اطلاعات جغرافیایی
زهرا مرادی؛ محمدسعدی مسگری
چکیده
اهمیت روزافزون مسکن به لحاظ تأثیرات عمیق و قابلتوجهی که بر ابعاد مختلف اجتماعی، سیاسی و اقتصادی کشورها میگذارد، بر کسی پوشیده نیست؛ بنابراین برآورد دقیق و قابلاعتماد قیمت بهطورقطع امر سیاستگذاری در این زمینه را آسان مینماید. در شرایط مختلف ممکن است صدها عامل بهصورت زیرمجموعهای از عوامل ساختاری، مکانی و اجتماعی – ...
بیشتر
اهمیت روزافزون مسکن به لحاظ تأثیرات عمیق و قابلتوجهی که بر ابعاد مختلف اجتماعی، سیاسی و اقتصادی کشورها میگذارد، بر کسی پوشیده نیست؛ بنابراین برآورد دقیق و قابلاعتماد قیمت بهطورقطع امر سیاستگذاری در این زمینه را آسان مینماید. در شرایط مختلف ممکن است صدها عامل بهصورت زیرمجموعهای از عوامل ساختاری، مکانی و اجتماعی – اقتصادی بر قیمت املاک تأثیر بگذارد. بنابراین بایستی با در نظر گرفتن این عوامل، قیمت گذاری املاک بهطور کارآمد انجام شود. با توجه به ماهیت پیچیدهی بازار املاک در تحقیقات انجامشده از الگوریتمهای متداول یادگیری عمیق مانند DNN ، RNN، CNNو ... استفادهشده است، اما این الگوریتمها در خصوص دادههای جدولی چندان مناسب نمیباشند. از طرفی مدلهای یادگیری عمیق موجود در قیمتگذاری ملک نیز کاملاً قطعی هستند و عدم قطعیت دادهها را لحاظ نمیکنند. در این مقاله سعی شده است که در بهکارگیری روشهای یادگیری عمیق به ساختار جدولی دادههای املاک توجه شود. برای این منظور معماری عمیق جدید TabNet به کار گرفته شده است. این الگوریتم برخلاف سایر الگوریتمهای متداول یادگیری عمیق دادههای جدولی خام را بدون هیچگونه پیشپردازشی دریافت میکند. در این پژوهش همچنین با استفاده از تکنیکهای ترکیب موجود، منطق فازی با الگوریتمهای یادگیری عمیق ترکیب شده است تا ضمن یادگیری سریع و دقیقتر مسائل پیچیده، بر کاستی های قطعی بودن مدل های یادگیری عمیق و در نظر نگرفتن عدم قطعیت ذاتی دادهها در این مدل ها غلبه شود. همچنین با بهکارگیری سیستم اطلاعات مکانی (GIS) ارزیابی شفافتری ارائه شد تا بصری سازی کامل الگوی مکانی ویژگیهای ملک و همچنین ارتباط این ویژگیها و قیمتگذاری تضمین و متغیرهای مکانی نیز در مدل ارزشگذاری لحاظ شوند. بهمنظور ارزیابی روشهای پیشنهادی از دادههای املاک منطقهی پنج تهران استفاده شده است. ترتیب و اولویتبندی تأثیرگذاری ویژگیها در قیمتگذاری املاک مسکونی تهران توسط الگوریتم TabNet نشاندهندهی تأثیر قابلتوجه عوامل مکانی میباشد. بهطوریکه در این رتبهبندی پس از مساحت دو ویژگی مکانی طول و عرض جغرافیایی به ترتیب رتبهی دوم و سوم را دارا میباشند. درنهایت برای مجموعه دادهی تهران الگوریتمهای TabNet، DNN،CNN ، RNN، LSTM، خود رمزگذار و همچنین الگوریتم یادگیری ماشین XGBoost به کار گرفتهشده و معیارهای ارزیابیRMSE ،MAE و مقایسه شدند که بر اساس معیار، با به کارگیریTabNet پنج درصد بهبود دقت حاصل شد. درنهایت RMSE الگوریتم ترکیبی FuzzyTabNet برای دادهی تهران نسبت به الگوریتم پایهی TabNet 4.65% کاهش یافت. همچنین شبکهی خود رمزگذار فازی نیز نسبت به شبکهی خود رمزگذار معمولی 6.52 درصد بهبود یافت.
سیستم اطلاعات جغرافیایی
مینا کریمی؛ محمدسعدی مسگری
چکیده
امروزه با افزایش روز افزون استفاده کاربران از شبکه های اجتماعی، اطلاعات مکانی مردم گستر رشد چشمگیری داشته است. از میان انواع اطلاعات، محتواهای متنی کاربرتولید غالباً در ساختار مشخصی به اشتراک گذاشته نمی شوند. یکی از ویژگی های عمده این نوع اطلاعات محل مبنا بودن آنها است.محل های مورد گفتگوی بشر معمولاً همراه با ابهام ...
بیشتر
امروزه با افزایش روز افزون استفاده کاربران از شبکه های اجتماعی، اطلاعات مکانی مردم گستر رشد چشمگیری داشته است. از میان انواع اطلاعات، محتواهای متنی کاربرتولید غالباً در ساختار مشخصی به اشتراک گذاشته نمی شوند. یکی از ویژگی های عمده این نوع اطلاعات محل مبنا بودن آنها است.محل های مورد گفتگوی بشر معمولاً همراه با ابهام و وابسته به بافت است. عملکرد محل یا به عبارتی عمده فعالیت هایی که افراد در یک محل انجام می دهند، به عنوان یک بافت در توصیفات محل، ازجمله ویژگی های عمده و متمایزکننده محل است. هدف این تحقیق استخراج عملکرد محل با استفاده از تحلیل محتواهای متنی کاربرتولید به اشتراک گذاشته شده توسط کاربران است. به این منظور ابتدا محل ها و نظرات کاربران در مورد محل ها در وبگاه TripAdvisorبه عنوان محتواهای متنی، جمع آوری شده، سپس از روش های مختلف پردازش زبان طبیعی به منظور آماده سازی و پیش پردازش داده ها استفاده می شود. در ادامه برای هر دیدگاه کاربر یک مجموعه واژگان با استفاده از مقادیر TF-IDFبه عنوان مقادیر بردار ویژگی ساخته می شود. سپس در یک روش نظارت شده این مقادیر به همراه عملکرد محل هابه عنوان ورودی به یک طبقه بندی کننده لجستیک رگرسیون به منظور آموزش مدل داده شده و با استفاده از آن عملکرد محل بر روی داده های آزمایشی پیش بینی شده است. نتایج ارزیابی روش از طریق محاسبه ماتریس درهم ریختگی نشان می دهد، صحت کلی روش پیشنهادی در حدود 96درصد است که رقم قابل توجهی است. همچنین بیشترین دقت و امتیاز F1 برای محل های سرو خوراکی است، درحالی که اقامتگاه ها به دلیل شباهت عملکردی به هتل ها کمترین دقت و امتیاز F1را دارند ولی با این وجود نتایج آنها نیز قابل اطمینان و رضایت بخش است.
مهرداد کاوه؛ محمدسعدی مسگری
چکیده
وجود مراکز بهداشتی و بیمارستانها در تمام جوامع ضروری است و مکانیابی و تخصیص جمعیت به آنها یک مسئله بهینهسازی مهم در برنامهریزی شهری میباشد. هدف از این پژوهش، مقایسه و ارزیابی عملکرد الگوریتم ژنتیک و الگوریتم بهینهسازی ازدحام ذرات ترکیبی برای تعیین مکان بهینه مراکز بیمارستان و تخصیص نقاط جمعیتی به آنها میباشد. به ...
بیشتر
وجود مراکز بهداشتی و بیمارستانها در تمام جوامع ضروری است و مکانیابی و تخصیص جمعیت به آنها یک مسئله بهینهسازی مهم در برنامهریزی شهری میباشد. هدف از این پژوهش، مقایسه و ارزیابی عملکرد الگوریتم ژنتیک و الگوریتم بهینهسازی ازدحام ذرات ترکیبی برای تعیین مکان بهینه مراکز بیمارستان و تخصیص نقاط جمعیتی به آنها میباشد. به منظور محدود کردن فضای جستجو، از قابلیتهای تجزیهوتحلیل سیستم اطلاعات جغرافیایی (GIS) به همراه تحلیل سلسله مراتبیبرای انتخاب سایتهای نامزد استفاده شده است. سپس الگوریتمهای نام برده برای تعیین شش مکان بهینه و تخصیص بلوکهای نظیر به آنها پیادهسازی شدهاند. در این تحقیق هدف به حداقل رساندن مجموع تمام فاصلههای بین مراکز بیمارستانی و بلوکهای جمعیتی میباشد که برای این منظور از توسعه الگوریتم بهینهسازی ازدحام ذرات با تعریف جستجوی همسایگی برای ذره نخبه، استفاده شده است. برای کالیبره کردن پارامترهای هر یک از الگوریتمها، مجموعهای از دادههای شبیهسازی منظم بهکار رفته است. با در دست داشتن مقادیر مناسب برای پارامترها، الگوریتمها بر روی دادههای واقعی از منطقه مطالعاتی مورد آزمایش قرار گرفتند. نتایج نشان داده است که الگوریتم بهینهسازی ازدحام ذرات ترکیبی دارای عملکرد بهتری نسبت به الگوریتم ژنتیک میباشد. روند همگرایی الگوریتمازدحام ذرات ترکیبی، سریعتر از الگوریتم ژنتیک میباشد. هر دو الگوریتم سطوح بالایی از تکرارپذیری را نشان دادهاند؛ اما الگوریتم بهینهسازی ازدحام ذرات ترکیبی دارای ثبات بیشتری است. همچنین برای هر دو نوع داده شبیهسازی و واقعی، الگوریتم بهینهسازی ازدحام ذرات ترکیبی سریعتر از الگوریتم ژنتیک عمل میکند. سادگی و تکرارپذیری الگوریتمها از عوامل مهمی میباشند که ازنقطهنظر کاربر بسیار مهم است. بنابراین با توجه به این معیارها، بهینهسازی ازدحام ذرات ترکیبی مطلوبتر از ژنتیک بوده است.