KaydedilenlerDerginizi ekleyin

Dergiler / Mühendislik Bilimleri ve Tasarım Dergisi / 2019 / Cilt: 7 Sayı: 4

RENYI ENTROPI ILE ÜLKELERİN HAVA TRAFİĞİNİN ANALİZİ

AIR TRAFFIC ANALYSIS OF COUNTRIES WITH RENYI ENTROPY

İhsan Tuğal(MUŞ ALPARSLAN ÜNİVERSİTESİ)0000-0003-1898-9438
Ali Karcı(İNÖNÜ ÜNİVERSİTESİ, MÜHENDİSLİK FAKÜLTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ)0000-0002-8489-8617
Sayfa
843–853
Yayın Tarihi
2019-12-19
🏛️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)

Sadece kenar ağırlıklarının veya düğüm derecelerinin etkisinin ölçülmesi bazen doğru sonuçlar vermediği için α’nın bu etkiyi ayarlamak için kullanılması daha doğru sonuçlar almamızı sağladı.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Merkezilik sosyal ağ analizi yapan kişilerin en çok çalıştığı konulardan biridir.
📊
Temel Bulgular & Veri:Bir ağdaki en etkili ve sisteme etkisi olan varlıkların tespiti merkezilik ölçüleri ile bulunabilir.
💡
Sonuç & Katkı:Sadece kenar ağırlıklarının veya düğüm derecelerinin etkisinin ölçülmesi bazen doğru sonuçlar vermediği için α’nın bu etkiyi ayarlamak için kullanılması daha doğru sonuçlar almamızı sağladı.
🔬Tür:Araştırma Makalesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Havayolu · Kompleks Ağlar · Çizgeler

Özet

Merkezilik sosyal ağ analizi yapan kişilerin en çok çalıştığı konulardan biridir. Bir ağdaki en etkili ve sisteme etkisi olan varlıkların tespiti merkezilik ölçüleri ile bulunabilir. Bu çalışmada Renyi entropi ile havayolu trafiği verileri kullanılarak bu alandaki en etkili ülkeler çizge yapısında analiz edildi. Hava trafiğinde en merkezi ülkeler tespit edildi. Ağırlıklı ve yönlü bir ağda Renyi entropi ile merkezilik ölçümlerinin yapılabileceği gösterildi. Bir ağdaki hayati öneme sahip düğümlerin tespiti için bir yöntem önerildi. Shannon’dan farklı olarak Renyi’de α katsayısı kullanılarak farklı durumlar için sonuç elde edilebileceği görüldü. Sadece kenar ağırlıklarının veya düğüm derecelerinin etkisinin ölçülmesi bazen doğru sonuçlar vermediği için α’nın bu etkiyi ayarlamak için kullanılması daha doğru sonuçlar almamızı sağladı.

Abstract

Centrality is one of the most frequently studied subjects of social network analysis. The identification of the most effective entities in a network or system can be found by measures of centrality. In this study, using the data of air traffic with Renyi entropy, the most influential countries in this field were analyzed in the graph structure. The most effective countries in air traffic were identified. It has been shown that centrality measurements can be made with Renyi entropy in a weighted and directional network. A method for the detection of vital nodes in a network was proposed. Difference from Shannon, it was observed that results could be obtained for different situations by using the α coefficient in Renyi. Sometimes measuring only the effect of edge weight or node degree does not yield accurate results. Using α to adjust this effect has enabled us to get more accurate results.

🔖

Bu Makaleye Atıf Yap

Tuğal, İ., Karcı, A. (2019). RENYI ENTROPI ILE ÜLKELERİN HAVA TRAFİĞİNİN ANALİZİ. Mühendislik Bilimleri ve Tasarım Dergisi, Cilt: 7 Sayı: 4, 843–853. https://doi.org/10.21923/jesd.497454

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (21)

  1. Alexanderson, G. L. (2006). About the cover: Euler and Königsberg’s bridges: A historical view. Bulletin of the American Mathematical Society. https://doi.org/10.1090/S0273-0979-06-01130-X
  2. Bromiley, P. A., Thacker, N. A., & Bouhova-Thacker, E. (2004). Shannon entropy, Renyi entropy, and information. Erişim Tarihi: 14 Aralık 2018, website: http://www.tina-vision.net/docs/memos/2004-004.pdf
  3. Cong, W., Hu, M., Dong, B., Wang, Y., & Feng, C. (2016). Empirical analysis of airport network and critical airports. Chinese Journal of Aeronautics, 29(2), 512–519. https://doi.org/10.1016/j.cja.2016.01.010
  4. Dehmer, M., & Mowshowitz, A. (2011). A history of graph entropy measures. Information Sciences, 181(1), 57–78. https://doi.org/10.1016/j.ins.2010.08.041
  5. Du, Y., Gao, C., Hu, Y., Mahadevan, S., & Deng, Y. (2014). A new method of identifying influential nodes in complex networks based on TOPSIS. Physica A: Statistical Mechanics and Its Applications, 399, 57–69. https://doi.org/10.1016/j.physa.2013.12.031
  6. Ernesto, T. (1956). A note on the information content of graphs. The Bulletin of Mathematical Biophysics, 18(2), 129–135.
  7. Everett, M. G., & Borgatti, S. P. (2005). Extending Centrality. In P. J. Carrington, J. Scott, & S. Wasserman (Eds.), Models and Methods in Social Network Analysis (pp. 57–76). Cambridge: Cambridge University Press. https://doi.org/10.1017/CBO9780511811395.004
  8. Fei, L., & Deng, Y. (2017). A new method to identify influential nodes based on relative entropy. Chaos, Solitons and Fractals, 104, 257–267. https://doi.org/10.1016/j.chaos.2017.08.010
  9. Freeman, L. C. (1978). Centrality in social networks conceptual clarification. Social Networks, 1(3), 215–239. https://doi.org/10.1016/0378-8733(78)90021-7
  10. Hartley, R. V. L. (1928). Transmission of Information. Bell System Technical Journal, 535. https://doi.org/10.1109/83.748891
  11. http://www.visualizing.org/datasets/global-flights-network. (n.d.). Global Flight Network Data. Erişim Tarihi: 11 Ekim 2018, from https://github.com/gsmanu007/Complex-network-analysis-of-Airport-network-data
  12. Leskovec, J., Rajaraman, A., & Ullman, J. D. (2014). Mining of massive datasets: Second edition. Mining of Massive Datasets: Second Edition. https://doi.org/10.1017/CBO9781139924801
  13. Moreno, J. L. (1934). Who Shall Survive? A New Approach to the Problem of Human Interrelations. Nervous and Mental Disease Publishing (Vol. 58). https://doi.org/10.2307/2084777
  14. Mowshowitz, A. (1968). Entropy and the complexity of graphs: I. An index of the relative complexity of a graph. The Bulletin of Mathematical Biophysics, 30(1), 175–204. https://doi.org/10.1007/BF02476948
  15. Nie, T., Guo, Z., Zhao, K., & Lu, Z. M. (2016). Using mapping entropy to identify node centrality in complex networks. Physica A: Statistical Mechanics and Its Applications, 453, 290–297. https://doi.org/10.1016/j.physa.2016.02.009
  16. Rashevsky, N. (1955). Life, information theory, and topology. The Bulletin of Mathematical Biophysics, 17(3), 229–235. https://doi.org/10.1007/BF02477860
  17. Rényi, A. (1961). On measures of entropy and information. In Fourth Berkeley Symposium on Mathematical Statistics and Probability (p. 547). https://doi.org/10.1021/jp106846b
  18. Shannon, C. E. (1951). Prediction and Entropy of Printed English. Bell System Technical Journal, 30(1), 50–64. https://doi.org/10.1002/j.1538-7305.1951.tb01366.x
  19. Tutzauer, F. (2007). Entropy as a measure of centrality in networks characterized by path-transfer flow. Social Networks, 29(2), 249–265. https://doi.org/10.1016/j.socnet.2006.10.001
  20. Wang, S., Du, Y., & Deng, Y. (2017). A new measure of identifying influential nodes: Efficiency centrality. Communications in Nonlinear Science and Numerical Simulation, 47, 151–163. https://doi.org/10.1016/j.cnsns.2016.11.008
  21. Wikipedia.org. (n.d.). https://tr.wikipedia.org/wiki/Termodinamik Erişim Tarihi 19 Temmuz 2018.