مدل پیش بینی کننده

مدیریت بحران هوشمند (در سه مرحله قبل، حین و پس ازآن)، با تأکید بر آمادگی و پیش بینی آسیب پذیری در برابر زلزله، امکان پیش بینی، کاهش آسیب پذیری و افزایش قدرت در تصمیم-سازی را فراهم می آورد. این مقاله بر آن است تا با استفاده از یادگیری ماشین، به ارائه مدل پیش-بینی کننده آسیب پذیری کالبدی در برابر زلزله بپردازد. روش پژوهش کمی است. داده های ارائه شده به ماشین برای آموزش و تست، مربوط به پهنه های محلات منطقه 1 شهرداری تهران بوده اند (که در محدوده خطر گسل شمال تهران قرار دارند). ویژگی های مورد تأکید که ماشین براساس آنها آموزش دیده تا مدل پیش بینی کننده را ارائه دهد، مشتمل بر موارد زیر هستند: ویژگی های الگوی قطعات و ساختار ابنیه، الگوی معبر، کاربری اراضی و موقعیت نسبت به گسل اصلی و فرعی بوده اند. مجموعه داده ها مشتمل بر 1997 سطر و 26 ستون بوده است. برخی از داده ها از جی.آی.اس. منطقه استخراج و بخش دیگری از داده ها از تحلیل نقشه پهنه ها به دست آمد. با توجه به بهره گیری از رویکرد یادگیری ماشین نظارت شده، برچسب گذاری توسط محققان در پنج طیف انجام شد. برای آموزش ماشین از الگوریتم درخت تصمیم، ماشین بردار پشتیبان و شبکه عصبی چندلایه استفاده شد. حجم داده های آموزش به تست 70 به 30 در نظر گرفته شد. با بررسی دقت مدل توسط ماتریس درهم آمیختگی، مشخص شد که الگوریتم درخت تصمیم با دقت 99.50، حساسیت 99.42 و خطای 0.5 دارای عملکرد بهتری نسبت به دو الگوریتم دیگر است. شبکه عصبی نیز با دقت 97.85، حساسیت 97.57 و خطای 2.15، دارای عملکرد مناسبی است. بررسی میزان اعتمادپذیری مدل پیش بینی کننده با داده های مربوط به محله جوانمرد قصاب در منطقه 20 نیز نشان داد که ماشین آموزش دیده، با دقت بالای 97 درصد قابلیت پیش بینی پذیری دارد. بدین ترتیب ماشین آموزش دیده با دقت و سرعت بالا می تواند به پیش بینی میزان آسیب پذیری بافت های کالبدی در برابر زلزله بپردازد.

تحلیل احساسات شهری با استفاده از داده های فضای مجازی، یکی از روش های نسبتاً نوین برای تحلیل احساسات در شهر است. هدف مقاله حاضر، ارائه مدلی پیش بینی کننده برای تحلیل احساسات داده های متنی-تصویری (چندوجهی) رسانه اجتماعی توئیتر درباره شهر است. روش پژوهش کمی و رویکرد پژوهش یادگیری عمیق نظارت شده است. تحلیل داده ها با زبان برنامه نویسی پایتون و در فضای ابری گوگل کولب انجام شده است. نمونه مطالعاتی، داده های شهری چندوجهی مربوط به 8 کلان شهر رسمی ایران در بازه ای 10 ساله (فرودین 1390 تا اسفند 1400) است. برای آموزش داده های متنی از الگوریتم هیبریدی طراحی شده (مبتنی بر شبکه عصبی سی.ان.ان.) استفاده شده که دقت آن، 77٪ بوده است. برای آموزش داده های تصویری از الگوریتم های: شبکه عصبی، شبکه از پیش آموزش دیده دنس نت121 و شبکه وی.جی.جی.19 استفاده شد که دقت شبکه سوم با 88٪، از دو الگوریتم دیگر بهتر بوده است. الگوریتم ترکیبی برای تحلیل داده های متنی-تصویری، مبتنی بر ترکیب مدل های از پیش آموزش دیده وی.جی.جی.19 و مدل ترکیبی طراحی شده برای متن بوده که دقت آن 81٪ بوده است. براساس نتایج، می توان با ارائه داده های متنی-تصویری مربوط به سایر شهرها، احساسات کاربران نسبت به شهر را براساس موقعیت داده های ورودی تعیین کرد؛ این امر می تواند به برنامه ریزان و مدیریت شهری کمک نماید تا پهنه های نامناسب و مناسب ازمنظر کاربران را براساس داده های ثبت شده آن ها در فضای مجازی به دست آورند و نسبت به بهبود فضاهای نامناسب اقدام نمایند.