Makine Öğrenmesi Algoritmaları Kullanılarak İtfaiye İstasyonu İhtiyacının Sınıflandırılması
Author:
- Can AydınCACan Aydın
Open Access
- 1 December 2018
- journal article
- Published by ASOS Yayinevi in European Journal of Science and Technology
- No. 14,p. 169-175
Abstract
Kalabalık şehirlerde kent içerisinde itfaiye istasyonlarının doğru yer seçimi, yangınlara hızlı müdahale etmek, can ve mal kaybını en aza indirmek açısından çok hayati bir konudur. İtfaiye istasyonu yer seçiminde; kent bütününü belirli bölgelere ayırarak belirlenen her bir bölge için itfaiye istasyonu ihtiyacının sorgulanması gerekmektedir. Bu çalışmada da mevcut itfaiye istasyonlarından yola çıkarak makine öğrenmesi algoritmaları kullanarak bölgelere göre itfaiye istasyonu ihtiyacının sınıflandırılması gerçekleştirilmiştir. Çalışma kapsamında her bir bölgeye ait, itfaiye araçlarının o bölgeye ulaşım süreleri, bölgenin nüfus yoğunluğu, bölgeye giden ortalama ana ve yardımcı araç sayısı verileri ile bölgedeki itfaiye istasyonu bulunma durumu verileri kullanılarak istasyon ihtiyacının tahmini için sınıflandırılma çalışması gerçekleştirilmiştir. Bu çalışmadaki amaç İzmir Büyükşehir Belediyesinin belirlediği 808 bölgeye dair itfaiye istasyonu ihtiyacı sınıflandırılmasında en başarılı sınıflandırma algoritmasının tespit edilmesidir. 2015-2017 tarihleri arasındaki yangın kayıtları analiz edilerek bölgelerin sınıflandırılmasında %93.84 ile en başarılı algoritmanın Random Forest algoritması olduğu tespit edilmiştir. En başarılı algoritma tespit edilirken doğruluk, ortalama mutlak hata (MAE), kök hata kareler ortalaması (RMSE) ve Kappa değerleri göz önüne alınmıştır.Keywords
This publication has 15 references indexed in Scilit:
- Geological mapping using remote sensing data: A comparison of five machine learning algorithms, their response to variations in the spatial distribution of training data and the use of explicit spatial informationComputers & Geosciences, 2014
- Towards automatic lithological classification from remote sensing data using support vector machinesComputers & Geosciences, 2012
- A statistical explanation of MaxEnt for ecologistsDiversity and Distributions, 2010
- A survey of image classification methods and techniques for improving classification performanceInternational Journal of Remote Sensing, 2007
- Assessing long‐term fire risk at local scale by means of decision tree techniqueJournal of Geophysical Research: Biogeosciences, 2006
- A decision support system applying an integrated fuzzy model for long-term forest fire risk estimationEnvironmental Modelling & Software, 2005
- An intelligent system for forest fire risk prediction and fire fighting management in GaliciaExpert Systems with Applications, 2003
- The optimal location of airport fire stations: a fuzzy multi‐objective programming and revised genetic algorithm approachTransportation Planning and Technology, 1999
- Nearest neighbor pattern classificationIEEE Transactions on Information Theory, 1967
- Symposium on Applications of Operations Research to Urban Services—A Determination of the Optimum Location of Fire-Fighting Units in New York CityJournal of the Operations Research Society of America, 1955