzun müddət davam edən insektisid torunun əhatə dairəsini izləmək üçün çıxış xəritəsinin nümunəsi

SDSS inkişaf etdirildikdən sonra standart əməliyyat prosedurları (SOP) hazırlanmış və VDCP səlahiyyətliləri üçün SDSS-in istifadəsi üzrə 2 & # x000a0günlük təlim verilmişdir.Bu səlahiyyətlilər, baş proqram məmuru (CPO), CPO müavini, milli VDCP-nin tibbi entomoloqu və məlumat məmuru, Sarpang Bölgəsinin rayon malyariya nəzarətçisi və Chuzergang və Umling BHU II-nin malyariya texniklərini əhatə edirdi. İlkin tətbiqetmə və təlim müddətindən sonra proqram rəsmiləri və malyariya mütəxəssisləri SDSS-i 2014-cü ilin iyunundan noyabr ayınadək olan altı ay ərzində müstəqil şəkildə işlədiblər.

LLIN paylanması və IRS-nin idarə olunması üçün SDSS-nin tətbiqi

Müdaxilə məlumatları Microsoft Excel-də qeyd edildi və SDSS-ə yükləndi, burada unikal ev nömrəsini istifadə edən ev təsərrüfatları ilə əlaqələndirildi, beləliklə əhatə dairəsi və xidmət paylanması xəritə interfeysi vasitəsilə izlənilə bildi (Şəkil & # x000a0 4). Ev məlumatları SDSS-dən Microsoft Excel-ə çıxarıldı və sənədlər sahə işləri aparan rayon və sahə səviyyəli işçilərə göndərildi (Şek. & # X000a0 5, & # x200B, 6 6).

Məkan qərar dəstəyi sistemindən çıxarılan ev təsərrüfatları ilə atribut masası

Əməliyyat aləti: daxili qalıq püskürtmə aparmaq üçün məkan qərar dəstəyi sistemindən çıxarılan forma nümunəsi. (IRS daxili qalıq çiləmə üsulu, H H ev, Lat enlik, Uzun uzunluq, Pop əhali)

Proqram rəsmilərindən biri, Asiya Sakit Okean Malyariyanın Eliminasiya Şəbəkəsi (APMEN) və ÜST-nin himayəsi ilə CİS istifadəsi üzrə təlim keçmişdi. Dekabr 2013-cü ildə LLIN paylanmasının, 2014-cü ilin aprelində IRS paylanmasının planlaşdırılması, izlənməsi və tətbiqi üçün ev təsərrüfatlarının sənəd siyahılarının çıxarılması ilə aparıcı rol oynamışdır.

Bu fəaliyyətlərdən sonra 2014-cü ilin iyun ayında SDSS-nin qiymətləndirilməsi üçün bir sorğu keçirilmişdir. Ailələrə düşən orta hesabla LLIN sayı hesablanmış və müqayisə edilmişdir. t test) SDSS-i istifadə edən alt bölgələr arasında gündəlik məlumatların idarə edilməsi metodlarını istifadə edən bölgələr arasında. Eynilə, rayonlar arasındakı müntəzəm IRS zamanı əhatə olunan ev təsərrüfatlarının nisbəti hesablanmışdır. Dəyəri səh& # x000a0 & # x02264 & # x000a00.05 əhəmiyyətli hesab edildi.

RACD üçün SDSS-in tətbiqi

RACD üçün hazırlanmış SDSS-nin bir modulu bütün tədqiqat alt bölgələrində həyata keçirilmişdir (Şəkil & # x000a0 7). Eliminasiya şəraitində, hər bir malyariya xəstəliyi, qalıq infeksiyanı müəyyənləşdirmək üçün aktiv izləmə tələb edir [25]. Butanın mövcud təlimatları müəyyən edilmiş indeks hadisəsindən 1 & # x000a0km-də məskunlaşan əhalidə qalıq infeksiyaların araşdırılmasını tələb edir. Sadə bir məkan sorğusu tətbiqi, malyariya infeksiyasını bildirən ev təsərrüfatlarının ətrafında 1 & # x000a0km bufer zonaları yaratmaq üçün istifadə edilmişdir. Tampon zona yaradıldıqdan sonra, bu zona daxilindəki bütün ev təsərrüfatlarının siyahısı SDSS-dən çıxarıldı və kopiya şəklində ixrac edildi. Tampon zona daxilində olan ev təsərrüfatlarının xülasə məlumatları VDCP rəhbərləri tərəfindən planlaşdırma fəaliyyətləri üçün istifadə edilmişdir. Əlavə olaraq, VDCP və bölgələrdəki menecerlər, sahə fəaliyyətləri ilə məşğul olan malyariya texniklərinə bufer zonasında olan ev təsərrüfatlarının siyahılarını verdilər.

Tampon zonanın yaradılması və reaktiv hal aşkarlanması üçün indeks halından 1 km radiusda yerləşən ev təsərrüfatlarının çıxarılması. a Malyariya olduğunu bildirən ev təsərrüfatlarının seçimi b bufer zonasının yaradılmasında iştirak edən addımlar c bufer zonası infeksiya ocaqlarının 1 km radiusunda yaradılmışdır d bufer zonasında olan ev təsərrüfatlarının cəlb edilməsi)

RACD zamanı, malyariya mütəxəssisləri, sərt surət siyahısına əsasən bufer zonadakı bütün ev təsərrüfatlarını ziyarət etdilər və bütün sakinlər üçün ya nöqtəli sürətli diaqnostik test (RDT) ya da mikroskopiya üçün qan yaxma qan testləri apardılar. O vəziyyətdə Plazmodium parazitlər aşkar edildi, dərhal ACT ilə radikal müalicə başladıldı. Digər qabaqlayıcı tədbirlərə LLIN-lərin ev təsərrüfatları üçün uyğunluğunun yoxlanılması və sakinlərə müntəzəm istifadənin vacibliyini xatırlatmaq və evin ətrafındakı durğun suyun aşkarlanması və çıxarılması (mümkünsə) ətraf mühitin idarə olunması daxildir. Əlavə olaraq, malyariyanın qarşısının alınmasına dair sağlamlıq təhsili ümumiyyətlə yayılırdı.

SDSS proqramının və məqbulluğunun qiymətləndirilməsi

SDSS qiymətləndirməsi üçün məlumat verənlər, SDSS-in tətbiqində iştirak etmələri əsasında işə daxil olmaq üçün seçilmişdir. Milli səviyyədə tibbi entomoloq və məlumat məmurundan əlavə iki proqram meneceri ilə də görüş keçirildi. Bir bölgə malyariya müdiri və iş alt bölgələrini təmin edən dörd sağlamlıq mərkəzindən altı malyariya mütəxəssisi, ümumilikdə 11 məlumat verən şəxslə görüşdü. Bütün müsahibələr üz-üzə aparıldı. Yarı strukturlaşdırılmış reportajlar 20 & # x0201345 & # x000a0dk davam etdi. Açıq suallar, SDSS tətbiq edərkən bir məlumat verən şəxsin bilik və təcrübələrini əldə etməyə yönəldilmiş və SDSS-nin məqbulluğu və faydası və istifadəsindəki maneələri əhatə etmişdir. Müsahibələr bir neçə dildə (İngilis, Dzongkha və Tshangla) aparıldı və aparıcı müəllif (KW) tərəfindən elektron qeyd edildi və qeydlərə əlavə olaraq sahə qeydləri yazıldı. Müsahibələr əl ilə köçürüldü və tədqiqat sualları ilə əlaqəli ortaya çıxan mövzuları araşdırmaq üçün əl ilə kodlandı. Nəticələr (yəni ortaya çıxan mövzular) milli, bölgə və sahə işçisi məlumat verənlər arasında müqayisə edildi.

Etik rəsmiləşdirmə

Bu iş üçün etik təsdiq, Sağlamlıq Tədqiqat Etik heyəti (REBH), Butan Kral Hökuməti (istinad nömrəsi: REBH / Approval / 2013/014), Queensland Universitetinin İnsan Tədqiqat Etik Komitəsi (istinad nömrəsi) tərəfindən təmin edilmişdir. : 2013000884) və Avstraliya Milli Universitetinin İnsan Etik Komitəsi (Protokol No 2014/633). Anket keçirilmədən əvvəl yerli icma liderlərindən şifahi icazə istənildi. Hər ailənin başçısından və ya sorğuda iştirak edən şəxslərdən yazılı məlumatlı razılıq alınmışdır. Müsahibə verən hər bir respondent üçün yerli dildə anketin ümumi məqsədini, faydalarını və risklərini izah etdi. Respondentlər istənilən anketdə iştirakdan imtina etmək hüququna malik idilər. Müsahibələr qeyd edilərkən hər zaman məxfilik qorunurdu.


Ph.D. görüntüləmə elmində təqaüd elminin müxtəlif aspektlərində təqaüd və müstəqil araşdırmada yüksək nailiyyət deməkdir. Şagirdlər, bu təhsil sahəsi ilə əlaqəli olan elm və mühəndislikdəki əsas biliklərinə qatqı təmin edirlər. Bir görüntüləmə doktoru kimi namizəd, intizamın sərhədlərini genişləndirməyə davam edəcək və sahədəki gələcək elmi, sənaye və hökumət tələblərini qarşılamaq üçün bacarıq, bacarıq və təcrübə qazanacaqsınız.

Doktora dərəcəsi almaq üçün namizədlər aşağıdakıları bacarıqlarını göstərməlidirlər:

  • Tələbənin təhsil planı ilə müəyyənləşdirildiyi kimi əsas tədris proqramı daxil olmaqla kurs işlərini uğurla başa vurmaq
  • Bir sıra imtahanlardan keçmək və
  • Tələbənin tədqiqat məsləhətçisi və dissertasiya komitəsinin nəzarəti altında məqbul bir dissertasiyanın tamamlanması.

Tədris planı

Bütün tələbələr minimum 60 kredit saatlıq kurs və tədqiqat işini başa vurmalıdırlar. Əsas tədris proqramı görüntüləmə prosesləri və tətbiqetmələrini başa düşmək üçün vacib olan ümumi bir məlumat toplusunu əhatə edir. Kurslar tələbənin təhsil planı ilə müəyyən edilir və əsas kurs ardıcıllığı ilə yanaşı uzaqdan zondlama, rəqəmsal görüntü işləmə, rəng görüntüləmə, rəqəmsal qrafika, elektro-optik görüntüləmə sistemləri və mikrolitoqrafik görüntüləmə texnologiyaları kimi aktual bir sahədəki ardıcıllığı da əhatə etməlidir.

Tələbələr digər şöbələrdə məhdud sayda kredit saatı ala bilərlər və tədqiqat seminar kursu, Lisansüstü Seminar ilə əlaqəli iki kredit araşdırması da daxil olmaqla tədqiqat kreditlərini tamamlamalıdırlar.

Chester F. Carlson Görüntüləmə Elmləri Mərkəzi (və görüntüləmə elmləri ilə sıx əlaqəli sahələrdə olan digər RIT akademik şöbələri) tərəfindən təklif olunan məzun seçmə kursları, tələbələrin işlərini elektro-optik daxil olmaqla bir sıra görüntüləmə elmi araşdırmaları və görüntüləmə tətbiqetmə sahələrində cəmləşdirməsinə imkan verir. görüntüləmə, rəqəmsal görüntü işləmə, rəng elmi, qavrayış və görmə, elektrofotoqrafiya, litoqrafiya, uzaqdan algılama, tibbi görüntüləmə, elektron çap və maşın görüntüsü.

Namizədliyə yüksəlmə

Namizədliyə yüksəlmək aşağıdakı addımlarla baş verir:

  • Məsləhətçi seçimi
  • İlkin təhsil planının təqdim edilməsi və təsdiqlənməsi
  • Yazılı ixtisas imtahanından keçmək
  • Kvalifikasiya imtahanının nəticələrinə və məsləhətçi tövsiyələrinə əsasən təhsil planına yenidən baxılması
  • Araşdırma komitəsi təyinatı
  • Namizədlik imtahanı tez təklifinə əsaslanır

Seçmə imtahanından sonra fakültə tələbənin doktorantura proqramında davam edib etməməsinə və ya magistr dərəcəsi və ya başqa bir proqram seçiminin daha məqbul olub olmadığına qərar verir. Doktoranturada davam edən tələbələr üçün tələbənin təhsil planı yenidən nəzərdən keçiriləcək, tədqiqat komitəsi təyin ediləcək, namizədlik / təklif imtahanları təyin ediləcək və nəhayət, bir dissertasiya müdafiəsi təqdim ediləcək.

Tədqiqat Komitəsi

Namizədlik imtahanından əvvəl tələbə bir məsləhətçi ilə məsləhətləşərək, bir tədqiqat komitəsinin təyin edilməsi üçün məzun proqram koordinatoruna bir tələb təqdim etməlidir. Komitə ən azı dörd nəfərdən ibarətdir: müşavir, ən azı vəzifə sahibi (və ya vəzifə müəllimi) olan və əsas mənsubiyyəti Carlson Görüntüləmə Elmi Mərkəzidir (tədqiqat fakültəsi xaricində), bu sahədə səlahiyyətli bir şəxs. bir RIT fakültəsi üzvü olan və ya sənayedə və ya başqa bir universitetdə əlaqəli olan və doktorluq dərəcəsi olan və xarici kafedra olan araşdırma. Xarici kafedra, mərkəzin fakültəsi üzvü olmayan və məzun təhsili dekanı tərəfindən təyin olunan RIT fakültəsinin icarə edilmiş üzvü olmalıdır. Komitə tələbə araşdırmasına rəhbərlik edir, tədqiqat təklifinin nəzərdən keçirilməsindən başlayaraq dissertasiya müdafiəsi ilə yekunlaşır.

Tədqiqat təklifi

Tələbə və onların tədqiqat məsləhətçisi dissertasiya üçün tədqiqat mövzusu seçirlər. Təklif olunan tədqiqat orijinal və nəşr edilə bilən olmalıdır. Mövzu görüntüləmə ilə əlaqəli olsa da, tədqiqatlar ümumiyyətlə mərkəzdə mövcud olan bir sahəyə cəmlənmişdir. Tədqiqat təklifi namizədlik imtahanı zamanı dissertasiya müdafiəsindən ən azı altı ay əvvəl tələbənin tədqiqat komitəsinə təqdim olunur.

Dissertasiyanın Yekun Müayinəsi

Tədqiqat məsləhətçisi tələbə və tələbə tədqiqat komitəsi adından dissertasiyanın məzmunu və referatını və planlaşdırılan tarixini magistr proqramı koordinatoruna göndərərək dissertasiyanın yekun imtahanının vaxtı barədə məzun proqram koordinatorunu xəbərdar etməlidir; müayinənin vaxtı və yeri. Dissertasiyanın yekun imtahanı tələbənin namizədlik imtahanından keçdiyi tarixdən (tezis təklifinin təqdim olunduğu və təsdiq olunduğu) altı ay ərzində təyin edilə bilməz.

İstisna hallara qadağa qoyaraq (məzun proqramı koordinatorundan icazə tələb olunur), imtahan rəsmi elan edildikdən (yəni ümumdünya koridor elanları və e-poçt yayımı) dissertasiya adı və referatı və müdafiə tarixindən sonra dörd həftədən tez təyin edilə bilməz. , vaxt və yer.

Dissertasiyanın yekun imtahanı ictimaiyyət üçün açıqdır və ilk növbədə dissertasiya tədqiqatının müdafiəsidir. İmtahan şagirdin şifahi təqdimatından sonra dinləyicilərin suallarından ibarətdir. Tədqiqat komitəsi, təqdimatdan sonra namizədi xüsusi olaraq sorğu-sual edə bilər. Tədqiqat komitəsi imtahanın nəticəsi barədə dərhal namizəd və məzun proqram koordinatorunu xəbərdar edəcəkdir. '

Rezidentura

Proqramdakı bütün tələbələr, doktorluq dərəcəsini almaq hüququ qazanmaq üçün ardıcıl olaraq iki semestr (yaz xaric) əyani əyani tələbə olaraq keçirməlidirlər. Vəziyyət tələb edərsə, rezidentura tələbi, məsləhətçi və məzun fakültəsi ilə məsləhətləşərək tələbənin vəsatətinə qərar verəcək məzun proqram koordinatoruna vəsatət qaldırılaraq ləğv edilə bilər. Tələb tez müdafiə olunmaq üçün ən azı doqquz ay əvvəl göndərilməlidir.

Maksimum vaxt limiti

Universitet siyasəti, doktorantura proqramlarının tələbə seçmə imtahanından keçdikdən sonra yeddi il ərzində tamamlanmasını tələb edir. Körpü kursları istisna olunur.

Bütün namizədlər proqramın tədqiqat mərhələsində davamlı qeydiyyatdan keçməlidirlər. Belə qeyd dərəcə üçün tətbiq olunan maksimum tədqiqat krediti sayı ilə məhdudlaşmır. Normalda əyani tələbələr, doktorantura təhsili müddətini təxminən üç ilə beş il ərzində tamamlayırlar. Seçmə imtahanından keçdikdən sonra cəmi yeddi il dərəcəni bitirməyə icazə verilir.

Milli Laboratoriyalar Karyera Sərgisi

RIT-in Karyera Xidmətləri və Kooperativ Təhsili Ofisinin ev sahibliyi etdiyi Milli Laboratoriyalar Karyera Sərgisi, ABŞ-ın federal maliyyələşdirdiyi tədqiqat və inkişaf laboratoriyalarından təmsilçiləri kampusa gətirən illik bir tədbirdir. Bu milli laboratoriyalar elmi kəşf, təmiz enerji inkişafı, milli təhlükəsizlik, texnologiya inkişafları və s. Tələbələr laboratoriya mütəxəssisləri ilə əlaqə qurmaq, fürsətləri öyrənmək və həmkarlar ittifaqları, təcrübə, tədqiqat vəzifələri və daimi iş üçün görüşmək üçün karyera sərgisinə dəvət olunurlar.


Coğrafiya və Geoinformasiya Elmi (GGS)

Tələb olunan şərtlər: GGS 310 C və ya 310 XS.
C minimum C tələb edir.
XS minimum XS dərəcəsini tələb edir.

Tələb olunan şərtlər: GGS 300 C və ya 300 XS.
C minimum C tələb edir.
XS minimum XS dərəcəsini tələb edir.

Birinci sinif və ya ikinci sinif şagirdləri ola bilər yox qeydiyyatdan keçmək.

Tələb olunan şərtlər: GGS 379 C, 379 XS, 416 C və ya 416 XS.
C minimum C tələb edir.
XS minimum XS dərəcəsini tələb edir.

Tələb olunan şərtlər: GGS 379 C, 379 XS, 416 C və ya 416 XS.
C minimum C tələb edir.
XS minimum XS dərəcəsini tələb edir.

Tələb olunan şərtlər: (GGS 300 C, 300 XS, L300 və ya 300T) və (GGS 311 C, 311 XS, 311T və ya L311).
C minimum C tələb edir.
XS minimum XS dərəcəsini tələb edir.

500 Səviyyə Kursları

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qəbul məzun, qeyri-dərəcə və ya lisenziya səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qəbul məzun, qeyri-dərəcə və ya lisenziya səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qəbul məzun, qeyri-dərəcə və ya lisenziya səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qəbul məzun, qeyri-dərəcə və ya lisenziya səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qəbul məzun, qeyri-dərəcə və ya lisenziya səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qəbul məzun, qeyri-dərəcə və ya lisenziya səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qəbul məzun, qeyri-dərəcə və ya lisenziya səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qəbul məzun, qeyri-dərəcə və ya lisenziya səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qəbul məzun, qeyri-dərəcə və ya lisenziya səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qəbul məzun, qeyri-dərəcə və ya lisenziya səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qəbul məzun, qeyri-dərəcə və ya lisenziya səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qəbul məzun, qeyri-dərəcə və ya lisenziya səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qəbul məzun, qeyri-dərəcə və ya lisenziya səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qəbul məzun, qeyri-dərəcə və ya lisenziya səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Namizədlik, Məzun, Qeyri-dərəcə və ya Üstün dərəcə səviyyəsinə yüksəlmiş bir sinif tələbələri ilə qeydiyyat məhduddur.

Qəbul məzun, qeyri-dərəcə və ya lisenziya səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qəbul məzun, qeyri-dərəcə və ya lisenziya səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qəbul məzun, qeyri-dərəcə və ya lisenziya səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qəbul məzun, qeyri-dərəcə və ya lisenziya səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qəbul məzun, qeyri-dərəcə və ya lisenziya səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

600 Səviyyə Kursları

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qəbul məzun, qeyri-dərəcə və ya lisenziya səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə yüksəlmiş bir sinif tələbələri ilə qeydiyyat məhduddur.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qəbul məzun, qeyri-dərəcə və ya lisenziya səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qəbul məzun, qeyri-dərəcə və ya lisenziya səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qəbul məzun, qeyri-dərəcə və ya lisenziya səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qəbul məzun, qeyri-dərəcə və ya lisenziya səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qəbul məzun, qeyri-dərəcə və ya lisenziya səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qəbul məzun, qeyri-dərəcə və ya lisenziya səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qəbul məzun, qeyri-dərəcə və ya lisenziya səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qəbul məzun, qeyri-dərəcə və ya lisenziya səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qəbul məzun, qeyri-dərəcə və ya lisenziya səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qəbul məzun, qeyri-dərəcə və ya lisenziya səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qəbul məzun, qeyri-dərəcə və ya lisenziya səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qəbul məzun, qeyri-dərəcə və ya lisenziya səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qəbul məzun, qeyri-dərəcə və ya lisenziya səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə yüksəlmiş bir sinif tələbələri ilə qeydiyyat məhduddur.

Qəbul məzun, qeyri-dərəcə və ya lisenziya səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qəbul məzun, qeyri-dərəcə və ya lisenziya səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qəbul məzun, qeyri-dərəcə və ya lisenziya səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qəbul məzun, qeyri-dərəcə və ya lisenziya səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qəbul məzun, qeyri-dərəcə və ya lisenziya səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qəbul məzun, qeyri-dərəcə və ya lisenziya səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qəbul məzun, qeyri-dərəcə və ya lisenziya səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə yüksəlmiş bir sinif tələbələri ilə qeydiyyat məhduddur.

Qəbul məzun, qeyri-dərəcə və ya lisenziya səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qəbul məzun, qeyri-dərəcə və ya lisenziya səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Namizədliyə, Məzuniyyətə, Qeyri-Dərəcəli və ya Üstəgəl dərəcəsinə qədər bir sinif üçün tələbə ilə məhdudlaşır.

Qəbul məzun, qeyri-dərəcə və ya lisenziya səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

700 Səviyyə Kursları

Qəbul Məzun və ya Qeyri-dərəcə səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Qəbul Məzun və ya Qeyri-dərəcə səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Qəbul Məzun və ya Qeyri-dərəcə səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Qəbul Məzun və ya Qeyri-dərəcə səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Qəbul Məzun və ya Qeyri-dərəcə səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Qəbul Məzun və ya Qeyri-dərəcə səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Qəbul Məzun və ya Qeyri-dərəcə səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Qəbul Məzun və ya Qeyri-dərəcə səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Qəbul Məzun və ya Qeyri-dərəcə səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Qəbul Məzun və ya Qeyri-dərəcə səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Qəbul Məzun və ya Qeyri-dərəcə səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Qəbul Məzun və ya Qeyri-dərəcə səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Qəbul Məzun və ya Qeyri-dərəcə səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Qəbul Məzun və ya Qeyri-dərəcə səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr yox qeydiyyatdan keçmək.

Qəbul Məzun və ya Qeyri-dərəcə səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Qəbul Məzun və ya Qeyri-dərəcə səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.

Qəbul Məzun və ya Qeyri-dərəcə səviyyəli tələbələrlə məhdudlaşır.

Qeyri-dərəcə lisenziya dərəcəsi alan tələbələr ola bilər yox qeydiyyatdan keçmək.


Yekun sözlər

Təklif olunan interaktiv keçid xəritəsi, futbol klublarına, məlumatlara fərqli perspektivlərdən baxmaq və fərqli qarşılıqlı təsir metodlarından istifadə edərək dəyişikliklər etmək imkanı verərək, böyük və mürəkkəb məlumat dəstləri ilə məşğul olmaq üçün yeni bir vasitə təqdim edir. Lakin bu kimi vasitələrin inkişafı üçün vaxt tələb olunur və texniki və futbolla əlaqəli komponentləri uğurla birləşdirmək üçün bir çox təkrarlamalara ehtiyac var. İstifadəçi və istifadənin araşdırılması da çox tələb olunur. Bundan əlavə, futbol məkan və zamanın istifadəsi ilə əlaqəli olduğundan, məkan-zaman dinamikliyinin nümunələrini vurğulamaq, ümumiləşdirmək və ümumiləşdirmək və bu kimi bir vasitədən keçməklə bağlı daha inkişaf etmiş sualları cavablandırmaqla dəyər əlavə etmək olar. Eyni zamanda, fərdi oyunçuların necə performans göstərdiyini və üslublarının komanda performansına necə təsir etdiyini tam başa düşmək üçün izləmə məlumatları və hadisə məlumatlarını da birləşdirmək və analiz etmək lazımdır. Nəticə olaraq, bu elmi intizam daxilində və xaricində yeni bir tətbiq sahəsi yaratmaq üçün əlavə töhfələr və səylər tələb olunur.

Şəkil 5, OGC Nice-in oyun vəziyyətinə əsasən fərqli oyun tərzlərini vurğulamaq.

Təşəkkürlər

Geribildirim, məsləhət və dəstək üçün Dr Corn & eacute van Elzakker (Twente Universitetinin dosenti) və Bart Aalbertsə (SciSports-un elmi tədqiqatçısı) təşəkkür edirik. Flowstrates-in mənbə kodu ilə əlaqədar kömək üçün Ilya Boyandin-ə də təşəkkür edirəm.

Bu layihə üçün istifadə edilən verilənlər bazası, 2016/2017-ci il mövsümündə beş Avropa (kişi) yarışında toplanan təxminən dörd milyon hadisədən ibarətdir: İngiltərə çempionatı, Alman Bundesliga, İspaniya Primera Divisi & oacuten, İtaliya Serie A və Fransa Liqası 1.

Əlavə oxu

Van Hoeve, L. T. (2017). Geovisual futbol analitikası: futbol məşqçiləri, analitiklər və oyunçular üçün interaktiv vizual interfeysin inkişafına doğru (magistr və rsquos tezisi). Utrecht Universiteti, Hollandiya.

Kotzbek, G., & amp Kainz, W. (2014). Futbol Oyun Analizi: Kartoqraflar və GI-Alimlər üçün yeni bir tətbiq sahəsi? In: İşlər, Cild 1 və cild 5. Beynəlxalq Kartoqrafiya və CİS konfransının 2-si. 15-21 iyun 2014, Riviera, Bolqarıstan, s. 299-306.

Boyandin, I., Bertini, E., Bak, P., Lalanne, D. (2011). Flowstrates: müvəqqəti mənşə-təyinat məlumatlarının vizual araşdırılması üçün bir yanaşma. Kompüter Qrafika Forumu, 30 (3), 971 & ndash980.

Boyandin, I. (2013). Müvəqqəti mənşə-təyinat məlumatlarının görselləşdirilməsi. Tezlik, Fribourg Universiteti Fen Fakültəsi, Fribourg (İsveçrə).

Gudmundsson, J., & amp; Horton, M. (2016). Komanda İdmanlarının Məkan-Müvəqqəti Təhlili - Anket. arXiv, (may), 184 & ndash193.

Gudmundsson, J., & amp; Wolle, T. (2014). Uzay-müvəqqəti vasitələrdən istifadə edərək futbol analizi. Kompüterlər, Ətraf mühit və şəhər sistemləri, 47, 16 & ndash27.

Pe & ntildea, J. L. & amp; Touchette, H. (2012). Futbol strategiyalarının şəbəkə nəzəriyyəsi təhlili. ArXiv ön çap arXiv: 1206.6904, 2012.


Giriş

Meşə yanğınları kimi təbii fəlakətlər dünya həyatında insan həyatı, kritik infrastruktur və həssas mühit üzərində əhəmiyyətli təsirlər göstərir. Davam edən təbii fəlakətlərdən təsirlənən ərazilər haqqında vaxtında və dəqiq məlumat bu təsirləri minimuma endirmək üçün fövqəladə hallara və geniş ictimaiyyətə kömək edir. Bununla birlikdə, fövqəladə vəziyyətlə əlaqədar həddindən artıq və gözlənilməz vəziyyətlərdə bu cür real vaxt məlumatları az təmin edilə bilər. Səlahiyyətli məlumat mənbələri darlıqlardan və yüksək gecikmədən əziyyət çəkə bilər. Digər tərəfdən, sosial media kimi mənbələrdən toplanan mənbələrdən alınan məlumatlar, avtomatik işləmə üçün lazımlı struktur və etibarlılıqdan məhrum ola bilər.

Məsələn, meşə yanğınları vəziyyətində, hər zaman və etibarlı şəkildə meşə yanğın perimetrləri haqqında son və dəqiq məlumat yarada biləcək nüfuzlu bir məlumat mənbəyi mövcud deyil. Meşə yanğınlarının dəqiq sərhədi olduqca dinamik və tez-tez qeyri-müəyyən bir şəkildə bilinsə də, təcili idarəetmə prosesləri, yanğın irəliləməsini mümkün qədər dəqiq tutmaq məqsədi ilə onsuz da müxtəlif sensorlardan istifadə edir. Yerüstü sensor şəbəkələrindən (məsələn, 1,2,3), yüksək qətnaməli peyklərdən (məsələn, 4,5,6) və havadakı infraqırmızı skanerlərdən (məsələn, 7,8,9) alınan məlumatlar hamısı meşə yanğınlarının fövqəladə planlaşdırılmasında və cavab. Bununla birlikdə, bu fərdi və ya birlikdə olaraq bu nüfuzlu mənbələrdən heç birinə həddindən artıq yanğın hadisəsi zamanı real vaxt, yüksək tezlik və meşə yanğın perimetrləri haqqında dəqiq məlumatlar etibar edilə bilməz. Eynilə, proqnozlaşdırılan meşə yanğını davranış modelləri (məsələn, 10,11,12) giriş məlumatlarının keyfiyyəti ilə qaçılmaz olaraq dəqiqliyi ilə məhdudlaşır. Yanğın proqressiyası barədə məlumat əldə etmək üçün hansı məlumat mənbəyindən istifadə olunursa olun, meşə yanğınlarının real vaxtda irəliləməsini müdaxilə edənlərə və qərara təqdim etmək üçün bir çox əməliyyat meşə yanğını idarəetmə sistemində (məsələn, Vic Emergency 13 və eMap 14) yanmış / yanmamış ərazilərin ikili xəritələri istifadə olunur. - istehsalçılar. Meşə yanğınları təbiətinə görə sadə bir sərhəddən daha mürəkkəb olmasına baxmayaraq, bu cür xəritələr geniş kütlə daxil olmaqla geniş bir kütlə üçün meşə yanğınlarının intuitiv bir nümayəndəliyi olmaq üstünlüyünə malikdir. Bu cür intuitiv məlumatların fövqəladə hallar zamanı insan qərarının tez və düzgün verilməsinə kömək etmək üçün mühüm rolu var.

Bunun əksinə olaraq, təbii fəlakət kimi təcili bir hadisə, tez-tez nüfuzlu rəsmi məlumatlardan daha sürətli bir şəkildə kütlə qaynaqlı məlumatların partlamasına səbəb olur. Beləliklə, 16,17 daşqınlar, 18,19,20 meşə yanğınları və 15,21,22 zəlzələlər də daxil olmaqla təbii fəlakətlərin real vaxtda aşkarlanması və izlənməsi üçün kredsoursinq geniş şəkildə araşdırılmışdır. Bununla birlikdə, minimal məlumat quruluşu və səs hadisələri ilə birbaşa əlaqəli olmayan səs-küylü məlumatların üstünlük təşkil etməsi səbəbindən sosial media kimi əksər izdihamlı məlumat mənbələrindən istifadə edilərkən əhəmiyyətli filtrləmə, yoxlama və keyfiyyətə nəzarət tələb olunur. 23,24,25.

Kütlə qaynaqlı olmasına baxmayaraq, təcili xidmətlərə edilən zənglər, təlim keçmiş insan operatorları tərəfindən zəng məlumatlarının qurulması və süzülməsi nəticəsində sosial media kimi bir çox kütlə mənbəyi məlumat mənbələrindən daha az səs-küylü və daha etibarlı olur. Təcili yardım xidmətləri getdikcə getdikcə təcili yardım zəngləri barədə məlumatları maşın tərəfindən oxunaqlı formatlara yığır və bu məlumatların anonim versiyalarını hamıya paylayır. Məsələn, 2010-cu ildən bəri Avstraliyanın Victoria şəhərində baş verən təcili yardım zəngləri və digər fövqəladə hadisələr barədə anonim məlumatlar ictimai RSS lentindən istifadə edərək real vaxtda yayımlanır (bax Əlavə məlumat A.1 və Əlavə Şəkil. S1).

Bu məqalədəki ümumi məqsədimiz, təcili yardım çağırışlarından əldə edilmiş və digər nüfuzlu məlumat mənbələri ilə birləşmiş kütlə qaynaqlı məlumatların, meşə yanğınlarının ətraf mühitinin avtomatlaşdırılmış, fasiləsiz və real vaxtda qiymətləndirilməsini təmin etmək üçün müəyyən edilmiş məlumatların çıxarılması üsulları ilə istifadə edilə biləcəyini göstərməkdir. Mövcud meşə yanğınlarının monitorinq metodları, nisbətən aşağı xərclərlə böyük məkan səviyyələri üzərində real vaxt monitorinqi təklif edə bilməz. Təcili yardım zəngləri barədə onlayn, ictimaiyyətə açıq, real vaxtda və anonim məlumatların istifadəsi asanlıqla həyata keçirilə bilən son dərəcə ucuz bir həll ilə nəticələnir. Bundan əlavə, yanaşma bu cür çağırışların təcili vəziyyətdən sonra baş verdiyi sürətdən istifadə edir. Nəticələr, fövqəladə çağırışlar haqqında məlumatların geniş məkan və müvəqqəti ərazilərdə meşə yanğınlarının təkamülünü izləmək üçün istifadə edilə biləcəyini və fəlakətlərin idarə edilməsində əhəmiyyətli bir kütlə mənbəyinin potensialını nümayiş etdirir. Alət, mövcud dəqiqlik səviyyəsinə görə, mövcud metodlarla müqayisədə yaxşılaşdırılmış gecikmə və daha çox elastiklik verir. Nəticədə, yanaşmanın mövcud meşə yanğınları idarəetmə sistemlərinə dəyərli bir əlavə olduğunu iddia edirik.

Təcili zənglərin yeri və mövzusu ilə bağlı real vaxt məlumatlarını təhlil edirik ki, aktiv meşə yanğınlarının inkişafını qiymətləndirmək üçün istifadə edilə bilən zənglərin məkan və müvəqqəti nümunələri müəyyənləşdirilsin. Victoria, Avstraliya, təcili yardım çağrıları, Təcili Xidmətlər Telekomünikasiya İdarəsi (ESTA) tərəfindən cavablandırılır, təsnif edilir və strukturlaşdırılmış spatiotemporal hadisə məlumatlarına şərh edilir. Bu hadisə məlumatlarına operator tərəfindən hadisə yerinə təyin olunmuş təxmini fəza koordinatı və bildirilən hadisə növü (məsələn, çəmən atəşi, meşə yanğını, qeyri-konstruksiyalı yanğın, quruluş yanğını, xilasetmə, hazmat hadisəsi və s.) Zəng vaxtı damğası daxildir. . Hadisə kateqoriyasındakı təriflərə görə, bir növ çəmənlik atəşi, meşə yanğını və qeyri-konstruksiyalı yanğın meşə yanğınları hadisələri ilə əlaqəli hesab edildi. Qiymətləndiricimiz yalnız bu qeydləri işləyir və digər hadisə tiplərinin qeydlərini tərk edir. 2010-cu ildən bəri, bu hadisə məlumatları, Viktoriya Ölkəsi Yanğın İdarəsi (CFA) tərəfindən bir RSS yayını olaraq ictimaiyyətə təqdim edildi.

Hər hansı bir kütlə qaynaqlı məlumat kimi, təcili yardım məlumatlarına da fövqəladə hadisələr haqqında real vaxt məlumatlarının "partlaması" yaratmaq üçün etibar edilə bilər. Məsələn, Şəkil 1, 2009-cu il Fevral ayının Qara Şənbə günü meşə yanğınları zamanı təcili zənglərin partlaması ilə yandırılan ərazidə sürətlə artımın təsadüfünü göstərir. Bir çox digər kütləvi məlumat növündən fərqli olaraq təcili zəng məlumatları mənada “kurasiya” olunur təlim keçmiş operatorların hər hadisə ilə əlaqəli spatiotemporal məlumatlar yaratmaq üçün zəng detallarını cavablandırması, təsnif etməsi və şərh etməsi.

7 Fevral 2009, Qara Şənbə meşə yanğınları zamanı təcili zənglərin sayı (30 dəqiqədə) və yanan ərazi.

Bu kurasiyaya baxmayaraq, zəng məlumatları hələ də bir çox qeyri-müəyyənlik mənbəyinə tabedir. Meşə yanğınları halında, fərqli yerlərdən çoxsaylı zənglər eyni yanğınsöndürənə aid edilə bilər, əksinə yaxınlıqdakı yerlərdən gələn zənglər, çoxsaylı aktiv meşə yanğınları arasındakı müxtəlif atəşkəslərə istinad edə bilər. Əhəmiyyətli bir meşə yanğını hadisəsi zamanı da bir çox zəng digər fövqəladə hadisələrlə və ya kiçik və ya əlaqəsiz yanğınlarla əlaqəli ola bilər. Təcili yardım çağırışları yanğınsöndürən bir yerdən keçdikdən sonra saatlarla və ya hətta günlərlə davam etməyə meyllidir. Əlavə olaraq, E-911 yerləşdirmə məlumatlarının mövcud olmadığı hallarda (məsələn, Avstraliyada olduğu kimi), operator təbii dildə istifadə edərək zəng edəndən hadisə yeri tapmalıdır. Hətta olduğu yerlərdə belə zəng edən yer avtomatik olaraq mövcuddur, operator ümumiyyətlə hələ qiymətləndirməlidir Hadisə yanğınlar halında çox mil uzaqdan görünə bilən yer.

Qurulmuş məkan-müvəqqəti klasterləşdirmə və forma yenidən qurma üsullarından istifadə edərək analizimiz mövzu, məkan məkanı və vaxtı əsas götürərək təcili çağırışları süzgəcdən keçirir və qruplaşdırır və daha sonra zəng yerləri və vaxtına əsasən meşə yanğını ətrafı üçün inkişaf edən "ayaq izi" qurur. Texniki qiymətləndirmə dəqiqliyini artırmaq üçün əhali sıxlığı və dinamik külək sahələri kimi müvafiq nüfuzlu demoqrafik və ekoloji məlumatları da birləşdirə bilər. Analizimiz real vaxt rejimində işləyə bilər və ən son RSS lent məlumatlarına əsaslanaraq anlıq perimetrlər yaradır. (Görmək Metodlar analiz texnikasının təfərrüatları üçün.) Nümunə olaraq, Şəkil 2, Qara Şənbə meşə yanğınları üçün üç zaman addımında çağırış yerlərini (qiymətləndirmə girişi), təxmin edilən yanğın yerlərini (çıxışı) və yenidən qurulmuş yanğın perimetrlərini (torpaq həqiqəti) göstərir.

Qara şənbə meşə yanğınlarının üç əsas mərhələsində, Fövqəladə 2009-cu il, təcili çağırış yerləri və ətraf qiymətləndirmələri ilə birlikdə meşə yanğınlarının dəyişən ətrafı.

Xəritələr QGIS 2.8.2-Wien (http://www.qgis.org/en/site/) 52 və Inkscape 0.91 (https://inkscape.org/en/) 53 istifadə edərək yaradıldı.


Xüsusi Sayı Redaktorları

Uzaqdan zondlama (RS) texnologiyasındakı sürətli temp RS-i şəhər böyüməsi, şəhərətrafı genişlənmə, gecəqonduların aşkarlanması, şəhər ekosistemi xidmətləri, torpaq səthinin istiliyi, ekstremal hadisələr səbəbindən zədələnmiş infrastrukturların müəyyənləşdirilməsi və s. Kimi şəhər sistemlərini izləmək üçün həyati bir məlumat mənbəyinə çevirir. daha çox. Uzaqdan Algılamadan istifadə edərək şəhər sistemlərini anlamaq üçün sənədlər çağırışı elan etməkdən məmnunluq duyuruq. Bu Xüsusi Sayı, şəhər sistemlərinin anlaşılmasında RS məlumatları və texnologiyalarının istifadəsi barədə fikir və məlumat mübadiləsi üçün bir forum təmin edir. Bu Xüsusi Nəşrin məqsədi bu səbəbdən şəhər tədqiqatları üçün möhkəm bir problem həll etmə qabiliyyəti yaratmaq üçün yeni fərziyyələr və biliklər yaratmaqdır.

Maraqlanan sahələrə aşağıdakılar daxildir, lakin bunlarla mütləq məhdudlaşmır:

  • RS məlumatlarını istifadə edərək torpaq istifadəsi / örtük dəyişikliyini izləmək və proqnozlaşdırmaq
  • RS məlumatlarını istifadə edərək şəhər yaşıl və mavi infrastrukturuna nəzarət
  • RS məlumatlarını istifadə edərək ağıllı, davamlı, yaşıl və ədalətli şəhərlərin modelləşdirilməsi
  • Şəklin işlənməsi və təsnifatı
  • Böyük məlumatlar və dərin öyrənmə
  • Şəhər tədqiqatları üçün Google Earth Engine tətbiqetmələri
  • Şəhər tədqiqatları üçün insansız hava sistemi (pilotsuz) tətbiqetmələri
  • Qurulmuş mühitlərdə quru səthinin temperaturu üçün termal RS
  • RS açıq məlumat siyasəti və altyapısı.

Dr. Əhməd Mustafa
Prof. Dr. Andreas Rienow
Qonaq Redaktorlar

Əlyazma təqdimetmə məlumatı

Əlyazmalar www.mdpi.com saytında qeydiyyatdan keçərək bu veb sayta daxil olaraq onlayn təqdim olunmalıdır. Qeydiyyatdan keçdikdən sonra təqdimetmə formasına keçmək üçün buraya vurun. Əlyazmalar son tarixə qədər təqdim edilə bilər. Bütün sənədlər nəzərdən keçiriləcəkdir. Qəbul olunmuş sənədlər fasiləsiz olaraq jurnalda dərc ediləcək (qəbul edildikdən sonra) və xüsusi buraxılış veb saytında birlikdə veriləcəkdir. Tədqiqat məqalələri, icmal məqalələri və qısa ünsiyyətlər dəvət olunur. Planlaşdırılan sənədlər üçün bir başlıq və qısa abstrakt (təxminən 100 söz) bu veb saytda elan üçün Redaksiyaya göndərilə bilər.

Təqdim olunan əlyazmalar əvvəllər çap olunmamalı və başqa yerlərdə nəşr olunmamalıdır (konfrans materialları istisna olmaqla). Bütün əlyazmalar tək kor-koranə araşdırma prosesi vasitəsilə hərtərəfli idarə olunur. Müəlliflər üçün təlimat və əlyazmaların təqdim edilməsi üçün digər müvafiq məlumatlar Müəlliflər üçün Təlimatlar səhifəsində mövcuddur. Uzaqdan Algılama MDPI tərəfindən nəşr olunan, beynəlxalq, yarım aylıq açıq açıq jurnaldır.

Zəhmət olmasa bir əlyazma təqdim etməzdən əvvəl Müəlliflər üçün Təlimatlar səhifəsini ziyarət edin. Bu açıq giriş jurnalında dərc üçün məqalə işləmə haqqı (APC) 2400 CHF (İsveçrə frankı) təşkil edir. Göndərilən sənədlər yaxşı formatda olmalı və yaxşı İngilis dilindən istifadə edilməlidir. Müəlliflər MDPI-nin İngilis redaktə xidmətindən nəşrdən əvvəl və ya müəllif düzəlişləri zamanı istifadə edə bilərlər.


Ağıllı Kart Məlumatlarından istifadə edən İctimai Tranzit Sərnişinlər arasında Məkan-Temporal Bənzərlik Korrelyasiyası

Artan ictimai nəqliyyat ağıllı kart məlumatlarının mövcudluğu, bir sıra tədqiqatların oxşar məkan və / və ya müvəqqəti səyahət xüsusiyyətləri olan sərnişinlərin müəyyənləşdirilməsinə yönəldilməsinə imkan verdi. Bununla birlikdə, bu sənəd sərnişinlərin məkan və müvəqqəti xüsusiyyətləri arasındakı əlaqəni araşdıraraq bir addım daha irəli gedir. İlk dəfə olaraq, bu sənəd yeni bir sərnişin əsaslı perspektivlə ictimai nəqliyyat şəbəkəsi üçün məkan oxşarlığı və müvəqqəti oxşarlıq tədbirlərini inkişaf etdirərək, məkan oxşarlığının ictimai tranzit sərnişinləri arasındakı müvəqqəti oxşarlıqla əlaqəsini araşdırır. Perspektiv sərnişinləri şəbəkədə çoxsaylı səyahət edə bilən agentlər hesab edir. Məkan oxşarlığı ölçüsü həm sərnişinlərin səyahətləri arasındakı məsafəni həm də nəzərə alır. Müvəqqəti oxşarlıq ölçüsü davamlı bir xətt məkanında həm minmə, həm də düşmə müddətini nəzərə alır. Sərnişinlər arasındakı məkan-müvəqqəti oxşarlıq histogramlar, Pearson korrelyasiya əmsalları və altıbucaqlı bininq istifadə edərək analiz edilir. Ayrıca, səyahət vaxtı və uzunluğu ilə məkan və müvəqqəti oxşarlıq dəyərləri arasındakı əlaqələr araşdırılır. Təklif olunan metodologiya, Brisbane, Avstraliyada 80.000 sərnişin daxil olmaqla dörd günlük ağıllı kart məlumatları üçün tətbiq olunur. Nəticələr sərnişinlər arasında qeyri-xətti məkan-müvəqqəti oxşarlıq əlaqəsini göstərir.

1. Giriş

Sərnişinlərin ictimai nəqliyyat şəbəkəsindəki hərəkətlərini təhlil etmək, sərnişinlərin səyahət davranışlarını anlamaqda və daha çox özelleştirilmiş ictimai nəqliyyat xidmətləri dizaynında vacibdir. Bənzər məkan və / və ya müvəqqəti səyahət qaydalarına sahib olan sərnişinləri müəyyənləşdirərək və onların xüsusiyyətlərini başa düşərək, tranzit operatorları fərqli sərnişin qruplarının fərqli ehtiyaclarını daha yaxşı qarşılayan tranzit xidmətləri dizayn edə və mövcud tranzit şəbəkəsindən daha səmərəli istifadə etmələri üçün səyahətçilərə təsir strategiyaları inkişaf etdirə bilər. Məsələn, hər gün bir qrup sərnişin müəyyən bir dayanacaqda və saatda müəyyən bir avtobus marşrutuna minirsə və son mənzilə çatmaq üçün başqa bir dayanacaqda avtobusu dəyişdirirsə, o zaman müəyyən bir avtobus (və ya mikroavtobus) ayrıla bilər. müəyyən bir dövr üçün ilk minmə və son enmə dayanacağı arasındakı həmin sərnişin qrupuna.

Hər sərnişin səyahəti üçün minmə və enmə yerləri və vaxtları barədə məlumat verən tranzit smart kart məlumatlarının mövcudluğu sayəsində artıq hər bir sərnişin üçün məkan və müvəqqəti hərəkət qaydalarını təhlil etmək və sərnişinlər arasında müqayisə etmək mümkündür və bununla da fərdi şəxslərin daha dərindən başa düşülməsinə imkan yaradılır. sərnişinlər və onların münasibətləri. Və hərəkətin hər bir məkan və müvəqqəti ölçüsü ölçü və vahidlərə malikdir ki, bu da bu ölçüləri eyni vaxtda öyrənməyi çətinləşdirir [1]. Tranzit səlahiyyətlilər iyirmi il əvvəldən bəri dünyada avtomatlaşdırılmış gediş haqqı toplama (AFC) sistemləri inkişaf etdirdilər. Bu sistemlər yalnız tarifləri toplamaq məqsədi daşımır, həm də qiymətli məlumat dəstlərini əlavə məhsul olaraq səyahətlərdən kənarlaşdırırlar. Məlumat dəstlərinə ictimai nəqliyyat sisteminə minmək və / və ya endirmək üçün əməliyyatların vaxtı və yeri daxildir [2, 3]. Məlumat dəstləri tədqiqatçılara tədqiqatları genişləndirməyə və ictimai nəqliyyatda olan sərnişinlər arasında qarşılıqlı əlaqələri araşdırmağa kömək edir [4, 5]. Əvvəllər nəqliyyat tədqiqatları üçün məlumat dəstləri daha çox işləməsi bahalı və ölçüsü məhdud olan anketlərdən toplanırdı. Beləliklə, ağıllı kart məlumat dəstləri, ictimai nəqliyyatda olan sərnişinlərin səyahət davranışlarını geniş və detallı miqyasda araşdırma imkanı yaradır.

Məkan və / və ya müvəqqəti ölçülərə görə səyahət oxşarlığının müəyyənləşdirilə biləcəyi sərnişinlərin gəzintiləri arasındakı oxşarlıqları araşdırmaq sərnişinlər arasında münasibətləri aşkar edə bilər. İki sərnişinin səyahətlərinin məkan və müvəqqəti olaraq nə qədər oxşar olduğunu müəyyənləşdirməklə “sərnişin bənzərliyi” iki sərnişin arasındakı səyahət oxşarlığının qarışıq ölçüsü kimi müəyyən edilə bilər. Sərnişin səviyyəsində belə bir oxşarlıq ölçüsü sərnişin xüsusiyyətlərinin analizinə kömək edə bilər. Bu tədbirlər müxtəlif müştəri mərkəzli tranzit xidmətləri və mobillik tətbiqetmələrinin dizaynına və inkişafına kömək edə bilər. Bu cür tətbiqetmə nümunələrinə tələbə cavab verən nəqliyyat (DRT) sistemləri [6], dostlara tövsiyə sistemləri [7, 8] və trafik axını proqnozlaşdırma modelləri daxildir [9].

Kağız, ilk dəfə (bildiyimiz qədər), məkan oxşarlığının ictimai nəqliyyat sərnişinləri ilə müvəqqəti oxşarlıq arasındakı əlaqəni araşdırır. Bir və ya daha çox səyahətin hər bir sərnişini modelləşdirdiyi sərnişin əsaslı bir perspektivlə ictimai nəqliyyat sərnişinlərinin məkan oxşarlığını və müvəqqəti oxşarlığını ölçür. Məkan və müvəqqəti oxşarlıq tədbirləri ictimai nəqliyyat şəbəkəsi üçün hazırlanmışdır. Məkan oxşarlığı ölçüsü həm sərnişinlərin səyahətləri arasındakı məsafəni, həm də istiqaməti nəzərə alır. Müvəqqəti oxşarlıq ölçüsü davamlı bir xətt məkanında həm minmə, həm də düşmə vaxtını nəzərə alır. Mekansal-zamansal bənzərlik əlaqəsi histoqramlar, Pearson korrelyasiya əmsalları və altıbucaqlı bininq istifadə edilərək analiz edilir. Bundan əlavə, məkan və müvəqqəti oxşarlıq dəyərləri ilə səyahət vaxtı və uzunluğu arasındakı əlaqə araşdırılır. Təklif olunan metodologiya, Brisbane, Avstraliyada 80.000 sərnişin üçün təxminən 180.000 səyahət ayağı da daxil olmaqla dörd günlük ağıllı kart məlumatları üçün tətbiq olunur.

Qısaca, məqalənin elmi töhvəsi üçqatdır. Birincisi, sərnişinləri həm minmə, həm də enmə əməliyyatlarının vaxtı və yeri ilə xarakterizə edən sərnişin əsaslı bir perspektiv, ictimai nəqliyyat sistemindəki səyahət davranışını öyrənmək üçün inkişaf etdirilir. İkincisi, ictimai nəqliyyat şəbəkəsindəki sərnişinlər arasındakı məkan və müvəqqəti oxşarlıqları ölçmək üçün ağıllı kart məlumatlarına əsaslanan xüsusi ölçmələr hazırlanır. Üçüncüsü, məkan və müvəqqəti oxşarlıq dəyərləri arasındakı əlaqə araşdırılır.

Kağızın qalan hissəsi aşağıdakı kimi qurulmuşdur. Ədəbiyyat icmalı bu sahələrdə son araşdırmalardan bəhs edir. Metodologiya sərnişinlər arasında məkan və müvəqqəti oxşarlıqların ölçülməsi üçün təklif olunan metodları təsvir edir. Nümunə işi və korrelyasiyanın təhlili Nəticələrdə izah edilmişdir. Nəhayət, Nəticə müzakirə, potensial tətbiqetmələr və planları əhatə edir.

2. Ədəbiyyat icmalı

İctimai nəqliyyatda sərnişinlərin gəzintilərinin həm məkan, həm də müvəqqəti aspektlərinin öyrənilməsi bu yaxınlarda diqqət mərkəzində olmuşdur. Nishiuchi et al. (2013) həm məkan, həm də müvəqqəti aspektlər üçün qanunauyğunluq indekslərini təyin edən səyahət xüsusiyyətlərindəki məkan, gündəlik və saatlıq dəyişiklikləri araşdırdı. Bir ay ərzində 31749 sərnişin səyahətindən çıxarılan ağıllı kart məlumat dəstindəki dəyişiklikləri araşdırdılar. Həftə içi saatlıq səyahətlərin sayı arasında heç bir əhəmiyyət fərqinin olmadığını öyrəndilər [10]. Ma et al. (2013) tranzit sərnişinlərin səyahət qaydalarının qanunauyğunluğunu təyin edən məkan və müvəqqəti nümunələri aşkar etmişdir. Dörd fərqli klaster alqoritmindən (K ++, c4.5, KNN, 3 gizli qat NN) istifadə etdilər və alqoritmlərin performansını müqayisə etdilər [11]. Tao et al. (2014) Bus Rapid Transit (BRT) sərnişinlərinin BRT xaricindəki sərnişinlərlə məkan-müvəqqəti nümunələrini axın-komap texnikasından istifadə edərək müqayisə etdi. Brisbane tranzit şəbəkəsini iş nümunəsi olaraq istifadə etdilər və BRT gəzintilərinin daha çox sayda daha uzun məsafəli səfərləri əhatə etdiyini aşkar etdilər [12]. Tao et al. (2014) sərnişinlər arasındakı naxışları tapmaq üçün dayanacaqlar əvəzinə sərnişinlərə yönəldi. Brisbane’dən bir ağıllı kart məlumat dəstini istifadə etdilər və sərnişinlərin gəzintilərinin məkan nümunələrinin daha da təhlili üçün 5 dəfə pəncərələrə böldülər [13].

Kieu və s. (2015) bir ağıllı kart məlumat dəstindən dayanma səviyyələrində məkan səyahət nümunələrini tapmaq üçün dəyişdirilmiş DBSCAN alqoritmindən istifadə etmişdir [14]. Ghaemi et al. (2015) ictimai nəqliyyat sistemindəki məkan-zamansal nümunə analizinin aşkarlanmasında çətinlikləri təsvir etmişdir. İctimai nəqliyyatda iki istifadəçi arasındakı məkan oxşarlığını ölçmək üçün bir metod təklif etdilər [15]. Manley at al. (2016) sərnişinlərin müxtəlif nəqliyyat rejimlərini nəzərə alaraq şəbəkə boyunca gəzintiləri arasındakı qanunauyğunluq dəyişikliklərini araşdırdı. DBSCAN çoxluq alqoritmindən istifadə etdilər və dəmir yolu və avtobus şəbəkələrində qanunauyğunluq üçün üç tərif təyin etdilər [16]. Ma et al. (2017), Pekində 1 aylıq ağıllı kartdan alınan məlumatları istifadə edərək ictimai nəqliyyat şəbəkəsində gediş-gəliş qaydalarını araşdırdı. Sərnişinlər və qeyri-kompüterlər üçün dayanma səviyyəsindəki məkan və müvəqqəti nümunələri araşdırdılar [17]. El Mahrsi et al. (2016), ağıllı kart verilənlər bazasının klasterləşdirilməsi üçün iki fərqli yanaşma təqdim etdi. Birincisi, dayanma yönümlü, yığılma və enmə əməliyyatlarının tezliyinə görə dayanan qruplar, ikincisi sərnişinlərə səyahətlərin qalma vaxtlarına görə qruplaşdıran sərnişin yönümlüdür [18]. Yu və He (2017) istilik xəritələrindən istifadə edərək səyahət tələbini dayanma səviyyəsində təqdim etmək üçün bir vizual model təklif etdilər. Ayrıca, Guangzhou'dan səkkiz həftəlik ağıllı kart məlumatlarında Gaussian Mixture Model (GMM) istifadə edərək avtobus səyahət tələbinin məkan-müvəqqəti nümunələrini tanıyırdılar [19].

Mövcud ədəbiyyat bu yaxınlarda ağıllı kart məlumatlarını istifadə edərək ictimai nəqliyyat sistemindəki məkan və müvəqqəti naxışları kəşf etmək üçün məlumatların çıxarılması üsullarına diqqət yetirir. Tədqiqatların əksəriyyəti ictimai nəqliyyat şəbəkəsindəki dayanma səviyyəsində məkan qanunauyğunluqlarını və ya qanunauyğunluq səviyyələrini aşkar etməyə yönəlmişdir. Dayanacaq və ya marşrut əsaslı perspektivlər eyni və ya fərqli sərnişinlərin səyahət etmələrini nəzərə almır. Bundan əlavə, bir neçə tədqiqat zaman pəncərələrindən istifadə edərək müvəqqəti ölçülü diskretləşdirən müvəqqəti nümunələri araşdırdı. Bununla birlikdə, yuxarıda göstərilən tədqiqatların heç biri, sərnişinlərin gəzintilərinin məkan və müvəqqəti aspektlərini sərnişinlərə əsaslanan bir perspektivlə tədqiq etməmişdir, bu da sərnişinlərə həm minmə, həm də yükləmə əməliyyatlarının vaxtı və yeri ilə xarakterizə olunan dinamik obyektlər kimi diqqət yetirir. işlərinin müxtəlif səviyyələrində minmə və ya yükləmə əməliyyatları. Bundan əlavə, yuxarıda göstərilən tədqiqatların heç biri nə məkan oxşarlığını ölçmək istiqamətini, nə də fasiləsiz bir xətt məkanında vaxtı nəzərə almamışdır. Bundan əlavə, yuxarıdakı heç bir işdə sərnişinlərin məkan oxşarlığı ilə müvəqqəti oxşarlığı arasındakı əlaqə araşdırılmamışdır. Bu səbəbdən, “sərnişinlərin səfərlərinin məkan və müvəqqəti ölçülərdə necə əlaqəli olması” və ya “oxşar məkan səyahəti nümunələri olan sərnişinlərin bənzər müvəqqəti səyahət qaydalarına sahib olub-olmaması” (məsələn, oxşar yerlərə səyahət edən sərnişinlər də oxşar gedişi seçəcəklər) kimi sualların araşdırılması dəfə) ”və ya“ məkan (zamansal) oxşarlığı nəzərə alınmaqla iki sərnişinin gəzintiləri arasındakı müvəqqəti (məkan) oxşarlıq nədir ”və ya“ səyahət uzunluğu və ya zamana görə məkan və müvəqqəti bənzərlik dəyərləri arasında hər hansı bir əlaqə varmı? ” Başqa sözlə, qəzet bu sualları cavablandırmağı hədəfləyir.

Ayrıca, əlaqəni tapmaq, ictimai nəqliyyat şəbəkəsində Demand Responsive Transit (DRT) və dost tövsiyə sistemlərini yaxşılaşdırmağa kömək edə bilər. Mekansal və müvəqqəti oxşarlıqlar arasındakı əlaqəni bilməklə, DRT sisteminin performansı iki yolla yaxşılaşdırıla bilər. Birincisi, məkan və ya müvəqqəti oxşarlıq dəyərləri arasındakı əlaqəni bilməklə proqnozlaşdırıla bilər, sadəcə məkan və ya müvəqqəti oxşarlıq dəyərlərindən birini ölçmək lazımdır (məsələn, yalnız məkan və ya müvəqqəti atributları özündə cəmləyən məlumat dəstləri). İkincisi, şərti ehtimal modelləri oxşarlıq dəyərlərinin müxtəlif aralığında məkan və ya müvəqqəti oxşarlığın olma ehtimalını müəyyən edə bilər. Mekansal və zamansal bənzərlik dəyərləri fərqli aralıklarda fərqli əlaqələrə sahibdir, buna görə şərti ehtimal modellərinin nəticəsinə görə fərqli DRT xidmətlərinin dizaynı üçün istifadə edilə bilər. Bundan əlavə, ictimai nəqliyyat şəbəkəsində iki sərnişinlə qarşılaşma ehtimalı, mövcud dost tövsiyə xidmətlərinin performansının yaxşılaşdırılmasına gətirib çıxaran məkan-zamansal oxşarlıq əlaqəsi nəzərə alınmaqla proqnozlaşdırıla bilər.

3. Metodologiya

Təklif olunan metod, oxşarlıqlar arasındakı əlaqəni tapmaq üçün sərnişinlər arasındakı məkan oxşarlığını və müvəqqəti oxşarlığı araşdırmağı hədəfləyir. Sərnişin səfərlərini yenidən qurmaq üçün ağıllı kart məlumatlarını istifadə edir. Həm də, ictimai nəqliyyat şəbəkəsində məkan və müvəqqəti oxşarlıq tədbirlərini inkişaf etdirir. Tədbirlər oxşarlıq matrislərini hesablamaq üçün istifadə olunur. Mekansal və müvəqqəti oxşarlıq matrisləri histoqramların çəkilməsində, Pearson korrelyasiya əmsallarının hesablanmasında, altıbucaqlı binning diaqramlarının qurulmasında və səyahət vaxtı ilə uzunluq arasındakı əlaqələrin oxşarlıq dəyərləri ilə araşdırılmasında istifadə olunur. Şəkil 1 metodologiyanın əsas addımlarını göstərir.

Ağıllı kart verilənlər bazasına minmə və / və ya enmə əməliyyatları üçün vaxt və yer daxildir. Əvvəlcə verilənlər bazasının təmizlənməsi lazımdır [20]. Səyahət ayağı bir sərnişinin ardıcıl minmə və enmə əməliyyatları arasındakı məsafə və müddətdir. Gəzinti bir və ya daha çox səyahət ayağından ibarətdir. Ümumiyyətlə, iki və ya daha çox səyahət ayağı, ardıcıl enmə və sonrakı minmə əməliyyatları arasındakı zaman boşluğuna əsaslanaraq bir səyahət olaraq birləşdirilir. Zaman boşluğu üçün müxtəlif eşiklər araşdırılır. Alsger və digərlərinin təhlillərinə əsasən. (2016) [21], bu işdə vaxt boşluğu 30 dəqiqə olaraq qəbul edilir. Ardıcıl iki ayaq ayağı arasındakı vaxt boşluğu 30 dəqiqədən azdırsa, gəzinti ayaqları bir-birinə səyahət olaraq bir-birinə bağlanacaqdır.

Gəzinti, həm məkan, həm də müvəqqəti ölçülərdə ölçülən fərqli konsepsiya və metriklərə sahib olan bir hərəkətdir.Mekansal fəza, cisimlərin hər iki ölçüdə də irəli və irəli hərəkət edə biləcəyi 2 ölçülü bir müstəvidir, müvəqqəti məkan isə cisimlərin yalnız irəliləyə biləcəyi 1 ölçülü xətti bir məkandır. Ayrıca, məkan və müvəqqəti ölçülər metr və dəqiqə kimi fərqli vahidlərə malikdir. Beləliklə, hərəkətin məkan və müvəqqəti ölçüləri ayrı çərçivələrdə öyrənilir. Bundan əlavə, bir sərnişin həm məkan, həm də müvəqqəti ölçülərdə şəbəkədə eyni vaxtda hərəkət edir. Şəkil 2 A dayanacağından B dayanmasına, sonra C dayanması üçün B dayanacağına gedən bir sərnişinin məkan və müvəqqəti hərəkətləri üçün bir nümunə göstərir.

Bənzərliklərin ölçülməsi üçün təklif olunan metod sərnişin əsaslıdır, baxmayaraq ki ədəbiyyatın əksəriyyəti dayanacaq və ya marşrut əsaslı tədqiqatlardır. Sərnişinləri ictimai nəqliyyat şəbəkəsində bir və ya daha çox səyahətə malik dinamik obyekt kimi qəbul etmək, şəbəkədəki kəşf olunmamış davranışları açıqlaya bilər. Dayanacaq və ya marşrut əsaslı işlər ümumiyyətlə bir sərnişin və ya fərqli sərnişinlərin səfər etməsini nəzərə almadan səyahətlərə vurğu edən sərnişinlərə biganədir. Bununla birlikdə, sərnişin əsaslı perspektiv, sərnişinləri bir gün ərzində bütün səyahətləri ilə modelləşdirir. Bir və ya daha çox gəzinti gün ərzində sərnişin davranışını xarakterizə edir. Sərnişin əsaslı perspektiv sərnişinlər arasındakı münasibətləri kəşf edir. Məsələn, iki sərnişinin ictimai nəqliyyat şəbəkəsindəki davranışları arasındakı oxşarlığı araşdıra bilər.

3.1. Məkan oxşarlığı

Ən uzun ümumi ardıcıllıq (LCS), Fréchet məsafəsi, dinamik zaman əyri (DTW) və TRACLUS kimi bəzi trayektoriya oxşarlıq ölçüləri vardır. Qısaca, LCS bir məkan yaxınlıq həddini təyin edir və iki nöqtə bənzər və ya eşikə söykənməyən olaraq qəbul edilir Fréchet iki trayektoriya arasındakı maksimum məsafəni minimuma endirir DTW trayektoriyaların hər nöqtəsindəki məsafələrin cəmini minimuma endirir TRACLUS, sıxlığa əsaslanan bir yığma alqoritmidir. traektoriyaları bölür və daha yaxın hissələri oxşar hesab edir. Yuxarıdakılar ədəbiyyatda tətbiq olunan, öyrənilən və müqayisə edilən əsas tədbirlərdir. Hər bir tədbirin, onları xüsusi tətbiqetmə və şəbəkələr üçün uyğunlaşdıran müsbət və mənfi cəhətləri vardır [22-28].

Yuxarıdakı bütün tədbirlər oxşarlığın əsas meyarı kimi traektoriyalar nöqtələri arasındakı məsafəni vurğulayır. Bunlar bir neçə metrdən bir yer ölçməsindən ibarət trayektoriya məlumat dəstləri üçün uyğundur. Bununla birlikdə, ağıllı kart məlumat dəstləri, hər bir səyahət ayağı üçün yalnız iki yeri əhatə edir. Bundan əlavə, ictimai nəqliyyat şəbəkəsində traektoriyalar arasındakı istiqaməti və ya bucağı, eləcə də məsafəni nəzərə almalı olan bəzi hallar var. Məsələn, iki sərnişin eyni dayanacağa minir, lakin bu vəziyyətdə fərqli istiqamətlərdə yerləşən fərqli dayanacaqlara səyahət edir, minmə dayanacaqları eyni yerdədir, lakin traektoriyaları oxşar deyil. Mövcud alqoritmlərə gəldikdə, ictimai nəqliyyat şəbəkəsi, ağıllı kart məlumatlarının quruluşu və sərnişin əsaslı perspektiv sərnişinlərin gəzintiləri arasındakı məkan oxşarlığını yoxlamaq üçün iki meyar nəzərə alınır: (1) Mənşə və ya təyinat yerləri arasındakı məsafə (2) Səfərlərin istiqaməti

Bu məsafə, ictimai nəqliyyatda olan sərnişinlərin səyahət davranışı və gəzinti sürətindəki araşdırmalara əsasən 600 metr olaraq qəbul edilir [21, 22, 29]. Ayrıca, səfərlərin istiqaməti, iki səfər arasındakı minimum bucaq 0 ilə 6 dərəcə arasındadırsa, iki gəzinti arasındakı bucaq olaraq təyin edilir, onda iki gəzinti eyni istiqamətdə qəbul ediləcəkdir. Vəziyyət tədqiqatında icazə verilən maksimum bucaq, orta yol uzunluğu (18 km) ilə əlaqəli 6 dərəcə olaraq qəbul edilir [30] müxtəlif vəziyyət tədqiqatlarında daha qısa (daha uzun) orta yol uzunluğu daha böyük (kiçik) icazə verilən maksimum açıya ehtiyac duyur. İki indeksin birlikdə nəzərə alınması eyni dəhlizdəki oxşar səyahətləri təyin edir. Buna görə, mənşə (təyinat) arasındakı məsafə 600 metrdən və iki səfər arasındakı bucaq 6 dərəcədən azdırsa, iki səyahət oxşar olacaqdır. İki səfər arasındakı məkan oxşarlığının dəyəri, daha qısa səyahət uzunluğunun daha uzun müddətə nisbəti kimi hesablanır. Şəkil 3 məkan oxşarlığı şərtlərinin nümunələrini göstərir.


Videoya baxın: QGIS การตดขอมลเวกเตอรในโปรแกรม QGIS How to clip vector layer by QGIS (Oktyabr 2021).