AEC (Mimarlık, Mühendislik ve İnşaat) alanı, teknolojinin evrimi ve gelişimiyle birlikte tamamen dönüştü. Elbette biz de bu evrime uyum sağlamalıyız. Bugün çeşitli alanlarda makine öğrenimini ele alacağız ve kesinlikle konuşmaya devam edeceğiz... “Shapely” ve ‘Numpy’ kullanılarak dönüştürülmesine izin verilen veriler, senaryomuzda makine öğrenimini kullanmamızı sağlayabilir. Veriler makine öğrenmesi için hazır hale geldiğinde, verileri kolayca analiz edebilir, birbirine yakın olanları belirleyebilir, gruplayabilir ve komşuluk ilişkilerini yeniden analiz edebilir. Böylece yüzlerce veri noktası birkaç saniye içinde analiz edilebilir.

Her bir veri noktası için komşuluk ilişkileriyle etkileşime geçmek üzere bir yarıçap değeri kullandım.

Yarıçap değeri 500 cm ise, ortaya çıkan grafik aşağıda verilmiştir:

Grafik bize şunu söylüyor: gruplaşmayı ve sıralamayı başardılar ama ne yazık ki birbirleriyle iletişim kuramadılar çünkü karar verdiğimiz yarıçap değeri komşuluklarını bulmak için yetersizdi. 

Yarıçap değeri 800 cm'den fazla olsaydı ne olurdu? İşte aşağıdaki grafiğin sonucu.

Çok daha iyi ama yine de mükemmel değil çünkü yarıçap değeri hala ilişkilerini tamamlamak için yeterli değil. Buna rağmen, otoparkın ortası iletişim kuruyor ve yukarıdakiler ve aşağıdakiler göz önüne alındığında senaryomuzun “doğru” olduğunu hala söyleyemeyiz.

Yarıçap değeri 1000 cm'den fazla olsaydı ne olurdu? İşte aşağıdaki grafiğin sonucu.

Bu bize diğerlerinden tamamen farklı bir sonuç verdi. Orta kısmın artık tamamen bağlı olduğunu ve gruplamanın rastgele olduğunu gözlemleyebiliyoruz. Bu gerçekten kötü değil; ancak bizim için yeterli değil çünkü hala alt ve üst kısımlarla iletişim kurmadı.

Yarıçap değeri 1100 cm'den fazla olsaydı ne olurdu? İşte aşağıdaki grafiğin sonucu.

İstediğimiz sonucu elde ettik. Her parça diğerleriyle iletişim kuruyor ve hepsi mükemmel bir şekilde gruplanmış durumda. Bu sonucun analize devam etmek için gerçekten yararlı olduğunu söyleyebiliriz. Komşuluk analizi sırasında ML, birbiriyle bağlantılı olanları gösterebilir. İşte 3 boyutlu bir örnek.

Ancak, bu bağlantıların ağırlıklarını da dikkate almak gerekir. Ağırlık değerleri analiz sırasında son derece önemlidir çünkü bu değerleri (kırmızı dikdörtgen) başlangıç noktasını ve yönlerini bulmak için kullanabiliriz.

Özet

Bu senaryo, araçların park yerlerindeki konumlarını analiz etmek ve daha sonra bunları sınıflandırmak ve en uygun numaralandırmayı atamak için çeşitli veri kaynaklarını kullanır. Özellikle, konum verilerini daha anlamlı hale getirmek için “ağırlıklar” kullanıyoruz. Bu, modelimizin performansını önemli ölçüde artırmıştır. Sonuçlar, geliştirilen modelin park yerlerini verimli bir şekilde sıralama ve numaralandırma yeteneğine sahip olduğunu göstermektedir. Ayrıca, bu sistemin uygulanabilirliği ve gerçek dünya senaryolarında nasıl kullanılabileceği hakkında tahminlerde bulunuyoruz.

Sonuç olarak, bu çalışma park alanlarının yönetimi ve optimizasyonu için yenilikçi bir çözüm sunmakta ve gelecekteki iyileştirmeler ve genişletmeler için sağlam bir temel oluşturmaktadır.