يتطلب اشتراك JoVE لعرض هذا المحتوى. تسجيل الدخول أو ابدأ نسخة تجريبية مجانية

مقالة بحثية

التنبؤ القائم على التعلم العميق لخصائص مخطط الطوابق السكنية لتقييم الإسكان الموجه لكبار السن

28 مشاهدات

⸱

DOI:

10.3791/72157

⸱

يوليو 31, 2026

 , 
1School of Architecture, Changchun Institute of Technology, 2Audit Office, Changchun Finance College

في هذه المقالة

ملخص

يصف هذا البروتوكول سير عمل التعلم العميق الميتا-أنسامبل للتحليل الآلي لصور مخطط الطوابق السكنية. تشمل الإجراء معالجة مجموعات البيانات المسبقة، والتنبؤ بالسمات المعمارية باستخدام شبكات عصبية الالتفافية متعددة، والتعلم الجماعي القائم على التكديس، والتصنيف السكني القائم على القواعد، وتحليل قابلية الشرح باستخدام SHapley Additive ExPlanations لدعم تقييم التخطيط السكني.

الملخص

الطلب المتزايد على حلول الإسكان الذكية للسكان المتقدمين في السن زاد من الحاجة إلى طرق آلية لتحليل مخططات الطوابق السكنية. غالبا ما تكون أساليب التقييم المعماري التقليدية يدوية، تستغرق وقتا طويلا، وصعبة التوسع، مما يبرز الحاجة إلى تقنيات تعتمد على الذكاء الاصطناعي يمكنها تفسير التخطيطات المكانية ودعم تقييم التصميم السكني. يصف هذا البروتوكول إطار عمل التعلم العميق الميتا-أنسامبل للتحليل التلقائي لصور مخطط الطوابق السكنية. يدمج إطار العمل المقترح CARE-MIRV-Net أربع شبكات عصبية التفافية تكميلية—MobileNetV2، InceptionV3، ResNet101، وVGG16—للتنبؤ بالخصائص المعمارية، بما في ذلك المساحة المربعة، وعدد غرف النوم، والحمامات، والمرائب. يتم دمج التنبؤات من النماذج الأساسية من خلال نموذج ميتا-تجميعي قائم على التكديس، وتستخدم لاحقا ضمن طبقة اتخاذ قرار قائمة على القواعد لتصنيف تخطيطات السكن كرعاية للمسنين، الرعاية الطبية، أو السكنية العامة. أظهر التقييم التجريبي أداء تنبؤيا قويا عبر عدة متغيرات مستهدفة. حقق النموذج المقترح متوسط خطأ مطلق (MAE) قدره 432.48 ومعامل تحديد (R2) قدره 0.7053 لتوقع المساحة. بالنسبة لتوقع الحمامات، حقق الإطار R2 عند 0.7605، بينما أظهر توقع المرآب أدنى معدل متوسط متوسط (MAE) وهو 0.1697 وأعلى R2 عند 0.6958. أظهرت التحليلات النوعية قدرة الإطار على توليد توقعات السمات المعمارية ودعم تقييم تخطيط السكن الموجه نحو التطبيقات. لتعزيز الشفافية وقابلية التفسير، تم دمج تفسيرات شوابلي الإضافية لقياس مساهمة كل نموذج أساسي في التنبؤات النهائية. يوفر الإطار المقترح نهجا قابلا للتفسير والتوسع لتحليل خطط الطوابق السكنية ودعم اتخاذ القرارات.

المقدمة

أدى التطور السريع لتقنيات المدن الذكية وبيئات المعيشة الذكية إلى زيادة الطلب على الحلول الآلية والمبنية على البيانات في تصميم السكن. على وجه الخصوص، زاد تزايد عدد السكان المتقدم في العمر والطلب على الإسكان الموجه للرعاية الصحية من أهمية تصميم مساحات سكنية تكون وظيفية ومصممة لتلبية احتياجات مجموعات المستخدمين المحددة 1,2. غالبا ما تكون طرق تحليل مخططات الطوابق المعمارية التقليدية يدوية، تستغرق وقتا طويلا، وتعتمد على تفسير الخبراء؛ لذلك، فهي غير فعالة وصعبة التوسع السريع. وقد خلق ذلك حاجة قوية لأنظمة ذكية قادرة على تحليل تخطيطات السكن تلقائيا ودعم اتخاذ القرار المستنير.3.

لقد حسنت التطورات الحديثة في الذكاء الاصطناعي (AI)، خاصة في التعلم العميق (DL) ورؤية الحاسوب، تحليل البيانات القائمة على الصور بشكل كبير. أثبتت الشبكات العصبية الالفافية (CNNs) فعاليتها العالية في استخراج الميزات المكانية وتعلم الأنماط البصرية المعقدة، مما يجعلها مناسبة لتحليل صور مخطط الأرضية 4,5,6. يمكن لهذه النماذج تعلم التمثيلات الضمنية لهياكل الغرف، وتنظيم التخطيط، والعلاقات المكانية التي تعتبر ضرورية للتنبؤ بالخصائص المعمارية7،8. ومع ذلك، قد يحد الاعتماد على نموذج DL واحد من التعميم لأن البنى المختلفة قد تركز على ميزات مكانية مميزة وتظهر تحيزات ناتجة عن التغيرات المعمارية9. على الرغم من هذه التطورات، غالبا ما تفتقر الأساليب الحالية إلى إطار متكامل يجمع بين عدة نماذج، ويدعم التنبؤ بعدة مخرجات، ويوفر قابلية تفسير على مستوى التطبيق. علاوة على ذلك، حظي تقييم السكن الموجه للرعاية الصحية وقابلية التفسير باهتمام محدود نسبيا ضمن أنظمة تحليل مخططات الطوابق. غياب مثل هذه الأطر الشاملة يحد من التطبيق العملي وقابلية التفسير، خاصة في المجالات التي تكون فيها الشفافية ودعم القرار مهمين 10,11,12.

كما ساهم الذكاء الاصطناعي بشكل كبير في التحليل الآلي وتوليد مخططات الطوابق المعمارية. بحثت إحدى الدراسات في استخدام التعلم الآلي (ML) لتحويل صور مخطط الطوابق ثنائية الأبعاد إلى نماذج ثلاثية الأبعاد13. سلط المؤلفون الضوء على حدود الطرق التقليدية القائمة على التصميم بمساعدة الحاسوب (CAD) وأكدوا على أهمية خطوط الأنابيب المعتمدة على الذكاء الاصطناعي القابلة للتوسع لفهم المكان. أظهرت نتائجهم أن DL يمكنه استخراج المعلومات الهيكلية بفعالية من مخططات الطوابق، رغم استمرار التحديات المتعلقة بالتعميم وتغير البيانات. اقترحت دراسة أخرى إطار عمل تعلم تعزيز عميق متعدد الوكلاء لجيل التخطيط الأرضي الآلي14. على الرغم من أن هذا النهج يوفر مرونة وتخصيص كبيرين للتصميم المعماري، إلا أنه يركز بشكل أساسي على توليد التصميم بدلا من التحليل التنبؤي لمخططات الطوابق الحالية.

فحص مسح شامل لاسترجاع مخطط الطوابق الخصائص الدلالية، المكانية، القائمة على الشكل، والملمس لفهم مخطط الطابق15. أكد الاستطلاع على أهمية نماذج التعلم العميق، بما في ذلك شبكات CNN والمعماريات القائمة على المحولات، لتعلم تمثيلات ذات معنى. ومع ذلك، حدد أيضا تحديات تتعلق بالضوضاء، والتشويه، وتمييز الميزات في التصاميم المعقدة. وبالمثل، دمج النهج القائم على التعلم الآلي علاقات طوبولوجية وبصرية للتعرف على مخططالطوابق 8. أظهرت الدراسة أن الوصول البصري والاتصال المكاني مهمان لفهم التصاميم المعمارية، لكنها لم تتناول استراتيجيات التنبؤ المتعدد أو التعلم الجماعي. تم استكشاف الذكاء الاصطناعي التوليدي أيضا في التطبيقات المعمارية. فحصت مراجعة للذكاء الاصطناعي التوليدي في الهندسة المعمارية استخدام الشبكات التوليدية المتنافسة (GANs)، والترميزات الذاتية المتغيرة (VAEs)، ونماذج الانتشار لأتمتة التصميم16. أشار المؤلفون إلى تزايد اعتماد أدوات الذكاء الاصطناعي في سير العمل المعماري العملي. ومع ذلك، كان تركيز ذلك العمل على توليد التصميم بدلا من النمذجة التنبؤية أو تطبيقات دعم القرار. أصبح الذكاء الاصطناعي القابل للتفسير أكثر أهمية لتفسير نماذج التعلم الزائد. اقترحت دراسة إطار عمل قائم على تفسير نماذج التعلم المضاف في تطبيقات المحاكاة الحضرية17. أظهرت النتائج أن SHAP يمكنه تحديد السمات المؤثرة وتحسين قابلية التفسير على المستويين العالمي والمحلي. على الرغم من أن الدراسة تدعم قيمة SHAP في التطبيقات المكانية، إلا أنها لم تدرس دمجها مع أطر التعلم الجماعي. أدت التطورات الأخيرة في معماريات DL إلى تحسين الأداء في المهام القائمة على الصور. قدمت دراسة مراجعة شاملة لنماذج DL المعاصرة بما في ذلك الهياكل المعتمدة على CNN والمحولات18. سلطت الدراسة الضوء على أهمية اختيار النماذج والهياكل الهجينة لتحسين أداء التعميم. ومع ذلك، لم يتطرق بشكل محدد إلى تطبيقات تحليل مخطط الطوابق. كما ساهمت مجموعات البيانات واسعة النطاق في التقدم في التحليل المعماري. على سبيل المثال، قدمت دراسة مجموعة بيانات مرجعية تحتوي على آلاف المخططات المعقدة19. أظهرت الدراسة أن النماذج الحالية لا تزال تواجه تحديات عند تحليل تخطيطات الشقق واسعة النطاق ومتعددة الشقق، مما يبرز الحاجة إلى أساليب أكثر صلابة وقابلية للتعميم.

كما تمت دراسة DL بشكل موسع في التعلم الجماعي. أشارت دراسة حديثة حول طرق التجميع العميق إلى أن دمج نماذج متعددة يمكن أن يحسن بشكل كبير دقة التنبؤ والمتانة من خلال تقليل التحيز والتباين20. على الرغم من فعاليتها، لم تطبق هذه الطرق على نطاق واسع في تحليل مخططات الطوابق المعمارية، خصوصا في مهام الانحدار متعدد المخرجات. علاوة على ذلك، أبرزت الدراسات الحديثة في تحليل مخطط الطوابق الآلي أهمية الأطر المتكاملة التي تجمع بين التنبؤ والتصنيف وقابلية التفسير 21,22,23. تركز الأبحاث الحالية عادة على الوظائف الفردية، مثل استخراج الميزات، توليد التخطيط، أو التصنيف. وبالتالي، لا تزال هناك فجوة بحثية واضحة في تطوير إطار موحد يدمج التعلم متعدد النماذج، وتقييم التخطيط السكني، والذكاء الاصطناعي القابل للتفسير. على الرغم من تحقيق تقدم كبير في مجال التعلم العميق والتحليل المعماري، إلا أن هناك عدة فجوات بحثية قائمة. تركز معظم الدراسات الحالية على التعرف على مخطط الأرضية، واستخراج الميزات، أو توليد التصميم دون توفير إطار موحد يدعم كل من التنبؤ متعدد المخرجات واتخاذ القرار على مستوى التطبيق. بالإضافة إلى ذلك، تعتمد العديد من الأساليب على نموذج DL واحد، مما قد يحد من قدرتها على التقاط خصائص مكانية متنوعة وقد يدخل تحيزات خاصة بالنموذج. التعلم الجماعي لتحليل مخطط الطوابق لا يزال غير مستكشف نسبيا، خاصة فيما يتعلق بدمج النماذج غير المتجانسة لتحسين المتانة. علاوة على ذلك، تم إيلاء اهتمام محدود لتصنيف السكن مع التركيز على اعتبارات الإسكان الموجهة لكبار السن وقابلية التفسير. نظرا لأن العديد من نماذج التعلم العميق تعمل كصناديق سوداء، يبقى فهم أساس توقعاتها تحديا. تسلط هذه القيود الضوء على الحاجة إلى إطار شامل يدمج التعلم متعدد النماذج، والتنبؤ الدقيق، والتصنيف السكني الموجه نحو التطبيقات، والذكاء الاصطناعي القابل للتفسير.

تقدم هذه الدراسة إطارا آليا لتحليل صور مخطط الطوابق السكنية، مع التركيز على الوعي المكاني وتقييم تخطيط السكن، لمعالجة هذه التحديات. يقدم الإطار المقترح نموذج DL ميتا-أنسامبل، CARE-MIRV-Net، الذي يدمج أربع شبكات CNN مكملة — MobileNetV2، InceptionV3، ResNet101، وVGG16 — ضمن بنية قائمة على التكديس 24,25,26,27. كل نموذج يتنبأ بشكل مستقل بالخصائص المعمارية الرئيسية، بما في ذلك المساحة بالقدم المربع، وعدد غرف النوم، والحمامات، والكراجات. يتم دمج هذه التنبؤات لاحقا بواسطة المتعلم الميتا لتوليد تنبؤات محسنة. بالإضافة إلى ذلك، تستخدم طبقة قرار قائمة على القواعد لتصنيف تخطيطات السكن كرعاية للمسنين، الرعاية الطبية، أو السكن العام بناء على السمات المتوقعة.

مساهمات هذا العمل هي كما يلي. أولا، يقترح إطار عمل لتطوير الميتا-أنسامبل لتوقع السمات المعمارية من صور مخطط الطوابق السكنية بالنتائج المتعددة. ثانيا، يدمج نموذج CARE-MIRV-Net أربع بنى CNN لتحسين دقة التنبؤ والتعميم. ثالثا، يتم دمج طبقة قرار قائمة على القواعد لدعم تصنيف التخطيط السكني الموجه للتطبيقات بناء على السمات المعمارية المتوقعة. رابعا، تم دمج الذكاء الاصطناعي القابل للتفسير القائم على SHAP لتعزيز شفافية النماذج وقابلية التفسير. وأخيرا، تجرى تجارب موسعة لتقييم الإطار المقترح باستخدام متوسط الخطأ المطلق (MAE) ومعامل التحديد (R2) كمقاييس أداء.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

استخدمت هذه الدراسة مجموعة بيانات متاحة للجمهور من منصة كاجل (صور مخطط الأرضية وتفاصيلها، متاحة على: https://www.kaggle.com/datasets/adilmohammed/floor-plan-images-and-their-details؛ تم الوصول إليها في 16 أبريل 2026). لم يشمل المشاركين البشر، أو الحيوانات، أو البيانات الشخصية القابلة للتعريف؛ لذلك، لم تكن الموافقة الأخلاقية والموافقة المستنيرة مطلوبة.

يقدم هذا البروتوكول إطارا مدفوعا بالذكاء الاصطناعي للتحليل الآلي لصور مخططات الطوابق السكنية، مع تركيز على التصميم الواعي المكاني والموجه للرعاية الصحية. يتم عرض سير العمل التجريبي الكامل في الشكل 1. تم تصميم البروتوكول لسد الفجوة بين التنبؤ بالميزات المعمارية منخفضة المستوى واتخاذ القرار الموجه للتطبيقات على مستوى عال. يدمج التعلم العميق، ونمذجة المجموعات الجماعية، والذكاء الاصطناعي القابل للتفسير لتوفير حل دقيق ومتين وقابل للتفسير لتحليل تخطيطات السكن. يتكون الإطار من عدة مراحل، تبدأ بجمع البيانات والمعالجة المسبقة، تليها تعلم الميزات باستخدام CNNs العميقة، والتنبؤ بمجموعات الميتا، وأخيرا التصنيف على مستوى التطبيق. في البداية، تتم معالجة صور مخطط الطوابق وخصائصها المعمارية المقابلة مسبقا من خلال تغيير الحجم، والتطبيع، وتعزيز البيانات لضمان الاتساق وتحسين التعميم. تم تغيير حجم جميع صور مخطط الطوابق إلى 224 × 224 بكسل وتم تطبيعها إلى النطاق [0, 1]. تم تطبيق تعزيز البيانات أثناء التدريب باستخدام الانقلاب الأفقي العشوائي، والدوران، والتكبير، وتغيير العرض/الارتفاع لتحسين تعميم النموذج وتقليل الإفراط في التوافق. لم يتم تطبيق أي انقلاب عمودي. تم توفير معايير التعزيز الكاملة وتفاصيل التنفيذ في الملف التكميلي 1. ثم تم استخدام البيانات المعالجة لتدريب نماذج DL متعددة على استخراج الميزات والتنبؤ. تم تدريب جميع النماذج الأساسية ومتعلم CARE-MIRV-Net الميتا باستخدام تكوين متسق، يشمل تعزيز البيانات، والتوقف المبكر، وجدولة معدل التعلم التكيفي. تم مراقبة فقدان التحقق (val_loss) في التوقف المبكر بقيمة صبر قدرها 5 فترات فارغ، وكانت أوزان النماذج الأفضل تستعاد تلقائيا بعد التدريب. تم تنفيذ جدولة معدل التعلم التكيفي باستخدام استدعاء ReduceLROnPlateau، الذي راقب فقدان التحقق وخفض معدل التعلم بمقدار 0.3 بعد عصرين دون تحسين، مع معدل تعلم أدنى 1 × 10⁻7. يتم توفير تفاصيل التنفيذ الكاملة وإعدادات المعلمات في الملف التكميلي 1. تم تقسيم مجموعة البيانات عشوائيا إلى مجموعات تدريب واختبار باستخدام نسبة تقسيم 80:20. تم استخدام بذرة عشوائية ثابتة (42) لضمان قابلية التكرار. تفاصيل التنفيذ الكاملة متوفرة في الملف التكميلي 1.

figure-protocol-1
الشكل 1. سير عمل إطار عمل CARE-MIRV-Net لتحليل مخططات الطوابق السكنية. نظرة عامة تخطيطية للبروتوكول المقترح. يشمل سير العمل (1) جمع مجموعات البيانات والمعالجة المسبقة، (2) تعلم الميزات والتنبؤ باستخدام MobileNetV2 وInceptionV3 وResNet101 وVGG16، و(3) التنبؤ بمجموعات الفوقات باستخدام CARE-MIRV-Net باستخدام التكديس، و(4) تصنيف التخطيط السكني القائم على القواعد، (5) تحليل تفسير التفسير المعتمد على SHAP المعتمد على SHAP، و(6) تقييم الأداء. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

في المرحلة الثانية، يتم توظيف أربع CNNs مدربة مسبقا، MobileNetV2، InceptionV3، ResNet101، وVGG16، كمتعلمين أساسيين. يتم ضبط كل نموذج بدقة باستخدام التعلم الانتقالي للتنبؤ بالخصائص المعمارية الرئيسية، بما في ذلك المساحة وعدد غرف النوم والحمامات والجراجات. لكل نموذج تعلم النقل، تم إبقاء الطبقات السفلية المدربة مسبقا مجمدة، بينما تم ضبط الطبقات العليا ورأس الانحدار المخصص أثناء التدريب. تم توفير تكوينات دقيقة تفصيلية لضبط النموذج في الملف التكميلي 1. تلتقط هذه النماذج جوانب مختلفة من المعلومات المكانية: يوفر MobileNetV2 استخراجا فعالا للميزات، ويلتقط InceptionV3 أنماطا مكانية متعددة المقاييس، ويتعلم ResNet101 تمثيلات هرمية عميقة، ويضمن VGG16 تعلم ميزات مستقر ومتسق. التنوع بين هذه النماذج يعزز القدرة التمثيلية العامة للإطار.

لتعزيز دقة ومتانة التنبؤ أكثر، يقترح نموذج ميتا-أنسامبل قائم على التكديس، ويرمز إليه ب CARE-MIRV-Net. في هذه الخطوة، يتم تجميع التنبؤات من جميع النماذج الأساسية معا لإنشاء فضاء ميزات أعلى، وهو إدخال لمتعلم فوقي. يتم أولا توليد توقعات النموذج الأساسي بشكل مستقل باستخدام نماذج MobileNetV2 وInceptionV3 وResNet101 وVGG16 المدربة. ثم يتم ربط هذه التنبؤات لتشكيل متجه الميزة الفوقية الذي يستخدمه المتعلم الفوقي. لمنع تسرب البيانات، يتم فصل مجموعات بيانات التدريب والاختبار بشكل صارم، ويتم تدريب المتعلم الفوقي فقط على التنبؤات المولدة من بيانات التدريب. النموذج الفوقي، وهو شبكة عصبية متصلة بالكامل، مدرب على تعلم التركيبة المثلى من مخرجات النموذج الأساسي لإنتاج توقعات دقيقة. يتكون النموذج التيه من طبقتين متصلتين بالكامل مع 512 و256 عصبية عصبية باستخدام تفعيل ReLU، تليها طبقات انقطاع (0.4 و0.3) وطبقة إخراج خطية. يتم تدريب النموذج باستخدام محسن آدم (معدل التعلم = 0.0001)، وحجم دفعة 32، وحتى 15 عصرا. تم تنفيذ الإيقاف المبكر من خلال مراقبة فقدان التحقق (val_loss) بقيمة صبر تبلغ 5 فترات فارغ. تم تعيين معيار التحسين الأدنى (min_delta) على القيمة الافتراضية ل TensorFlow وهي 0، وتم استعادة أوزان أفضل نماذج تلقائيا بعد التدريب. تم تنفيذ جدولة معدل التعلم التكيفي باستخدام استدعاء ReduceLROnPlateau، الذي راقب فقدان التحقق وخفض معدل التعلم بمقدار 0.3 مرة بعد عصرين متتاليين دون تحسين. تم ضبط الحد الأدنى لمعدل التعلم على 1 × 10⁻7، واستخدم معلم التهدئة القيمة الافتراضية TensorFlow وهي 0. تقلل هذه الطريقة الجماعية من تحيزات النماذج الفردية وتحسن التعميم من خلال نقاط القوة التكميلية لعدة معماريات. معلومات التنفيذ التفصيلية موفرة في الملف التكميلي 1.

بعد التنبؤ، تضاف طبقة تفسير لتحويل المخرجات الرقمية إلى قرارات على مستوى التطبيق. يمكن تصنيف تخطيطات السكن إلى ثلاث فئات بناء على توقعات الخصائص المعمارية: رعاية كبار السن، والرعاية الصحية المتكاملة (الرعاية الطبية)، والاستخدام السكني العام. يتم إجراء هذا التصنيف باستخدام قواعد قرار محددة مسبقا بناء على المساحة المتوقعة، وعدد غرف النوم، وعدد الحمامات. يتم تعيين الفئة التي حصلت على أعلى درجة كتصنيف نهائي، بينما يتم حل التعادل باختيار الفئة التي تحقق أكبر عدد من معايير القرار. تم توفير قواعد التسجيل الكاملة وعتبات التصنيف في الملف التكميلي 2 (الخوارزمية 1). يتيح هذا الإجراء للإطار تقديم معلومات عملية لتصميم المساكن السكنية.

يستخدم الإطار ذكاء اصطناعيا قابلا للتفسير مع تقنية SHAP لتوفير الشفافية وقابلية التفسير. يفحص هذا المكون مساهمة التنبؤات من كل نموذج أساسي في مخرجات النموذج الفوقي. تم إجراء تحليل SHAP باستخدام معالج SHAP KernelExplainer (إصدار SHAP 0.51.0) مع 100 عينة تدريب مختارة عشوائيا كمجموعة بيانات خلفية و50 عينة اختبار لتوليد التفسير. يتم توفير التكوين الكامل ل SHAP، بما في ذلك اختيار العينات في الخلفية وإعدادات التنفيذ، في الملف التكميلي 1. تساعد طبقة التفسير على فهم عملية اتخاذ القرار من خلال قياس أهمية الميزة وعرض أنماط المساهمات، مما يحسن من شفافية النموذج وموثوقيته. يتم تقييم الإطار المقترح باستخدام MAE و R2 عبر جميع المتغيرات المستهدفة. بالنسبة للتنبؤ بعدة مخرجات، تم حساب MAE كمتوسط الفرق المطلق بين القيم الفعلية والمتوقعة عبر جميع المتغيرات المستهدفة، بينما تم حساب R2 بمقارنة التباين المفسر للتنبؤات مع قيم الحقيقة الأرضية المقابلة لكل مخرجات. تشير التحليلات الكمية والنوعية إلى أن مشروع CARE-MIRV-Net المقترح يحسن دقة التنبؤ ويدعم تصنيف تخطيط السكن القائم على القواعد. تم تقييم موثوقية التصنيف بناء على دقة توقعات الانحدار الأساسية وثبات طبقة القرار القائمة على القواعد. يعد الإطار حلا مناسبا وقابلا للتوسع لتحليل مخطط الطوابق الذكي ويمكن تطبيقه على الإسكان الذكي، وتخطيط رعاية كبار السن، وتصميم السكن الموجه للرعاية الصحية. قائمة كاملة بمجموعات البيانات، وحزم البرمجيات، والمكتبات، والموارد العمادية، والأدوات الحاسوبية المستخدمة في هذه الدراسة مقدمة في جدول المواد. يتم توفير الشيفرة المصدرية، ومعلومات تكوين البيئة، ومواصفات اعتماد البرمجيات، وسكريبتات التنفيذ اللازمة لإعادة إنتاج سير العمل المبلغ عنه في الملف التكميلي 1.

خوارزمية البروتوكول

يتبع الإطار المقترح نهجا متعدد المراحل لمعالجة مخططات الطوابق القائمة على الصور للمنازل السكنية وإنتاج مخرجات تنبؤية ومستوى قرار، كما هو موضح في الخوارزمية 1 في الملف التكميلي 2. تبدأ هذه العملية بمعالجة البيانات المسبقة، حيث يتم إعادة تكبير صور الإدخال إلى دقة قياسية وتطبيعها لتوفير التوحيد في جميع أنحاء مجموعة البيانات. تم تغيير حجم جميع صور مخطط الطوابق إلى 224 × 224 بكسل وتم تطبيعها إلى النطاق [0, 1]. تعمل هذه الخطوة على تحسين الصور للتعلم عبر الشبكات العصبية العميقة وتعزز تقارب النموذج بشكل عام. المرحلة الثانية تتضمن استخدام عدة نماذج DL كمتعلمين أساسيين، بما في ذلك MobileNetV2 وInceptionV3 وResNet101 وVGG16. بشكل مستقل، يأخذ كل نموذج الصور المدخلة ويقدر الميزات المعمارية المهمة مثل المساحة وعدد غرف النوم والحمامات والكراجات. تم تقسيم مجموعة البيانات عشوائيا إلى مجموعات تدريب واختبار باستخدام نسبة تقسيم 80:20، وتم استخدام بذرة عشوائية ثابتة لضمان قابلية التكرار. تلتقط هذه النماذج خصائص مكانية مختلفة لمخططات الطوابق وتوفر توقعات مكملة. يتم بعد ذلك بناء تمثيل الميزة عن طريق تكديس مخرجات كل نموذج أساسي لإنشاء تمثيل ميزة واحد. يتم تغذية هذا الناتج المشترك لاحقا في نموذج ميتا-تجميعي، CARE-MIRV-Net، الذي تم تدريبه على دمج توقعات جميع النماذج الأساسية. تم توليد تنبؤات النموذج الأساسي بشكل مستقل وربطها لتشكيل متجه الميزة الفوقية. تم منع تسرب البيانات من خلال الفصل الصارم بين مجموعات بيانات التدريب والاختبار. يقوم النموذج التلوي بتحسين هذه التنبؤات وينتج التنبؤات النهائية للسمات المعمارية. تكون النموذج التيه من طبقات متصلة بالكامل تحتوي على 512 و256 عصبونا، ووظائف تنشيط ReLU، ومعدلات انقطاع 0.4 و0.3، ومحسن آدم (معدل التعلم = 0.0001)، وحجم دفعة 32، وما يصل إلى 15 فترة تدريب مع توقف مبكر. بعد التنبؤ، تستخدم طبقة القرار لوضع النتائج في سياقها. وفقا للقيم المقدرة، يتم تصنيف كل تخطيط سكني كرعاية للمسنين، الرعاية الطبية، أو الاستخدام السكني العام. تم تعيين الفئات السكنية باستخدام قواعد تسجيل النقاط المحددة مسبقا بناء على العتبات المستمدة من سمات مخطط الطوابق المتوقعة. تم اختيار الفئة التي حصلت على أعلى درجة كتصنيف نهائي. تم توفير عتبات التصنيف الكاملة وقواعد القرار في الخوارزمية 1 (الملف التكميلي 2). أخيرا، يتضمن الإطار مكونا قابلية التفسير يعتمد على SHAP لتقييم تأثير كل نموذج أساسي على التوقع النهائي. تم إجراء تحليل SHAP كما هو موضح سابقا وفي الملف التكميلي 1. يزيد هذا المكون من الشفافية ويساعد في فهم عملية اتخاذ القرار. تم تقييم فعالية وفعالية النهج المقترح باستخدام مقاييس أداء الانحدار القياسية. تم تقييم الأداء باستخدام تجربة واحدة مع بذرة عشوائية ثابتة.

نماذج التقييم

في هذا القسم، تعرض نماذج DL المستخدمة في الدراسة، بما في ذلك كل من النماذج الأساسية الفردية ونموذج CARE-MIRV-Net المقترح. تم اختيار النماذج المعيارية لتمثيل هياكل DL المتنوعة والمعتمدة على نطاق واسع. تم تضمين MobileNetV2 كشبكة خفيفة الوزن وفعالة حسابيا، وتم اختيار InceptionV3 لقدرتها على التقاط الميزات المكانية متعددة المقاييس. تم اختيار ResNet101 بسبب قدرته العميقة على التعلم المتبقي لاستخراج الميزات بشكل هرمي، وتم تضمين VGG16 كبنية التفافية راسخة. تم تدريب جميع نماذج المعيار باستخدام إجراءات معالجة مسبقة متطابقة، وإعدادات تعزيز البيانات، وتقسيمات مجموعات البيانات، ومعلمات التحسين، وحجم الدفعة، وتكوين التدريب لضمان تقييم مقارن عادل.

MobileNetV2:

موبايل نت V2 هو نظام CNN صغير ومضغوط تم تصميمه ليكون سريعا وعالي الأداء وبتعقيد حسابي أقل. يقدم بعضا من الابتكارات الرئيسية مثل الوصلات المتبقية المقلوبة وعنقات الاختناقات الخطية، التي تسهل استخراج الميزات بكفاءة ولا تزال تتمتع بقوة تمثيلية عالية. يمكن ل MobileNetV2 استخدام الالتفافات القابلة للفصل من حيث العمق لتقليل عدد المعاملات الكلي والتكلفة الحسابية للشبكات الالتفافية التقليدية بشكل كبير، وبالتالي فهو متكيف جيدا مع مشاكل التعلم الكبيرة القائمة على الصور.

يستخدم MobileNetV2 في الإطار المقترح كأحد نماذج DL الأساسية للتنبؤ بالخصائص المعمارية لصور مخطط الطوابق السكنية. يستطيع النموذج تعلم الأنماط المكانية مثل توزيع الغرف، كثافة التخطيط، والتنظيم الهيكلي التي تحدث في مخططات الطوابق بفعالية بفضل تصميمه الفعال. تلعب هذه التمثيلات المكتسبة دورا مهما في تقدير الميزات المهمة مثل المساحة المربعة، وعدد غرف النوم، والحمامات، والكراجات بدقة. MobileNetV2 هو نموذج خفيف الوزن، وهو مرشح جيد ليتم تضمينه في إطار عمل الميتا-أنسامبل المقترح. تضيف بعض الميزات المكملة لنماذج DL الأخرى، وتعزز المتانة والتعميم بشكل عام. يعد هذا التعلم النموذجي مهما جدا من حيث تحسين دقة التنبؤات والمساعدة في تصنيف تصاميم السكن بناء على الرعاية الصحية.

نموذج MobileNetV2 مدرب باستخدام استراتيجية التعلم التحويلي مع أوزان مدربة مسبقا من مجموعة بيانات ImageNet. يتم تكبير صور الإدخال إلى حجم ثابت 224 × 224 × 3، وهو متوافق مع البنية. تم تغيير حجم الصور إلى 224 × 224 بكسل، وتم تطبيعها إلى النطاق [0, 1]، وتم تعزيزها باستخدام التقليب العشوائي، والدوران، والتكبير، والتنقل. تم استخدام دفعة بحجم 32 خلال التدريب. تمت إزالة رأس التصنيف الأولي لموبايل نت V2 واستبداله برأس انحدار. تكون رأس الانحدار من طبقة تجميع متوسط عالمي تليها طبقات متصلة بالكامل تحتوي على 512 و256 عصبوية، وتطبيع دفعي، وطبقات انقطاع (0.4 و0.3)، وطبقة إخراج خطية مكونة من أربعة عصبونات. لتسهيل التكيف مع المجال، تم تجميد الطبقات السفلية المدربة مسبقا، بينما تم ضبط الطبقات العليا التي تبدأ من block_13_expand ورأس الانحدار المخصص بدقة. يتيح هذا النهج الانتقائي للنموذج الاحتفاظ بالميزات البصرية العامة أثناء تعلم السمات المكانية الخاصة بالمجال لصور مخطط الأرضية. تتم معالجة خرائط الميزات المستخرجة من خلال طبقة تجميع المتوسط العالمي وطبقات متصلة بالكامل مع 512 و256 عصبية عصبية باستخدام تفعيل ReLU. لتعزيز التعميم وتقليل الإفراط في التركيب، يتم دمج طبقات التطبيع الدفعي وطبقات الانقطاع (0.4 و0.3). تحتوي الطبقة النهائية على أربعة خلايا عصبية مع تنشيط خطي يتوافق مع السمات المعمارية المتوقعة. تم استخدام محسن آدم بمعدل تعلم 0.0001 ومعلمات TensorFlow/Keras الافتراضية (β₁ = 0.9، β₂ = 0.999، ε = 1 × 10⁻7، amsgrad = خاطئ). للتنبؤ بالمخرجات المتعددة، تم حساب MAE و R2 عن طريق مقارنة القيم المتوقعة والفعلية لكل متغير مستهدف ثم حساب المتوسط بين النتائج عبر جميع المخرجات. تم تطبيق التوقف المبكر بناء على فقدان التحقق، واستخدم تقليل معدل التعلم التكيفي لتحسين التقارب. تم إجراء التدريب لمدة تصل إلى 15 فترة تدريبية.

InceptionV3:

InceptionV3 هي بنية CNN عميقة قادرة على التقاط ميزات متعددة المقاييس باستخدام عمليات التفافية متوازية. تعتمد على وحدة Inception، التي تستخدم أحجام مرشحات متنوعة في نفس الطبقة لاستخراج ميزات دقيقة الحبيبات والخشنة في نفس الوقت. يتيح هذا النوع من تصميم العمارة للشبكة تعلم التسلسلات الهرمية المكانية المعقدة وأن تكون فعالة حسابيا. وفوق ذلك، يستخدم InceptionV3 الالتفافات الموحدة وتقليل الأبعاد، مما يعزز الأداء ويقلل من التكاليف الحاسوبية.

يتم تطبيق InceptionV3 في الإطار المقترح كأداة فعالة لاستخراج الميزات لتحليل صور مخططات الطوابق السكنية. تتكون مخططات الطوابق من أنماط مكانية متنوعة، مثل أحجام الغرف، المخططات الهيكلية، والترابط، مما يتطلب التعلم متعدد المقاييس للميزات. تعد هندسة البداية أكثر ملاءمة لهذه المهمة لأنها قادرة على تمثيل التفاصيل المحلية (مثل الغرف الصغيرة) والهياكل العامة (مثل تنظيم التخطيط العام) في نفس الوقت. يوفر InceptionV3 تمثيلات مكملة لنماذج أخرى مثل MobileNetV2 في سياق إطار عمل الميتا-أنسامبل. تزداد تنوع التوقعات بفضل قدرته على نمذجة العلاقات المكانية المعقدة، وهذا مهم في تحسين أداء الفرقة. يساعد ذلك في النهاية على التنبؤ بشكل أفضل بالخصائص المعمارية ويعزز التصنيف اللاحق لتصميم المساكن الصديقة لكبار السن والمتكاملة مع الرعاية الصحية.

يتم تدريب نموذج InceptionV3 باستخدام نهج التعلم التحويلي مع أوزان مدربة مسبقا من مجموعة بيانات ImageNet. يتم تكبير صور الإدخال إلى 224 × 224 × 3 لضمان التوافق مع بنية الشبكة والاتساق عبر جميع النماذج داخل الإطار. تم تغيير حجم الصور إلى 224 × 224 بكسل، وتم تطبيعها إلى النطاق [0, 1]، وتم تعزيزها باستخدام التقليب العشوائي، والدوران، والتكبير، والتنقل. تم استخدام دفعة بحجم 32 خلال التدريب.

تمت إزالة طبقات التصنيف الأصلية من InceptionV3، وتم إدخال رأس انحدار مخصص لتمكين التنبؤ بعدة مخرجات. تكون رأس الانحدار المخصص من طبقة تجميع متوسط عالمي تليها طبقات متصلة بالكامل تحتوي على 512 و256 عصبويا، وتطبيع دفعي، وطبقات انسحاب (0.4 و0.3)، وطبقة إخراج خطية مكونة من أربعة عصبونات. القاعدة الالفافية مضبوطة جزئيا، حيث يتم تجميد الطبقات السفلية المدربة مسبقا، والطبقات العليا مع رأس الانحدار المخصص مضبوطة بدقة لتعلم ميزات مخطط الطابق الخاصة بالمجال مع الاحتفاظ بالتمثيلات البصرية العامة التي تم اكتسابها أثناء التدريب المسبق. بعد العمود الفقري الالتفافي، تحول طبقة تجميع المتوسط العالمي خرائط الميزات إلى تمثيل ميزات مضغوط. يتبع ذلك طبقات متصلة بالكامل تحتوي على 512 و256 عصبية عصبية ذات وظائف تنشيط ReLU. لتقليل الإفراط في التوافق وتحسين التعميم، يتم تطبيق معدلات التسرب بين 0.4 و0.3. تتكون طبقة الإخراج النهائية من أربعة عصبونات مع تنشيط خطي يتوافق مع التنبؤ بالمساحة المربعة، وعدد غرف النوم، وعدد الحمامات، وعدد الكراجات. يتم تدريب النموذج باستخدام محسن آدم بمعدل تعلم 0.0001، وحجم دفعة 32، وحتى 15 فترة تدريب مع توقف مبكر وتقليل معدل التعلم التكيفي لضمان تقارب مستقر.

ResNet101:

يعد ResNet101 هيكلا عميقا من CNN مبني على مبدأ التعلم المتبقي الذي يتيح تدريب شبكات عميقة جدا من خلال تجاوز مشكلة التدرج المتلاشي. يضيف اتصالات متبقية، أو ما يسمى اتصالات التخطي، التي تمكن الشبكة من تعلم خرائط الهوية والاحتفاظ بالمعلومات عبر الطبقات. تعزز هذه البنية بشكل كبير استقرار التدريب وتسمح للنموذج بتعلم خصائص هرمية معقدة. يتمتع ResNet101 بسعة تمثيلية عميقة تبلغ 101 طبقة، وبالتالي فهو فعال جدا في المهام التي تتطلب ميزات مكانية إضافية.

سيتم استخدام ResNet101 في الإطار المقترح كأداة استخراج ميزات عالية السعة، والتي ستقوم بتحليل صور مخططات الطوابق السكنية. يمكن استخدام النموذج لتمثيل العلاقات المكانية المعقدة، بما في ذلك ترابط الغرف، وتعقيد التخطيط، والتغيرات الهيكلية، بسبب هيكله العميق. تعد هذه الميزات حاسمة في التنبؤ بدقة بالميزات المعمارية مثل المساحة المربعة، وغرف النوم، والحمامات، والجراجات. في تصميم الميتا-أنسامبل، يعد ResNet101 مكونا مهما ويوفر تمثيلات ميزات عميقة ومجردة. تركز ResNet101 أكثر على الميزات الهيكلية الدقيقة، وبالتالي فهي أكثر تنوعا بين المتعلمين الأساسي مقارنة بالنماذج الخفيفة مثل MobileNetV2. يلعب هذا التباين دورا أساسيا في تعزيز أداء المجموعة والتنبؤات القوية، خاصة عند التعامل مع تصنيف السكن القائم على الرعاية الصحية.

يتم تدريب ResNet101 باستخدام نهج التعلم التحويلي مع أوزان مدربة مسبقا من مجموعة بيانات ImageNet. يتم تعديل الصور المدخلة إلى 224 × 224 × 3، مما يضمن التوافق والاتساق المعماري عبر جميع النماذج داخل الإطار. تم تغيير حجم الصور إلى 224 × 224 بكسل، وتم تطبيعها إلى النطاق [0, 1]، وتم تعزيزها باستخدام التقليب العشوائي، والدوران، والتكبير، والتنقل. تم استخدام دفعة بحجم 32 خلال التدريب. تمت إزالة رأس التصنيف الأصلي ل ResNet101 (include_top=خطأ)، وتم إدخال رأس انحدار مخصص لتمكين التنبؤ بعدة مخرجات. تكون رأس الانحدار من طبقة تجميع متوسط عالمي تليها طبقات متصلة بالكامل تحتوي على 512 و256 عصبوية، وتطبيع دفعي، وطبقات انقطاع (0.4 و0.3)، وطبقة إخراج خطية مكونة من أربعة عصبونات. لتحقيق التوازن بين إعادة استخدام الميزات وتكييف المجال، تم تجميد الطبقات المنخفضة المدربة مسبقا، بينما تم ضبط الطبقات الأعمق التي تبدأ من conv4_block1_1_conv ورأس الانحدار المخصص بدقة. تمكن هذه الاستراتيجية الانتقائية للنموذج من الاحتفاظ بميزات بصرية عامة مع تكييف التمثيلات الأعلى المستوى مع صور مخطط الأرضية. يتم تمرير مخرج القاعدة الالتفافية عبر طبقة تجميع متوسط عالمي لتوليد تمثيل ميزات مضغوط. يتبع ذلك طبقات متصلة بالكامل تحتوي على 512 و256 عصبية عصبية تستخدم وظائف تفعيل ReLU. يتم تطبيق التطبيع الدفعي لتثبيت التعلم، ويتم دمج طبقات الانسحاب بمعدلات 0.4 و0.3 لتقليل الإفراط في التوافق وتحسين التعميم. تحتوي الطبقة النهائية على أربعة عصبونات مع تنشيط خطي يتوافق مع مساحة القدم المربعة، وعدد غرف النوم، والحمامات، والكراجات. تم استخدام محسن آدم بمعدل تعلم 0.0001، كما هو موضح في تكوين التدريب. شملت زيادة البيانات التقليب العشوائي، والدوران، والتكبير، والتحريك لتحسين تعميم النموذج. تم إجراء التدريب لمدة تصل إلى 15 فترة مع توقف مبكر بناء على فقدان التحقق وتقليل معدل التعلم التكيفي.

VGG16:

VGG16 هو بنية شبكة عصبية بسيطة من النوع الالتفافي العميق، وهي فعالة وبسيطة في مهام التعرف البصري. يتكون من 16 طبقة بتصميم منتظم أو متجانس يتضمن مرشحات التفافية صغيرة من 3 × 3، مما يسهل تعلم تمثيلات الميزات الهرمية بواسطة الشبكة. الهندسة المعمارية تركز على العمق وبسيطة، مما يعني أنها قادرة على التقاط تفاصيل منخفضة المستوى مثل الحواف والملمس والهياكل الدلالية عالية المستوى. VGG16، بتصميمه المنتظم وأدائه الجيد، أصبح الآن خيارا شائعا كأساسي عند تنفيذ التعلم التحويلي في المهام المتعلقة بالصور.

في النموذج المقترح، يستخدم VGG16 كنموذج DL أساسي لاشتقاق الميزات المكانية لصور مخططات الطوابق السكنية. كونها منظمة تمكنها من أن تكون مفيدة جدا في التقاط التفاصيل الدقيقة لأنماط التخطيط مثل حدود الغرف، ومحاذاة الهيكل، والتنظيم المكاني. تعد هذه الميزات ضرورية في التنبؤ الفعال بخصائص العمارة مثل الأقدام المربعة، وغرف النوم، والحمامات، والكراجات. في نظام المجموعات الميتا، يوفر VGG16 تمثيلات ميزات مستقرة ومعممة بشكل جيد. يقدم VGG16 نهجا أكثر توازنا لاستخراج الميزات مقارنة بالمعماريات الأعمق مثل ResNet101، والمعماريات متعددة المقاييس مثل InceptionV3، مما يزيد من تنوع المتعلمين الأساسيين. هذا التباين ضروري في تعزيز أداء المجموعة والتوقعات الموثوقة لتصنيف السكن الموجه للرعاية الصحية.

تم تدريب نموذج VGG16 باستخدام نهج التعلم التحويلي مع أوزان مدربة مسبقا من مجموعة بيانات ImageNet. يتم تكبير صور الإدخال إلى 224 × 224 × 3 لضمان التوافق مع البنية والاتساق عبر جميع النماذج داخل الإطار. تم تغيير حجم الصور إلى 224 × 224 بكسل، وتم تطبيعها إلى النطاق [0, 1]، وتم تعزيزها باستخدام التقليب العشوائي، والدوران، والتكبير، والتنقل. تم استخدام دفعة بحجم 32 خلال التدريب. تمت إزالة طبقات التصنيف الأصلية (include_top=خطأ)، وتمت إضافة رأس انحدار مخصص لتكييف النموذج مع التنبؤ بالإخراج المتعدد. تكون رأس الانحدار من طبقة تجميع متوسط عالمي تليها طبقات متصلة بالكامل تحتوي على 512 و256 عصبوية، وتطبيع دفعي، وطبقات انقطاع (0.4 و0.3)، وطبقة إخراج خطية مكونة من أربعة عصبونات. كانت الطبقات المدربة مسبقا منخفضة مجمدة، بينما كانت الطبقات التي تبدأ من block4_conv1 ورأس الانحدار المخصص مضبوطة بدقة. تمكن هذه الاستراتيجية النموذج من الاحتفاظ بالخصائص البصرية العامة أثناء تعلم التمثيلات الخاصة بالمجالات ذات الصلة بتحليل مخططات الطوابق. يتم تمرير ميزات مخرجات القاعدة الالتفافية عبر طبقة تجميع متوسط عالمي لتوليد متجه ميزات مضغوط. يتبع ذلك طبقات متصلة بالكامل تحتوي على 512 و256 عصبية عصبية تستخدم وظائف تفعيل ReLU. يتم دمج طبقات تطبيع الدفعات وطبقات الانسحاب بمعدلات 0.4 و0.3 لاستقرار التدريب، وتقليل الإفراط في التركيب، وتحسين التعميم. تحتوي الطبقة النهائية على أربعة خلايا عصبية مع تنشيط خطي يتوافق مع المساحة المربعة، وعدد غرف النوم، والحمامات، وتوقعات المرآب. تم استخدام محسن آدم بمعدل تعلم 0.0001، كما هو موضح في تكوين التدريب. شملت زيادة البيانات التقليب العشوائي، والدوران، والتكبير، والتحريك لتحسين تعميم النموذج. تم إجراء التدريب لمدة تصل إلى 15 فترة مع توقف مبكر بناء على فقدان التحقق وتقليل معدل التعلم التكيفي.

CARE-MIRV-Net (نموذج DL المقترح لمجموعة ميتا-إنسامبل):

النموذج المقترح CARE-MIRV-Net (مجموعة سكنية واع للسياق باستخدام شبكة MobileNetV2 وInceptionV3 وResNet101 وVGG16) هو إطار عمل DL قائم على التكديس يهدف إلى تحسين تقدير الميزات المعمارية بناء على صور مخطط الطوابق السكنية. تجمع هذه البنية بين شبكات CNN غير المتجانسة المختلفة من خلال استغلال مزاياها التآزرية في استخراج الميزات. يعتمد النموذج المقترح على مزيج من العمارة الخفيفة والعميقة والمتعددة المقاييس التي تعزز الأداء التنبؤي وتوفر متانة في مجموعة واسعة من التصاميم السكنية. على عكس التقنيات التقليدية القائمة على نموذج واحد، تتبع CARE-MIRV-Net نهج التعلم الهرمي، حيث توفر النماذج الأساسية تنبؤات أولية، ثم يتم تحسينها بواسطة المتعلم الفوقي.

عندما يتعلق الأمر بتصميم سكني يركز على المكانية والصحة، فإن التفسير الصحيح لتخطيطات الطوابق هو في غاية الأهمية. تميل نماذج DL الفردية إلى أن تكون غير كافية في تعميم أنماط معمارية مختلفة. سيتغلب الإطار المقترح على هذه الضعف باستخدام أربع بنى مختلفة: MobileNetV2، InceptionV3، ResNet101، وVGG16، والتي تقدم قدرات تمثيلية مختلفة خاصة بها. يمكن استخدام MobileNetV2 لاستخراج الميزات بكفاءة وهو خفيف الوزن؛ يتعلم InceptionV3 الأنماط المكانية عبر عدة مقاييس؛ يتعلم ResNet101 تمثيلات هرمية عميقة؛ ويتعلم VGG16 الميزات بشكل مستمر وموثوق. يسهل الجمع بين هذه النماذج الإطار لاحتضان كل من السمات المكانية المحلية والعالمية، مما يعزز دقة وموثوقية الميزات المتوقعة مثل المساحة المربعة، وعدد غرف النوم، والحمامات، والكراجات. يمكن أيضا استخدام التوقعات السابقة للتنبؤ بتصنيف إضافي لتخطيطات السكن لتشمل المناسبات لكبار السن، والمتكاملة مع الرعاية الصحية، والسكنية العامة.

يتم تنفيذ CARE-MIRV-Net باستخدام استراتيجية جماعية تعتمد على التكديس من مرحلتين. في المرحلة الأولى، تولد النماذج الأساسية الأربعة بشكل مستقل تنبؤات للمتغيرات المستهدفة. تم توليد مدخلات المتعلمين الفوقيين عن طريق ربط مخرجات التنبؤ التي أنتجتها النماذج الأساسية المدربة على بيانات التدريب. شكلت هذه التنبؤات المتراكمة المتجهات الميتا ذات الستة عشر بعدا المستخدمة في تدريب النموذج الفوقي. تم منع تسرب المعلومات من خلال الفصل الصارم بين مجموعات بيانات التدريب والاختبار، ولم تستخدم أي عينات اختبار خلال تدريب النموذج الأساسي أو النموذج الفوقي. تم استخدام نفس مجموعات بيانات التدريب والتحقق المستخدمة للنماذج الأساسية أثناء عملية التكديس. خلال كل من التدريب والاستنتاج، تم بناء متجه الميزات-ميزات الستة عشر بعد عن طريق دمج مخرجات التنبؤ الأربعة التي تولدها MobileNetV2 وInceptionV3 وResNet101 وVGG16. وبما أن كل نموذج يولد متجه إخراج رباعي الأبعاد، فإن التمثيل المتسلسل ينتج مدخلا 16 بعدا للمتعلم الفوقي. يجمع هذا التحويل بين التنبؤات من جميع النماذج الأساسية ويعمل كمدخل للمرحلة الثانية من الإطار. المرحلة الثانية تتضمن بناء متعلم ميتا لشبكة عصبية متصلة بالكامل لتعلم التركيبة المثلى من توقعات النموذج الأساسي. تكون المتعلم الفوقي من طبقات متصلة بالكامل تحتوي على 512 و256 عصبوية، وتنشيط ReLU، وتطبيع دفعاتي، ومعدلات انقطاع 0.4 و0.3، وطبقة إخراج خطية مكونة من أربعة عصبونات. تم تطبيق طبقات الانزلاق بمعدلات 0.4 و0.3 بعد الطبقات الكثيفة لتقليل الإفراط في التركيب وتحسين التعميم. تم تدريب النموذج الفوقي باستخدام محسن آدم بمعدل تعلم 0.0001، وحجم دفعة 32، وحتى 15 حقبة مع توقف مبكر وتقليل معدل التعلم التكيفي. تم استخدام بيانات التحقق لمراقبة أداء النموذج أثناء التدريب ولاختيار النموذج الأعلى أداء. بعد التدريب، أنتج نموذج الميتا-أنسامبل توقعات نهائية من خلال دمج مخرجات جميع المتعلمين الأساسيين. تم استخدام MAE وR2 لتقييم أداء CARE-MIRV-Net. للتنبؤ بالمخرجات المتعددة، تم حساب MAE و R2 عن طريق مقارنة القيم المتوقعة والفعلية لكل متغير مستهدف ثم حساب المتوسط بين النتائج عبر جميع المخرجات. تم الحصول على النتائج من تجربة واحدة باستخدام بذرة عشوائية ثابتة. يحسن الإطار المقترح القدرة التنبؤية من خلال دمج عدة هياكل DL عبر آلية تكديس وتوفير تحليل قابل للتفسير لمخططات الطوابق السكنية. وهذا يجعل CARE-MIRV-Net قابلا للتطبيق في سياق تصميم سكني يركز على كبار السن ويشمل الرعاية الصحية. يتم توفير الشيفرة المصدرية، ومعلومات تكوين البيئة، ومواصفات اعتماد البرمجيات، وتوثيق التنفيذ في الملف التكميلي 1.

تقييم الأداء

يتم إجراء تحليل الأداء للإطار المقترح لتحديد قوته التنبؤية، ومتانته، وأداء التعميم عبر خصائص معمارية مختلفة. تجرى تحليلات كمية ونوعية لتأكيد فائدة النموذج المقترح. يتضمن إجراء التقييم كل من مقاييس الانحدار القياسية وبيئات تجريبية مضبوطة لتمكين المقارنة العادلة مع النماذج الأساسية. أجريت التجارب باستخدام تجربة واحدة مع بذرة عشوائية ثابتة لضمان قابلية التكرار والاتساق عبر جميع النماذج المعيارية والمقترحة.

معايير الأداء:

يستخدم مقياسان معروفان للانحدار، MAE وR2، لتقييم أداء الإطار المقترح. يقيس MAE متوسط مقدار أخطاء التنبؤ ويوفر مؤشرا واضحا على القرب بين القيم المتوقعة والقيم الفعلية. وعلى العكس، تستخدم قيمة R2 لتقييم نسبة التباين في المتغيرات المستهدفة التي يفسرها النموذج، مما يعكس قوته التنبؤية الإجمالية. يوفر مزيج من هذه المقاييس تقييما شاملا لدقة وأداء التعميم لجميع الميزات المعمارية المتوقعة. للتنبؤ بالمخرجات المتعددة، تم حساب MAE و R2 عن طريق مقارنة القيم المتوقعة والفعلية لكل متغير مستهدف ثم حساب المتوسط بين النتائج عبر جميع المخرجات.

إعداد تجريبي:

أجريت التجارب في بيئة حوسبة سحابية باستخدام بايثون (الإصدار 3.12.12). تم تنفيذ البروتوكول المقترح باستخدام TensorFlow (الإصدار 2.19.0)، Keras (الإصدار 3.13.2)، NumPy (الإصدار 2.4.6)، Pandas (الإصدار 2.3.3)، Scikit-learn (الإصدار 1.6.1)، Matplotlib (الإصدار 3.9)، وSHAP (الإصدار 0.51.0). استخدمت البيئة الحاسوبية معالج Intel Xeon يعمل بسرعة 2.20 جيجاهرتز مع ذاكرة نظام تقارب 31 جيجابايت. أجريت التجارب على نظام تشغيل أوبونتو 22.04 LTS باستخدام معالجات NVIDIA Tesla T4 × 2 GPU. تحتوي مجموعة البيانات على 2,640 صورة لمخطط الطوابق السكنية تم معالجتها مسبقا وتقسيمها إلى مجموعات بيانات تدريب واختبار. تم تقسيم مجموعة البيانات باستخدام نسبة تقسيم 80:20، مما أدى إلى 2,112 عينة تدريب و528 عينة اختبار. MobileNetV2 وInceptionV3 وResNet101 وVGG16 هي أربعة نماذج DL تم تدريبها باستخدام نهج الضبط الدقيق مع التعلم التحويلي. ثم تم بناء نموذج ميتا-أنسامبل قائم على التكديس، CARE-MIRV-Net، لدمج التنبؤات من هذه النماذج الأساسية. تم تدريب كل نموذج تحت ظروف موحدة، بما في ذلك تغيير حجم الصورة إلى 224 × 224 بكسل، وزيادة البيانات، والتوقف المبكر لتقليل الإفراط في التركيب. شملت زيادة البيانات التقليب العشوائي، والدوران، والتكبير، وتغيير الوزن. تم استخدام حجم دفعة 32 وحد أقصى 15 فترة تدريب، مع التوقف المبكر بناء على فقدان التحقق وتقليل معدل التعلم التكيفي. تم إجراء التحليل النهائي على مجموعة اختبارات مخفية لتقديم تقييم غير متحيز وموثوق للأداء. تم إنشاء مجموعة الاختبار المخفية أثناء تقسيم مجموعة البيانات الأولي وظلت معزولة تماما طوال تدريب وتطوير النموذج لضمان تقييم أداء غير متحيز.

وصف مجموعة البيانات:

مجموعة البيانات المستخدمة لدعم نتائج هذه الدراسة متاحة للجمهور على منصة كاجل تحت عنوان "صور مخطط الطابق وتفاصيلها"28. مجموعة البيانات متاحة على: https://www.kaggle.com/datasets/adilmohammed/floor-plan-images-and-their-details (تم الوصول إليه في 16 أبريل 2026). تتكون البيانات من 2,640 صورة مخطط للطابق السكني وبيانات وصفية معمارية منظمة. كل عينة هي خطة سكن مميزة، توفر مجموعة واسعة من التصاميم السكنية بأحجام وتكوينات وترتيبات مكانية مختلفة. حجم مجموعة البيانات كاف للتدريب القائم على التعلم ويحتوي على أنماط معمارية متنوعة. تتكون مجموعة البيانات من صورة مخطط طابق ثنائي الأبعاد وسمات رقمية ذات صلة تصف الخصائص الهيكلية للمقر. تشمل هذه الميزات المساحة الإجمالية، وعدد غرف النوم، وعدد الحمامات، وعدد الكراجات. علاوة على ذلك، يحتوي كل سجل على مسار صورة، مما يسمح بتعيين مباشر للمدخلات البصرية إلى التسميات. تشمل متغيرات مجموعة البيانات صورة مخطط الطابق، مسار الصورة، المساحة المربعة، عدد غرف النوم، عدد الحمامات، وعدد الكراجات. تعمل صورة مخطط الطابق كميزة إدخال، بينما تستخدم السمات المعمارية كأهداف توقع. لذلك، فإن مجموعة البيانات مناسبة للتعلم تحت الإشراف، حيث تستخدم الصور كميزات إدخال وخصائص معمارية كأهداف انحدار.

تحتوي مجموعة البيانات على مجموعة واسعة من التصاميم السكنية، تتراوح بين التصاميم المدمجة ذات الغرف المنخفضة إلى التصاميم متعددة الغرف الكبيرة. تمكن هذه التغيرات من تعلم تمثيلات مكانية ذات معنى، بما في ذلك توزيع الغرف، كثافة التخطيط، وتعقيد الهيكل. يعد هذا التنوع مهما بشكل خاص للإطار المقترح، حيث يدعم تصنيف مخططات الطوابق إلى مخططات تناسب كبار السن، ومتكاملة مع الرعاية الصحية، وتخطيطات سكنية عامة. قبل تدريب النموذج، تتم معالجة مجموعة البيانات من خلال سلسلة من إجراءات المعالجة المسبقة لضمان الاتساق والتوافق مع نماذج التعلم المنخفض. تم تغيير حجم جميع الصور إلى 224 × 224 بكسل وتم تطبيعه إلى النطاق [0, 1] قبل التدريب. ثم يتم تنظيم مجموعة البيانات من خلال مطابقة مسارات الصور مع البيانات الوصفية المقابلة لها، ثم يتم تقسيمها إلى مجموعات تدريب واختبار لتسهيل تحليل الأداء. تم تقسيم مجموعة البيانات عشوائيا إلى مجموعات تدريب واختبار باستخدام نسبة تقسيم 80:20. تم تضمين السجلات التي تحتوي على معلومات كاملة عن الصور والبيانات الوصفية في التحليل، بينما تم استبعاد السجلات غير المكتملة أو غير الصالحة. تم استخدام بذرة عشوائية ثابتة أثناء تقسيم مجموعات البيانات لضمان قابلية التكرار. توفر مجموعة البيانات أساسا مفصلا لتحليل مخططات الطوابق السكنية المدعوم بالذكاء الاصطناعي. يدعم الجمع بين 2,640 صورة مشروحة وسمات معمارية متنوعة نمذجة الانحدار متعدد المخرجات ويتيح دمج الذكاء المكاني مع اتخاذ قرارات تصميم السكن الموجه للرعاية الصحية.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

تم إجراء مجموعة من التجارب لتقييم الإطار المقترح باستخدام أربعة نماذج DL: MobileNetV2، InceptionV3، ResNet101، وVGG16، إلى جانب نموذج CARE-MIRV-Net المقترح من الميتا-أنسامبل.

نتائج جمع مجموعات البيانات والمعالجة المسبقة

تم تصميم مرحلة المعالجة المسبقة لتحضير صور مخطط الطوابق الخام والبيانات الوصفية ذات الصلة للتدريب والتقييم باستخدام نماذج التعلم المستمر. تم الحصول على مجموعة البيانات من مستودع كاجل واحتوت على 2,640...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

تقدم هذه الدراسة CARE-MIRV-Net، إطار عمل DL قائم على التكديس لتحليل صور مخطط الطوابق السكنية بشكل تلقائي. يدمج الإطار أربعة هياكل مكملة ل CNN—MobileNetV2، InceptionV3، ResNet101، وVGG16—للتنبؤ بخصائص معمارية رئيسية، بما في ذلك المساحة المربعة، وعدد غرف النوم، والحمامات، والمرائب. يتم دمج هذه التنبؤات لاحقا من خلال متعلم ميتا وتستخدم ضمن طبقة اتخاذ قرار قائمة على القواعد لتصنيف تخطيطات السكن إلى فئات رعاية كبار السن، الرعاية الطبية، أو السكنية العامة. يوفر دمج النمذجة التنبؤية، والتعلم ال...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

تضارب المصالح:

يعلن المؤلفون عدم وجود تضارب مصالح.

مساهمات المؤلفين:

اقترح نينغ تشانغ أفكارا بحثية، وصمم خططا تجريبية ونسق عملية البحث. أجرى يو بي تجارب، وجمع البيانات، وشارك في تحليل البيانات ومراجعة الأوراق.

شكر وتقدير

يشكر المؤلفون بصدق الدعم المالي الذي قدمه مشروع البحث العلمي التابع لإدارة التعليم في مقاطعة جيلين.

التمويل:

وقد تم دعم هذا البحث ماليا من قبل مشروع البحث العلمي التابع لإدارة التعليم في مقاطعة جيلين (منحة رقم: JJKH20240801KJ).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
CARE-MIRV-Net implementation packageالملف التكميلي 1الإصدار 1.0N/A
Figure and table regeneration scriptsالملف التكميلي 1الإصدار 1.0N/A
Floor Plan Images and Their Details DatasetKaggleالمجموعة العامةN/A
GPUNVIDIA CorporationTesla T4 × 2N/A
Intel Xeon ProcessorIntel Corporation2.20 GHzN/A
KerasKeras Teamالإصدار 3.13.2N/A
MatplotlibMatplotlib Development Teamالإصدار 3.9RRID:SCR_008624
NumPyNumPy Developersالإصدار 2.4.6RRID:SCR_008633
Operating SystemLinuxUbuntu 22.04 LTSN/A
PandasPandas Development Teamالإصدار 2.3.3RRID:SCR_018214
PythonPython Software Foundationالإصدار 3.12.12RRID:SCR_008394
Scikit-learnScikit-learn Developersالإصدار 1.6.1RRID:SCR_002577
SHAPSHAP Development Teamالإصدار 0.51.0N/A
System Memory (RAM)Cloud Computing Environment31 GBN/A
TensorFlowGoogleالإصدار 2.19.0RRID:SCR_016345
Training environment configuration fileالملف التكميلي 1الإصدار 1.0N/A

المراجع

  1. Apanavičienė R, Shahrabani MMN. Key factors affecting smart building integration into smart city: technological aspects. Smart Cities. 2023;6(4):1832-1857.
  2. Li J, et al. The relationship between artificial intelligence (AI) and building information modeling (BIM) technologies for sustainable building in the context of smart cities. Sustainability. 2024;16(24):10848.
  3. Khade R, Jariwala K, Chattopadhyay C. A comprehensive survey of floor plan image analysis and related applications. Int J Doc Anal Recognit. 2026;29(1):41-59.
  4. Okuyucu EB, Kösenciğ KÖ. AI-assisted floor plan design incorporating structural constraints. Nexus Netw J. 2025;27(4):947-963.
  5. Kim H. Evaluation of deep learning-based automatic floor plan analysis technology: an AHP-based assessment. Appl Sci. 2021;11(11):4727.
  6. Goyal S, Chattopadhyay C, Bhatnagar G. A computational approach to understand building floor plan images using machine learning techniques. In: Internet of Multimedia Things. Elsevier; 2022. p. 233-259.
  7. Li Y, Chen H, Yu P, Yang L. A review of artificial intelligence in enhancing architectural design efficiency. Appl Sci. 2025;15(3):1476.
  8. Yıldız B, Çağdaş G, Zincir I. Architectural space classification considering topological and 3D visual spatial relations using machine learning techniques. Build Res Inf. 2024;52(1-2):68-86.
  9. Albukhari IN. The role of artificial intelligence (AI) in architectural design: a systematic review of emerging technologies and applications. J Umm Al-Qura Univ Eng Archit. 2025;16(4):1457-1476.
  10. Kumar H, KS KM, SAS AR, VC J. Explainability to image captioning models: an improved post-hoc approach through Grad-CAM. In: 2025 International Conference on Innovation in Computing and Engineering (ICE); 2025. p. 1-6. Available from: https://doi.org/10.1109/ICE63309.2025.10984143
  11. Alshammeri M, Ahmad Z, Humayun M, Alamri M. Explainable cluster-based predictive framework for early diagnosis of autism spectrum disorder using behavioral biomarkers. Diagnostics. 2025;15(24):3241.
  12. Zhao T, Zhao Y, Zhou T. Stacking ensemble learning for seabed sediment classification. In: 2024 7th International Conference on Information Communication and Signal Processing (ICICSP); 2024. p. 211-215. Available from: https://doi.org/10.1109/ICICSP62589.2024.10809036
  13. Bazie IG, et al. Leveraging machine learning techniques in converting 2D floorplans images to 3D models: applications, challenges, and future directions. Procedia Comput Sci. 2025;272:234-241.
  14. Luo G, et al. Controllable and flexible residential floor plan layout design based on multi-agent deep reinforcement learning with layout prior size and similar experience abandon. Adv Eng Inform. 2025;68:103702.
  15. Ling H, Luo G, Zhou N, Jiang X. Survey of architectural floor plan retrieval technology based on 3ST features. AI. 2025;6(4):67.
  16. Memon SA, Shehata W, Rowlinson S, Sunindijo RY. Generative artificial intelligence in architecture, engineering, construction, and operations: a systematic review. Buildings. 2025;15(13):2270.
  17. Yang C, et al. How can SHAP (SHapley Additive exPlanations) interpretations improve deep learning-based urban cellular automata model? Comput Environ Urban Syst. 2024;111:102133.
  18. Mienye ID, Swart TG. A comprehensive review of deep learning: architectures, recent advances, and applications. Information. 2024;15(12):755.
  19. van Engelenburg C, et al. MSD: a benchmark dataset for floor plan generation of building complexes. In: Vedaldi A, Bischof H, Brox T, Frahm JM, editors. Computer Vision – ECCV 2024. Lecture Notes in Computer Science. Cham: Springer Nature Switzerland; 2025. p. 60-75.
  20. Ganaie MA, et al. Ensemble deep learning: a review. Eng Appl Artif Intell. 2022;115:105151.
  21. Zhou W, et al. HIDIM: a novel framework of network intrusion detection for hierarchical dependency and class imbalance. Comput Secur. 2025;148:104155.
  22. Carrera L, et al. The impact of architecturally qualified data in deep learning methods for the automatic generation of social housing layouts. Autom Constr. 2024;158:105238.
  23. Yang B, et al. Automated semantics and topology representation of residential-building space using floor-plan raster maps. IEEE J Sel Top Appl Earth Obs Remote Sens. 2022;15:7809-7825.
  24. Rathnayake N, Rathnayake U, Dang TL, Hoshino Y. An efficient automatic Fruit-360 image identification and recognition using a novel modified cascaded-ANFIS algorithm. Sensors. 2022;22(12):4401.
  25. Alsulami AA, et al. Security strategy for autonomous vehicle cyber-physical systems using transfer learning. J Cloud Comput. 2023;12(1):181.
  26. Alshammari A. Construction of VGG16 convolution neural network (VGG16_CNN) classifier with NestNet-based segmentation paradigm for brain metastasis classification. Sensors. 2022;22(20):8076.
  27. Mascarenhas S, Agarwal M. A comparison between VGG16, VGG19 and ResNet50 architecture frameworks for image classification. In: 2021 International Conference on Disruptive Technologies for Multi-Disciplinary Research and Applications (CENTCON); 2021. p. 96-99. Available from: https://doi.org/10.1109/CENTCON52345.2021.9687944
  28. Kaggle. Floor Plan Images and Their Details [Internet]. Available from: https://www.kaggle.com/datasets/adilmohammed/floor-plan-images-and-their-details. Accessed 2026 Apr 16.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

الوسوم

233 233 XAI
الفيديو قريباً
اتصل بنا
أوصِ بها للمكتبة

الخصوصية

شروط الاستخدام

السياسات

2026 © حقوق الطبع والنشر MyJoVE Corporation. جميع الحقوق محفوظة.