KaydedilenlerDerginizi ekleyin

Dergiler / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2021 / Cilt: 36 - Sayı: 2

FastGTWR: Hızlı coğrafi ve zamansal ağırlıklı regresyon yaklaşımı

Murat TAŞYÜREK
Mete ÇELİK
Sayfa
715–726
Yayın Tarihi
2021-03-05
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Deneysel sonuçlar önerilen FastGTWR yaklaşımının GWR ve GTWR yaklaşımlarına göre daha hızlı çalıştığını ortaya koymuştur.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Mekânsal analizler günümüzde önemli hale gelmiştir ve çok farklı uygulama alanlarında kullanılmaktadır.
📊
Temel Bulgular & Veri:Yaygın olarak kullanılan konum temelli analiz yöntemlerinden biri olan Coğrafi Ağırlıklı Regresyon (Geographically Weighted Regression-GWR) coğrafya üzerindeki değişen ilişkileri modellemek için kullanılan bir yerel mekânsal regresyon tekniğidir.
💡
Sonuç & Katkı:Deneysel sonuçlar önerilen FastGTWR yaklaşımının GWR ve GTWR yaklaşımlarına göre daha hızlı çalıştığını ortaya koymuştur.
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Coğrafi ağırlıklı regresyon · Mekansal veri madenciliği · zamansal veri madenciliği

Özet

Mekânsal analizler günümüzde önemli hale gelmiştir ve çok farklı uygulama alanlarında kullanılmaktadır. Yaygın olarak kullanılan konum temelli analiz yöntemlerinden biri olan Coğrafi Ağırlıklı Regresyon (Geographically Weighted Regression-GWR) coğrafya üzerindeki değişen ilişkileri modellemek için kullanılan bir yerel mekânsal regresyon tekniğidir. Coğrafi ve Zamansal Ağırlıklı Regresyon (Geographically and Temporal Weighted Regression-GTWR) ise GWR yaklaşımının verideki zamansal ilişkileri gözönüne almasıyla geliştirilen bir yaklaşımdır.Veri kümesinde mekân-zamansal heterojenliğin olduğu durumlarda GTWR yaklaşımı GWR yaklaşımına göre daha iyi modeller üretmesine rağmen mekân-zamansal modellerin karmaşıklığı göz önüne alındığında algoritma zaman karmaşıklığı artmaktadır. Bu nedenle, literatürde koşturulan GTWR modelleri sınırlı sayıdaki veri üzerinde çalışabilmiştir. Bu çalışmada GTWR’nin algoritmasının hızını arttırmak ve dolayısı ile veri boyutu kısıtlamasının üstesinden gelmek için hızlı bir GTWR yaklaşımı olan FastGTWR modeli önerilmiştir. Önerilen FastGTWR yaklaşımının performansı gerçek veriler kullanılarak klasik GWR ve GTWR yaklaşımlarının performanslarıyla karşılaştırılmıştır. Deneysel sonuçlar önerilen FastGTWR yaklaşımının GWR ve GTWR yaklaşımlarına göre daha hızlı çalıştığını ortaya koymuştur.

🔖

Bu Makaleye Atıf Yap

TAŞYÜREK, M., ÇELİK, M. (2021). FastGTWR: Hızlı coğrafi ve zamansal ağırlıklı regresyon yaklaşımı. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 36 - Sayı: 2, 715–726. https://ajindex.com/articles/106846

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (13)

  1. Perera, C., Zaslavsky, A., Christen, P., Georgakopoulos, D., Sensing as a service model for smart cities supported by internet of things, Transactions on Emerging Telecommunications Technologies, 25(1), 81-93, 2014.
  2. Prasad, A. V., Exploring the convergence of big data and the Internet of Things, IGI Global, 2017.
  3. Fotheringham, A. S., Brunsdon, C. ve Charlton, M., Geographically weighted regression: the analysis of spatially varying relationships, John Wiley & Sons, 2003.
  4. Huang, B., Wu, B., Barry, M., Geographically and temporally weighted regression for modeling spatio-temporal variation in house prices, International Journal of Geographical Information Science, 24(3), 383-401, 2010.
  5. Fotheringham, A. S., Crespo, R., Yao, J., Geographical and temporal weighted regression (GTWR), Geographical Analysis, 47(4), 431-452, 2015.
  6. Ma, X., Zhang, J., Ding, C., Wang, Y., A geographically and temporally weighted regression model to explore the spatiotemporal influence of built environment on transit ridership, Computers, Environment and Urban Systems, 70, 113-124, 2018.
  7. Li, Z., Fotheringham, A. S., Li, W., Oshan, T., Fast Geographically Weighted Regression (FastGWR): a scalable algorithm to investigate spatial process heterogeneity in millions of observations, International Journal of Geographical Information Science, 33(1), 155-175, 2019.
  8. Tasyurek, M., Celik, M., RNN-GWR: A geographically weighted regression approach for frequently updated data, Neurocomputing, 399, 258-270, 2020.
  9. Li, Z., Fotheringham, A. S., Computational improvements to multi-scale geographically weighted regression, International Journal of Geographical Information Science, 1-20, 2020.
  10. Oshan, T. M., Li, Z., Kang, W., Wolf, L. J., Fotheringham, A. S., mgwr: A Python implementation of multiscale geographically weighted regression for investigating process spatial heterogeneity and scale. ISPRS International Journal of Geo-Information, 8(6), 269, 2019.
  11. Guo, Y., Tang, Q., Gong, D. Y., Zhang, Z., Estimating ground-level PM2. 5 concentrations in Beijing using a satellite-based geographically and temporally weighted regression model, Remote Sensing of Environment, 198, 140-149, 2017.
  12. He, Q., Huang, B., Satellite-based high-resolution PM2. 5 estimation over the Beijing-Tianjin-Hebei region of China using an improved geographically and temporally weighted regression model, Environmental Pollution, 236, 1027-1037, 2018.
  13. Lu, B., Brunsdon, C., Charlton, M., Harris, P., Geographically weighted regression with