Gözetimsiz makine öğrenimi kullanarak istenmeyen yerlerden kaçınarak rota optimizasyonu

Bu tez, gelişmiş rota planlama sistemlerinin kullanıcıların hoşlanmadığını belirttiği yerlerden kaçınmak için denetimsiz makine öğrenimi algoritmalarını nasıl kullandığını incelemekte ve Gürültülü Uygulamaların Yoğunluk Temelli Uzamsal Kümelemesi'ne (DBSCAN) odaklanmaktadır. Geleneksel rota algoritmaları yolculuk süresini ve mesafesini en aza indirmeyi amaçlar ve bu yaklaşımlar her zaman kullanıcı tercihlerini, güvenlik endişelerini veya diğer öznel veya duruma özel değişkenleri içermez. Bu tez, yoğun mahalleler, barlar ve diğer mekanlar gibi kullanıcıların gitmek istemediği yerleri bulmak ve bunlardan kaçınmak için gruplandırma ve konum verisi analizini birleştiren bir rota sistemi geliştirmiş ve test etmiştir. DBSCAN'nin tercih edilme sebebi, gürültüyü yönetebilir ve her şekildeki grupları bulabilir olmasıdır. İstenmeyen mekanlar eşit olmayacak şekilde dağılmış olsa bile, coğrafi verileri etkili bir şekilde analiz edebilir. Kullanıcı tanımlı parametrelere göre yoğunluk sınırlamalarını belirledikten sonra, DBSCAN coğrafi yakınlıklarına göre yoğun konum kümeleri bulur. Bu gruplandırma stratejisi, kesme alanları veya bölgeler gerektiren standart sistemlerin aksine, verilere göre rotaların ayarlanmasına izin verir. Tez, sorun bildirisini analiz ederek verimlilik kriterlerini aşan özel rota çözümlerine olan ihtiyacı ortaya koymaktadır. Çalışma ayrıca DBSCAN'in matematiksel kökenlerini ve algoritmanın temel varsayımlarının, devasa veri hacimlerinde kilit coğrafi gruplaşmaları nasıl bulmasını sağladığını da incelemektedir. Çözümün tasarımı ve bölgesel girdiler, kullanıcı tercihleri ve gruplandırma sonuçları kullanılarak rota hesaplaması verilmiştir. Sistem, seyahat hızı hedeflerini korurken bu istenmeyen bölgeleri kullanmayı en aza indirmek için optimum rotaları sürekli olarak yeniden hesaplamaktadır. Tez, deneysel testler ve senaryo tabanlı modeller kullanarak sistem etkinliğini değerlendirmektedir. Bu testler, yeni yolların kilit gruplardan ne kadar etkili bir şekilde kaçındığını, kümeleme yaklaşımının bunları ne kadar hızlı ve doğru bir şekilde tespit ettiğini ve yolculuk süresini ve mesafesini ne kadar değiştirdiğini değerlendirir. Hesaplamaların zor olması ve değişkenlerin gruplandırılmasının kentsel bağlamlara duyarlı olması gibi dezavantajlarını vurgulamaktadır. Bu tez, kişiselleştirilmiş ve bağlam farkındalığına sahip navigasyon sistemlerinin, DBSCAN gibi özerk makine öğrenimi tekniklerinden yararlanarak rotaları belirleyebileceğini ortaya koymaktadır. Bulgular, yönlendirme kontrolünü ve esnekliği artıran konuma özgü kullanıcı kısıtlamalarının eklenmesi ihtiyacını göstermektedir. Yolları kullanıcıların tercih ettiği kaçınma seçenekleriyle hizalamak sosyal ve doğal değişikliklere uyum sağlayabilen esnek navigasyon sistemlerinin oluşturulmasına olanak tanımaktadır.