Ağdüzeneklerde makine öğrenmesi algoritmaları yoluyla örüntü tanılaması ve bağlantı tahminlemesi: Kiracı karması vakası

Abstract

Ağdüzeneğini derinlemesine anlamak ve yorumlamak, yüksek dinamizm ve eksik veri nedeniyle oldukça zorlu olabilmektedir. Dinamizm ve eksikliklerin üstesinden gelebilmek için ağdüzeneğindeki düğümler arası potansiyel veya olası bağları tahmin etme çabalarına bağlantı tahminlemesi, belirli patikaları tanımlama uygulamalarına ise örüntü tanılama denilmektedir. Bu çalışmanın temel amaçlarından ilki, dinamizm ve eksik veri nedeni ile meydana gelen ağdüzeneği değişimi ve evrimini, örüntü tanılama ve bağlantı tahminleme problemi olarak formüle ederek bir yapay zeka - makine öğrenmesi çözümü geliştirmektir. Alışveriş merkezi karmaşık ve büyük bir örgüt sistemi olarak tanımlanmaktadır. Kiracı karması ya da kiracı(lar) kümesi, alışveriş merkezindeki tür, boyut, konum, hizmet/ürün sınıflandırmaları benzeri parametreleri içerir. Alışveriş merkezinin hayatta kalması ve başarısının sürdürülebilir olması, öncelikle kiracı karmasının analiz edilmesi ve planlanması ile ilintilidir. Dolayısı ile, bu çalışmanın bir diğer önemli hedefi, alışveriş merkezindeki iç mekan yaya trafiğinin ağdüzeneği olarak modellenmesiyle kiracı karması probleminin ağdüzeneklerde örüntü tanılama ve bağlantı tahminleme görevi ve işlemi olarak tekrar formüle edilmesidir. Böylelikle, ziyaretçilerin sosyoekonomik ve demografik parametreleri ile, mağaza ve alışveriş merkezi tercihleri üzerinden kiracı karması için yapay sinir ağı modellemesine dayalı yeni bir çözüm yöntemi önerilmektedir. Çalışma kuramsal olarak, ağdüzenekleri ve ağdüzeneklerinin değişim - evrim mekanizmaları için analitik ve matematiksel bir çözüm sunmaktadır. Bu sayede, ağdüzeneğindeki bağlar, bağları kuran aktörlerin özelliklerine ve tercihlerine bağlı olarak analiz edilebilir, sınıflandırılabilir ve tanımlanabilir. Ayrıca, özellik ve tercihlere göre düğümler arasındaki olası veya potansiyel bağlar, yapay sinir ağları modellemesiyle tahmin edilebilmektedir. Çalışma aynı zamanda metot açısından, yapay zeka - makine öğrenmesi yöntemlerini, özellikle yapay sinir ağlarını, ağdüzeneklerde bağları kuran veya kiracı karmasında iç mekan yaya trafiğini üreten aktörlerin yan bilgileri temelinde hem ağdüzenek araştırmalarına hem kiracı karması problemine, yeni bir yaklaşımla entegre edilebilmiştir. Bu çalışmada önerilen ve geliştirilen yaklaşım ve metot ile ağdüzenek evrim ve değişim mekanizmaları ile kiracı karması problemi için en azı %90 olmak üzere ortalama %96 başarı sağlanmıştır.Understanding and interpreting a network in depth may be intractable due to high dynamism and incomplete set of data. The efforts to estimate potential or prospective ties between nodes in a network in order to overcome dynamism and incompleteness are named link prediction while the applications performed to identify certain pathways are called pattern recognition. The first of the main goals of this study is to develop an artificial intelligence - machine learning solution by formulating the network change and evolution mechanism, which occurs due to dynamism and incompleteness, as a pattern identification and link prediction problem. Shopping mall is a specific, complex and large organizational form. Tenant mix refers to cluster of tenants including parameters such as types, sizes, locations, service and product categories in a shopping mall. Sustainability of the shopping mall's survival and success is primarily related to the analysis and planning of the tenant mix. Thus, a new solution method based on artificial neural network modeling is proposed for the tenant mix over the socioeconomic and demographic parameters of the visitors and their store and shopping center preferences. The study theoretically presents an analytical and mathematical solution for network and their change - evolution mechanisms. In this way, ties in the network could be analyzed, classified and recognized depending on the characteristics and preferences of the actors who establish the ties. Moreover, possible or potential ties between the nodes can be predicted with respected to the aforementioned features and preferences by artificial neural network modeling. The study is also able to integrate artificial intelligence - machine learning methods, especially artificial neural networks, into both network research and tenant mix problem, with a novel approach, on the basis of side knowledge of actors that establish connections in networks or generate indoor pedestrian traffic in tenant mix. With the approach and method proposed and developed in this study, for the network evolution - change mechanisms and tenant mix problem, an average of 96% success, at least 90%, has been achieved in analytical solutions.