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

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 المعمارية^7،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 مخطط^{الطوابق 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.

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.

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.

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 عينة. تكونت كل عينة من صورة مخطط الطابق وخصائصها المعمارية المقابلة. تم الاحتفاظ فقط بالأعمدة ذات الصلة، بما في ذلك مسار الصورة، والمساحة المربعة، وغرف النوم، والحمامات، والكراجات، لمزيد من التحليل، كما تمت إزالة السجلات غير المكتملة أو الفارغة للحفاظ على اتساق البيانات وجودتها. لتسهيل تدريب وتقييم النماذج، تم تقسيم مجموعة البيانات إلى مجموعات تدريب واختبار بنسبة 80:20، مما أدى إلى 2,112 عينة تدريب و528 عينة اختبار. تم استخدام بذرة عشوائية ثابتة أثناء تقسيم مجموعات البيانات لضمان قابلية التكرار. ضمن هذا التقسيم تدريب النماذج على مجموعة بيانات كبيرة بما فيه الكفاية مع الحفاظ على مجموعة اختبارات مستقلة لتقييم الأداء الموضوعي. تم توحيد مسارات الصور عن طريق تعيين كل سجل إلى موقعه المقابل داخل دليل مجموعة البيانات. كانت السمات المعمارية الأربع (الأقدام المربعة، غرف النوم، الحمامات، والمرائب) هي المتغيرات المستهدفة لمهمة الانحدار متعدد المخرجات. على الرغم من أن غرف النوم والحمامات والمرائب هي متغيرات منفصلة، إلا أنها تم نمذجتها باستخدام إطار انحدار متعدد المخرجات لتمكين التنبؤ المتزامن بجميع السمات المعمارية ضمن بنية تعلم موحدة. يسمح هذا النهج للنموذج بالتقاط العلاقات المشتركة بين المتغيرات المستهدفة واستغلال الارتباطات بين الخصائص المعمارية المستمرة والمنفصلة. تم تحويل القيم المتوقعة للسمات المنفصلة إلى أقرب عدد صحيح صالح أثناء المعالجة اللاحقة قبل التفسير وتصنيف تخطيط السكن لاحقا.

يوضح الجدول 1 الميزات المعمارية التي توقعها النموذج المقترح، ويمثل الخصائص المكانية والوظيفية الرئيسية لمخططات الطوابق السكنية. تم إجراء تحليل بيانات استكشافية لفهم توزيع المتغيرات المستهدفة بشكل أفضل باستخدام المخططات البيانية والتصورات القائمة على العد. توزيع المساحة مستمر بكثافات متغيرة، بينما توزيعات غرف النوم والحمامات والمرائب تبرز تكرار التكوينات السكنية المختلفة. هذه التوزيعات موضحة في الشكل 2. توزيع المساحة موضح في الشكل 2A، بينما توزيعات غرف النوم والحمامات والمرائب موضحة في الشكل 2B–2D على التوالي. توضح هذه الرسوم معا تباين وتوزيع المتغيرات المستهدفة داخل مجموعة البيانات.

اسم الفيلم	الوصف
القدم المربعة	إجمالي المساحة المبنية للوحدة السكنية
الأسرة	عدد غرف النوم في التصميم
الحمامات	عدد الحمامات في التصميم
المرائب	عدد مساحات المرآب المتاحة

الجدول 1: السمات المعمارية المستخدمة كأهداف تنبؤية. تعريفات السمات المعمارية المستخرجة من مجموعة بيانات مخطط الطوابق السكنية واستخدمت كمتغيرات مستهدفة لتدريب وتقييم النماذج. تشمل الخصائص المساحة الإجمالية، وعدد غرف النوم، وعدد الحمامات، وعدد مساحات الجراج المرتبطة بكل مخطط سكني.

الشكل 2. توزيع السمات المعمارية في مجموعة بيانات مخطط الطوابق السكنية. مخططات توضح توزيعات (أ) المساحة المربعة، (ب) عدد غرف النوم، (ج) عدد الحمامات، و(د) عدد الكراجات عبر مجموعة البيانات المستخدمة في تطوير وتقييم النماذج. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

حولت مرحلة المعالجة المسبقة للصور جميع صور مخطط الأرضية إلى تنسيق موحد مناسب لنماذج DL. تم تحميل جميع الصور، وتحويلها إلى مساحة ألوان RGB، وإعادة تكبيرها إلى 224 × 224 بكسل، وتم تطبيعها إلى نطاق [0, 1]. ضمنت هذه العملية أبعاد إدخال متسقة وتقارب النماذج المحسنة أثناء التدريب. تم أخذ عينات عشوائية من الصور المعالجة مسبقا، وتم التحقق من الملصقات لتأكيد المعالجة المسبقة ومحاذاة العلامات بشكل صحيح. بعد المعالجة المسبقة، تم تحويل كل صورة إلى مصفوفة NumPy وتم إقران القيم المستهدفة المقابلة لإنشاء مجموعة بيانات الإدخال-الإخراج. أكدت مجموعات البيانات الناتجة نجاح إعداد البيانات، حيث كانت صور التدريب بأبعاد (2112، 224، 224، 3) وصور اختبار بأبعاد (528، 224، 224، 3). كانت لمصفوفات التسمية المقابلة أبعاد (2112، 4) و(528، 4) على التوالي. تم تحويل المتغيرات المستهدفة إلى قيم فاصلة عائمة لدعم التعلم القائم على الانحدار.

لتحسين تعميم النموذج وتقليل الإفراط في التوافق، تم تطبيق تقنيات تعزيز البيانات باستخدام مولد بيانات الصور. شملت هذه التقنيات الانقلاب الأفقي العشوائي، والدوران، والتكبير، وتغيير العرض/الارتفاع لزيادة تباين بيانات التدريب وتحسين تعميم النماذج. زادت هذه التحولات من التنوع داخل بيانات التدريب ومكنت النماذج من تعلم ميزات مكانية أكثر قوة وثباتا. أنتجت عملية المعالجة المسبقة بيانات صور وجدولية نظيفة وموحدة ومنظمة جيدا، مما وفر أساسا مناسبا لتدريب إطار التعلم العميق المقترح من المجموعات الميتا.

نتائج النماذج الأساسية والنموذج المقترح

تم استخدام مجموعة البيانات المعالجة مسبقا (2,640 صورة بمخطط الأرضية) لتدريب جميع النماذج باستخدام تقسيمات التدريب والاختبار. تم تقسيم مجموعة البيانات باستخدام نسبة تقسيم 80:20، مما أدى إلى 2,112 عينة تدريب و528 عينة اختبار. تم استخدام بذرة عشوائية ثابتة لضمان قابلية التكرار. تم استخدام أوزان مدربة مسبقا لتعلم النقل والضبط الدقيق لتكييف النماذج مع مجال تحليل مخطط الطوابق المعماري. تم استخدام طرق تعزيز البيانات خلال التدريب لتعزيز التعميم، واستخدم التوقف المبكر لتقليل الإفراط في التوافق من خلال مراقبة أداء التحقق. تم تدريب النماذج بحجم دفعة 32 لما يصل إلى 15 عصرا، مع تطبيق توقف مبكر لمنع الإفراط في التركيب وتعزيز التقارب الفعال. راقب التوقف المبكر فقدان التحقق وإنهاء التدريب عندما لم يلاحظ أي تحسن إضافي، بينما تم تطبيق تقليل معدل التعلم التكيفي لتحسين التقارب. تم استخدام كل من الفقدان وMAE لمراقبة عملية التدريب وتقييم سلوك التقارب والاستقرار. تم تدريب جميع النماذج تحت نفس الظروف التجريبية لضمان مقارنة عادلة. تظهر الأشكال 3–7 منحنيات فقدان التدريب والتحقق وMAE لجميع النماذج، مما يوفر رؤى حول ديناميكيات التعلم وسلوك التعميم.

الشكل 3. أداء تدريب MobileNetV2. (أ) فقدان التدريب والتحقق عبر فترات التدريب. (ب) التدريب والتحقق يعني الخطأ المطلق (MAE) عبر فترات التدريب. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 4. أداء تدريب InceptionV3. (أ) فقدان التدريب والتحقق عبر فترات التدريب. (ب) التدريب والتحقق يعني الخطأ المطلق (MAE) عبر فترات التدريب. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 5. أداء تدريبي ل ResNet101. (أ) فقدان التدريب والتحقق عبر فترات التدريب. (ب) التدريب والتحقق يعني الخطأ المطلق (MAE) عبر فترات التدريب. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 6. أداء تدريبي ل VGG16. (أ) فقدان التدريب والتحقق عبر فترات التدريب. (ب) التدريب والتحقق يعني الخطأ المطلق (MAE) عبر فترات التدريب. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 7. أداء التدريب ل CARE-MIRV-Net. (أ) فقدان التدريب والتحقق عبر فترات التدريب. (ب) التدريب والتحقق يعني الخطأ المطلق (MAE) عبر فترات التدريب. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

يظهر أداء التدريب في MobileNetV2 في الشكل 3. تعرض منحنيات فقدان التدريب والتحقق في الشكل 3A، بينما تظهر منحنيات MAE للتدريب والتحقق في الشكل 3B. انخفضت فقدان التدريب وMAE تدريجيا مع زيادة الفترات، مما يشير إلى سلوك تعلم مستقر. أظهرت منحنيات التحقق تباينا أكبر وبقيت أعلى نسبيا من منحنيات التدريب، مما يشير إلى انخفاض أداء التعميم. يتوافق هذا الاتجاه مع النتائج الكمية، حيث أظهر MobileNetV2 أداء تنبؤيا أقل نسبيا، خاصة في التنبؤ بالمساحة المربعة. يظهر أداء التدريب في InceptionV3 في الشكل 4. تعرض منحنيات فقدان التدريب والتحقق في الشكل 4A، بينما تظهر منحنيات MAE للتدريب والتحقق في الشكل 4B. أظهر النموذج انخفاضا مستمرا في كل من فقدان التدريب والتحقق وMAE، مع فرق بسيط فقط بين المنحنيات. هذا السلوك يشير إلى تعلم فعال وتعميم جيد نسبيا. تشير منحنيات التحقق المستقرة إلى أن النموذج التقط ميزات مكانية متعددة المقاييس بفعالية، مما ساهم في تحسين الأداء مقارنة ب MobileNetV2. سلوك التدريب في ResNet101 موضح في الشكل 5. يتم عرض منحنيات فقدان التدريب والتحقق في الشكل 5A، بينما تظهر منحنيات MAE للتدريب والتحقق في الشكل 5B. أظهر النموذج انخفاضا تدريجيا في فقدان التدريب وMAE، بينما اتبعت منحنيات التحقق اتجاها مشابها مع تقلبات طفيفة. على الرغم من ملاحظة بعض التذبذب، ظل التقارب العام مستقرا. تتوافق هذه الملاحظات مع قدرة النموذج على تعلم التمثيلات المكانية الهرمية من خلال التعلم المتبقي. يظهر أداء تدريب VGG16 في الشكل 6. تعرض منحنيات فقدان التدريب والتحقق في الشكل 6A، بينما تظهر منحنيات MAE للتدريب والتحقق في الشكل 6B.

أظهرت منحنيات التدريب في VGG16 انخفاضا مستمرا طوال فترة التدريب، مما يشير إلى تعلم فعال. أظهرت منحنيات التحقق تذبذبات وفصلا طفيفا عن منحنيات التدريب، مما يشير إلى فرط بسيط في التركيب. ومع ذلك، ظل النموذج منافسا، خاصة من حيث المساحة وتوقعات المرآب، مما يشير إلى أن تمثيلات الميزات المكتسبة لا تزال فعالة ومستقرة.

يظهر أداء التدريب ل CARE-MIRV-Net في الشكل 7. تعرض منحنيات فقدان التدريب والتحقق في الشكل 7A، بينما تظهر منحنيات MAE للتدريب والتحقق في الشكل 7B. انخفضت منحنيات التدريب والتحقق وتحليل التوازن بسلاسة وثبات، مع فرق بسيط بينهما. هذا السلوك يشير إلى تقارب قوي وتعميم جيد. مقارنة بالنماذج الفردية، أنتج إطار التجميع الفوقي سلوك تعلم أكثر استقرارا وتقليل التباين. بشكل عام، تشير مقارنة منحنيات التدريب إلى أنه رغم أن النماذج الفردية أظهرت خصائص تقارب وتعميم مختلفة، إلا أن CARE-MIRV-Net أظهر سلوك التدريب الأكثر اتساقا بين النماذج المقيمة.

يتم تقديم مقارنة مفصلة بين الأداء التنبؤي ل MobileNetV2 وInceptionV3 وResNet101 وVGG16 ونموذج CARE-MIRV-Net المقترح في الجدول 2. تم تقييم الأداء باستخدام MAE وR² عبر أربعة متغيرات مستهدفة: المساحة المربعة، عدد غرف النوم، عدد الحمامات، وعدد الكراجات. توفر هذه المقاييس مقاييس تكميلية لدقة التنبؤ والأداء التفسيري.

النموذج	القدم المربعة		الأسرة		الحمامات		المرائب
	MAE	R²	MAE	R²	MAE	R²	MAE	R²
موبايل نت V2	881.653	0.1327	0.6873	0.3154	0.6552	0.3457	0.3977	0.1133
InceptionV3	464.64	0.6615	0.4353	0.6708	0.3627	0.7459	0.23	0.6351
ResNet101	611.919	0.5872	0.4287	0.6546	0.3838	0.725	0.2298	0.6489
VGG16	504.435	0.7256	0.698	0.3355	0.4995	0.6436	0.197	0.6757
CARE-MIRV-Net (مقترح)	432.488	0.7053	0.4343	0.6837	0.3689	0.7605	0.1697	0.6958

الجدول 2: مقارنة الأداء بين نماذج الأساس وCARE-MIRV-Net. مقارنة أداء التنبؤ لأجهزة MobileNetV2، InceptionV3، ResNet101، VGG16، ونموذج CARE-MIRV-Net المقترح عبر أربع سمات معمارية: المساحة، عدد غرف النوم، عدد الحمامات، وعدد الكراجات. يتم الإبلاغ عن الأداء باستخدام متوسط الخطأ المطلق (MAE) ومعامل التحديد (R²). تشير قيم MAE المنخفضة إلى خطأ توقع أقل، بينما تشير قيم^R2 الأعلى إلى توافق أقوى بين القيم المتوقعة والفعلية.

أظهرت النماذج الفردية مستويات أداء متفاوتة عبر المتغيرات المستهدفة. أظهر MobileNetV2 أدنى أداء بشكل عام، خاصة من حيث التنبؤ بالمساحة المربعة، مع MAE قدره 881.6530 وقيمة R² بلغت 0.1327. كما كان أداء الحمامات والكراجات أقل نسبيا، مما يشير إلى قيود في التقاط العلاقات المكانية المعقدة عند استخدامها كنموذج مستقل.

أظهر InceptionV3 أداء قويا عبر معظم المتغيرات المستهدفة، خصوصا الحمامات وغرف النوم، مع قيم R² بلغت 0.7459 و0.6708 على التوالي. تشير هذه النتائج إلى التقاط فعال للخصائص المكانية متعددة المقاييس. كما أظهر ResNet101 أداء تنافسيا من خلال بنيته العميقة المتبقية، التي سهلت تعلم التمثيلات المكانية الهرمية. ومع ذلك، ظل أداؤه أقل قليلا من InceptionV3 لبعض المتغيرات، بما في ذلك توقع المساحة. قدم VGG16 أداء متوازنا نسبيا عبر جميع المتغيرات المستهدفة وحقق أعلى قيمة R² (0.7256) بين النماذج الفردية.

تفوق إطار العمل المقترح CARE-MIRV-Net على النماذج الفردية في معظم المهام المقيمة. حققت CARE-MIRV-Net أدنى مساحة في المساحة المتوسطة (432.488) مع الحفاظ على قيمة R² عند 0.7053. لتوقع غرفة النوم، حقق النموذج قيمة R² تبلغ 0.6837. بالنسبة للتنبؤ بالحمامات، حقق CARE-MIRV-Net أعلى قيمة R² (0.7605) بين جميع النماذج المقيمة. وبالمثل، في توقع المرآب، حقق النموذج أدنى قيمة MAE (0.1697) وأعلى قيمة R² (0.6958). تشير هذه النتائج إلى أن إطار الميتا-أنسامبل جمع بفعالية بين نقاط القوة التكميلية للبنى الفردية. تشير النتائج أيضا إلى أن دمج التنبؤات من نماذج متعددة يقلل من القيود الخاصة بالنموذج ويحسن الأداء التنبؤي العام. تظهر النتائج أن CARE-MIRV-Net قدم أداء تنبؤيا متوازنا عبر جميع المتغيرات المستهدفة المقيمة. يجب تفسير التقييم السكني الموجه للرعاية الصحية المعروض في هذه الدراسة على أنه تصنيف تطبيقي مستمد من إطار القرار القائم على القواعد وسمات مخطط الطوابق المتاحة، وليس كتقييم صحي معتمد سريريا.

لتقييم الأداء التنبؤي بشكل أعمق، تم إجراء تحليل الخطأ المتبقي لجميع المتغيرات المستهدفة، بما في ذلك المساحة وغرف النوم والحمامات والجراجات. توفر الرسوم المتبقية رؤى حول توزيعات أخطاء التنبؤ من خلال عرض الفروق بين القيم المتوقعة والملاحظة. من الناحية المثالية، يجب أن توزع البقايا عشوائيا حول الصفر، مما يشير إلى تحيز منهجي محدود وتعميم جيد.

يوضح الشكل 8 الرسم البياني المتبقي لتوقع المساحة بالقدم المربع. كانت معظم البقايا مجمعة حول الصفر، مما يشير إلى توقعات دقيقة نسبيا لغالبية العينات. ومع ذلك، لوحظت نسبة أكبر للتشتت وعدة استثناءات عند قيم أكبر متوقعة للقدم المربع. تشير هذه الملاحظات إلى أن تباين التنبؤ زاد في التصاميم السكنية الأكبر.

الشكل 8. تحليل متبقي لتوقع المساحة بالقدم المربع. مخطط التشتت يظهر الأخطاء المتبقية كدالة لقيم القدم المربع المتوقعة. يشير الخط الأفقي إلى صفر خطأ متبقي. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

توزيع البواقي لتوقع غرفة النوم موضح في الشكل 9. كانت البقايا عادة مركزة حول الصفر، مع نمط قطري يعكس الطبيعة المنفصلة لمتغير غرفة النوم. يشير نطاق البقايا الضيق نسبيا إلى أداء تنبؤي متسق، دون ملاحظة تحيز منهجي واضح. يعرض الشكل 10 الرسم البياني المتبقي لتوقع الحمام. ظلت البقايا مركزة حول الصفر لكنها أظهرت تشتتا أكبر قليلا من تلك التي لوحظت في توقع غرفة النوم. نمط الشريط المرئي يتوافق مع الطبيعة المتقطعة للمتغير المستهدف. كما كانت هناك عدة استثناءات عند قيم متوقعة أعلى.

الشكل 9. تحليل البقايا لتوقع غرفة النوم. مخطط التشتت يظهر الأخطاء المتبقية كدالة لقيم غرفة النوم المتوقعة. يشير الخط الأفقي إلى صفر خطأ متبقي. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 10. تحليل البقايا لتوقع الحمام. مخطط التشتت يظهر الأخطاء المتبقية كدالة لقيم الحمام المتوقعة. يشير الخط الأفقي إلى صفر خطأ متبقي. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

التحليل المتبقي لتوقع المرآب موضح في الشكل 11. ظلت القيم المتبقية مركزة حول الصفر وأظهرت تباينة منخفضة نسبيا مقارنة بالمتغيرات المستهدفة الأخرى. أنتجت القيم المحدودة والمنفصلة في الكراج أنماطا خطية مميزة داخل القطعة. يشير التوزيع الضيق المتبقي إلى أداء تنبؤي متسق نسبيا لهذا المتغير.

الشكل 11. تحليل البقايا لتوقع المرآب. مخطط التشتت يظهر الأخطاء المتبقية كدالة لقيم المرآب المتوقعة. يشير الخط الأفقي إلى صفر خطأ متبقي. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

بشكل عام، تشير التحليلات المتبقية إلى أن CARE-MIRV-Net ولدت توقعات كانت عموما تركز حول الصفر عبر جميع المتغيرات المستهدفة. على الرغم من ملاحظة بعض التباين والاستثناءات، خاصة في التنبؤ بالقدم المربع، إلا أن التوزيعات البقيدة العامة تدعم اتساق الأداء التنبؤي للنموذج عبر مجموعة البيانات المقيمة.

نتائج تحليل الذكاء الاصطناعي القابل للتفسير باستخدام SHAP

لتحسين قابلية تفسير إطار العمل المقترح CARE-MIRV-Net، تم دمج نهج ذكاء اصطناعي قابل للتفسير باستخدام نظام SHAP. SHAP هي طريقة نظرية للألعاب تشرح توقعات النموذج من خلال تعيين قيم أهمية الميزة بناء على قيم شابلي. عند تطبيقه على نموذج الميتا-أنسامبل المقترح، استخدم SHAP لفحص مساهمة كل نموذج أساسي في الناتج النهائي للمتعلم الفوقي. تكون المدخلات في النموذج الفوقي من تنبؤات مترابطة من أربعة نماذج أساسية—InceptionV3، MobileNetV2، ResNet101، وVGG16—مما أدى إلى فضاء ميزات ب 16 بعدا. كل ميزة كانت تمثل سمة معمارية متوقعة (مساحة بالقدم المربع، غرف النوم، حمامات، أو كراجات) يتم توليدها بواسطة نموذج أساسي محدد. تم تفسير هذه الميزات عن طريق اختيار مجموعة فرعية مختارة عشوائيا من بيانات التدريب الفوقي كتوزيع خلفي، ومجموعة أصغر من عينات الاختبار لتوليد التفسير لتحسين الكفاءة الحسابية.

تم إنشاء نسخ مخرجة واحدة من النموذج الفوقي لعزل وتحليل مساهمات الميزات لكل متغير مستهدف بشكل مستقل. تم تطبيق نواة SHAP Explainer كما هو موضح سابقا وفي الملف التكميلي 1 لتقدير مساهمات الميزات وتفسير توقعات الإطار المقترح. تم استخدام هذه القيم لقياس مدى مساهمة كل توقع لنموذج أساس إيجابيا أو سلبيا في الناتج النهائي. استنادا إلى تحليل SHAP، لم يعتمد CARE-MIRV-Net حصريا على متعلم قاعدة واحدة، بل منح مستويات متفاوتة من الأهمية لنماذج مختلفة حسب المتغير المستهدف وخصائص الإدخال. تشير هذه الملاحظات إلى أن نهج المجموعات القائمة على التكديس استخدم معلومات تكميلية من نماذج أساسية متعددة.

تقدم الأشكال 12–15 مخططات ملخصة ل SHAP للمتغيرات الأربعة المستهدفة: المساحة المربعة، غرف النوم، الحمامات، والكراجات. توفر هذه الرسوم البيانية نظرة حول كيفية استخدام نموذج CARE-MIRV-Net التنمؤات من المتعلمين الأساسيين الفرديين. في كل رسم بياني، يمثل المحور الأفقي قيم SHAP (مساهمات الميزات)، بينما يمثل مقياس الألوان مقدار الميزة من القيم المنخفضة إلى العالية.

الشكل 12. مخطط ملخص SHAP لتوقع المساحة. مخطط ملخص SHAP يوضح مساهمة توقعات النموذج الأساسي في تقدير المساحة من قبل المتعلم الميتا CARE-MIRV-Net. يتم ترتيب الميزات حسب الأهمية. يشير لون النقطة إلى قيمة الميزة، والموقع الأفقي يشير إلى مساهمة SHAP في التنبؤ. شاب، شابلي توضيحات الإضافات. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 13. مخطط ملخص SHAP لتوقع غرفة النوم. مخطط ملخص SHAP يوضح مساهمة توقعات النموذج الأساسي في تقدير غرفة النوم من قبل المتعلم الميتا CARE-MIRV-Net. يتم ترتيب الميزات حسب الأهمية. يشير لون النقطة إلى قيمة الميزة، والموقع الأفقي يشير إلى مساهمة SHAP في التنبؤ. شاب، شابلي توضيحات الإضافات. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 14. مخطط ملخص SHAP لتوقع الحمام. مخطط ملخص SHAP يوضح مساهمة توقعات النموذج الأساسي في تقدير الحمام من قبل المتعلم الميتا CARE-MIRV-Net. يتم ترتيب الميزات حسب الأهمية. يشير لون النقطة إلى قيمة الميزة، والموقع الأفقي يشير إلى مساهمة SHAP في التنبؤ. شاب، شابلي توضيحات الإضافات. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 15. مخطط ملخص SHAP لتوقع المرآب. مخطط ملخص SHAP يوضح مساهمة توقعات النموذج الأساسي في تقدير المرآب من قبل المتعلم الميتا CARE-MIRV-Net. يتم ترتيب الميزات حسب الأهمية. يشير لون النقطة إلى قيمة الميزة، والموقع الأفقي يشير إلى مساهمة SHAP في التنبؤ. شاب، شابلي توضيحات الإضافات. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

يوضح الشكل 12 ملخص SHAP لتوقع المساحة بالقدم المربع. أظهرت ميزات مثل Mob_SF و Res_SF و Inc_SF مساهمات أكبر نسبيا في SHAP مقارنة بالميزات الأخرى، مما يشير إلى أن التنبؤات التي أنتجتها MobileNetV2 وResNet101 وInceptionV3 ساهمت بشكل كبير في تقدير المساحة. كانت قيم الميزات الأعلى (الأحمر) مرتبطة عموما بزيادة المساحة المتوقعة، بينما كانت قيم الميزات المنخفضة (الأزرق) مرتبطة بتوقعات أقل. أظهرت الميزات المتعلقة بغرف النوم والحمام مساهمات أقل نسبيا، مما يشير إلى أن توقع المساحة كان متأثرا بشكل أساسي بالتوقعات المتعلقة بالمنطقة التي تولدها النماذج الأساسية.

يعرض الشكل 13 تحليل SHAP لتوقع غرفة النوم. أظهرت ميزات مثل Res_Beds و VGG_Beds و Inc_Beds مساهمات أعلى نسبيا مقارنة بالميزات الأخرى، مما يشير إلى أن توقعات ResNet101 وVGG16 وInceptionV3 كانت مؤثرة في تحديد التنبؤ النهائي بغرفة النوم. تم توزيع قيم SHAP حول الصفر، مما يشير إلى أن النموذج التفوق دمج المعلومات من مصادر متعددة بدلا من الاعتماد على متنبئ مهيمن واحد. أظهرت الميزات المتعلقة بالكراجات والمساحة مساهمات أصغر نسبيا.

الشكل 14 يعرض ملخص SHAP لتوقع الحمامات. أظهرت الميزات مثل VGG_Baths و Inc_Baths و Mob_Baths مساهمات عالية نسبيا، مما يشير إلى أن توقعات VGG16 وInceptionV3 وMobileNetV2 ساهمت بشكل كبير في تقدير الحمامات. يشير توزيع قيم SHAP إلى أن زيادة التنبؤات من هذه النماذج الأساسية ارتبطت بتأثير أكبر على التنبؤ النهائي. ظهرت المساهمات موزعة بشكل أوسع عبر النماذج مقارنة ببعض المتغيرات المستهدفة الأخرى.

يعرض الشكل 15 تحليل SHAP لتوقع المرآب. أظهرت ميزات مثل Mob_Garages و Inc_Garages و VGG_Garages مساهمات قوية نسبيا في التنبؤ النهائي. يظهر الرسم البياني أن التنبؤات المتعلقة بالكراج من عدة نماذج أساسية ساهمت في الناتج النهائي، مع فصل واضح بين مساهمات الميزات ذات القيمة المنخفضة والأعلى. يشير انتشار قيم SHAP الأوسع إلى زيادة حساسية النموذج الفوقي لميزات التنبؤ المتعلقة بالمرآب.

بشكل عام، أظهر تحليل SHAP أن إطار العمل المقترح CARE-MIRV-Net دمج مساهمات من عدة متعلمين أساسيين عند توليد التنبؤات النهائية. توفر النتائج رؤية قابلة للتفسير لتأثير توقعات النماذج الفردية عبر المتغيرات المستهدفة المعمارية الأربعة وتدعم فهم عملية اتخاذ القرار في المجموعات الفوقية.

نتائج تصنيف التخطيط السكني

تظهر أمثلة تمثيلية لنتائج تصنيف تخطيط السكن في الأشكال 16–18. توضح هذه الأمثلة تطبيق طبقة القرار القائم على القواعد على السمات المعمارية التي تنبأ بها إطار CARE-MIRV-Net. يعرض الشكل 16 مثالا مصنفا كتخطيط رعاية طبية، ويقدم الشكل 17 مثالا مصنفا كتخطيط سكني عام، ويقدم الشكل 18 مثالا مصنفا كتخطيط رعاية للمسنين. توضح الأمثلة كيف تترجم السمات المعمارية المتوقعة إلى فئات سكنية على مستوى التطبيق من خلال قواعد القرار المحددة مسبقا الموضحة في قسم البروتوكول. يجب تفسير هذه الأمثلة كنتائج توضيحية لإطار التصنيف القائم على القواعد المستمدة من سمات مخطط الطوابق المتوقعة ومعايير القرار المحددة مسبقا، بدلا من كونها تصنيفات سريرية أو صحية معتمدة بشكل مستقل.

الشكل 16. مثال ممثل مصنف كتخطيط سكني للرعاية الطبية. مثال على صورة مخطط الطابق السكني التي تم تقييمها بواسطة الإطار المقترح وتعيينها ضمن فئة الرعاية الطبية بناء على السمات المعمارية المتوقعة ومعايير التصنيف المبنية على القواعد. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 17. مثال ممثل مصنف كتخطيط سكني عام. مثال على صورة مخطط الطابق السكني التي تم تقييمها بواسطة الإطار المقترح وتعيينها لفئة السكن العامة بناء على السمات المعمارية المتوقعة ومعايير التصنيف المبنية على القواعد. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 18. مثال ممثل مصنف كتخطيط سكني لرعاية المسنين. مثال على صورة مخطط الطابق السكني التي تم تقييمها بواسطة الإطار المقترح وتعيينها لفئة رعاية المسنين بناء على السمات المعمارية المتوقعة ومعايير التصنيف المبنية على القواعد. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

يظهر مثال تمثيلي في الشكل 16 أن النموذج توقع مساحة قدرها 2233.16 قدم مربع مقارنة بالقيمة الفعلية 2268.00، مما يشير إلى خطأ توقع صغير نسبيا. وبالمثل، كانت القيم المتوقعة لغرف النوم (3.23 مقابل 3)، والحمامات (2.65 مقابل 2)، والمرائب (1.11 مقابل 1) قريبة من قيم الحقيقة الأرضية المقابلة. استنادا إلى هذه الصفات المتوقعة، صنفت طبقة القرار القائمة على القواعد التخطيط كرعاية طبية. يوضح هذا المثال كيف يطبق الإطار السمات المعمارية المتوقعة لإنشاء تصنيفات سكنية على مستوى التطبيق.

يوضح المثال الثاني الموضح في الشكل 17 تخطيطا مصنفا كاستخدام سكني عام. كانت المساحة المتوقعة (1692.76) أقل من القيمة الفعلية (1879.00)، بينما بقيت أعداد غرف النوم والحمامات والمراجبات المتوقعة قريبة من قيم الحقيقة الأرضية المقابلة. استنادا إلى السمات المعمارية المتوقعة، خصصت طبقة القرار التخطيط لفئة السكن العامة. يوضح هذا المثال تطبيق إطار التصنيف على تخطيط سكني متوسط الحجم رغم الانحرافات الطفيفة في التوقعات الفردية.

يعرض الشكل 18 تخطيطا سكنيا مدمجا بمساحة فعلية تبلغ 981.00 ومساحة متوقعة تبلغ 1076.17 قدما مربعا. كما كانت القيم المتوقعة لغرف النوم (1.99 مقابل 2)، والحمامات (1.75 مقابل 2)، والمرائب (0.98 مقابل 1) قريبة أيضا من قيم الحقيقة الأرضية المقابلة. استنادا إلى هذه الصفات المتوقعة، صنفت طبقة القرار التخطيط على أنه رعاية للمسنين. يوضح هذا المثال تطبيق قواعد التصنيف المحددة مسبقا على التصاميم التي تتميز بمساحات أرضية أصغر وغرف أقل.

بشكل عام، تظهر الأمثلة الممثلة دمج التنبؤ بالخصائص المعمارية وتصنيف تخطيط السكن القائم على القواعد ضمن إطار CARE-MIRV-Net. عبر الأمثلة الموضحة في الأشكال 16–18، كانت السمات المعمارية المتوقعة متوافقة عموما مع قيم الحقيقة الأرضية المقابلة، مما يدعم استخدام الإطار المقترح لتحليل مخطط الطوابق السكنية الآلي وتصنيف مستوى التطبيق.

توفر البيانات:

مجموعة البيانات المستخدمة في هذه الدراسة متاحة للجمهور من خلال مستودع كاجل^{رقم 28}، بعنوان "صور مخطط الطابق وتفاصيلها"، ويمكن الوصول إليها على: https://www.kaggle.com/datasets/adilmohammed/floor-plan-images-and-their-details. تم إجراء جميع التحليلات المبلغ عنها في هذه الدراسة باستخدام بيانات تم الحصول عليها من هذا المصدر المتاح للجمهور. يتم توفير الشيفرة المصدرية، ووثائق التنفيذ، ومعلومات تكوين البيئة اللازمة لإعادة إنتاج النتائج المبلغ عنها في الملف التكميلي 1.

الملف التكميلي 1. حزمة تنفيذ CARE-MIRV-Net. يحتوي هذا الملف على الشيفرة المصدرية، وتوثيق README، ومواصفات الاعتماد البرمجي، ومعلومات البيئة، وسكريبتات التنفيذ اللازمة لإعادة إنتاج سير عمل CARE-MIRV-Net. يرجى الضغط هنا لتحميل هذا الملف.

الملف الإضافي 2. خوارزمية لتحليل مخطط الطوابق السكنية في CARE-MIRV-Net. يوفر هذا الملف الخوارزمية 1، بما في ذلك معالجة البيانات المسبقة، والتنبؤ بالنموذج الأساسي، وربط الميزات الفوقية، والتنبؤ بالتجميعات الفوقية، وتصنيف طبقة القرار، وقابلية الشرح المعتمدة على SHAP، وسير عمل مقياس التقييم المستخدم في الدراسة. يرجى الضغط هنا لتحميل هذا الملف.

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 الجماعي، والذكاء الاصطناعي القابل للتفسير إطارا موحدا لتحليل مخططات الطوابق السكنية 3,7,17,20.

تظهر النتائج الممثلة أن CARE-MIRV-Net حقق أداء تنبؤيا محسنا مقارنة بالنماذج الأساسية الفردية عبر عدة سمات معمارية. يقلل إطار التجميع بشكل عام من أخطاء التنبؤ وحسن R²، مما يشير إلى أن دمج بنى CNN غير المتجانسة يمكن أن يحسن المتانة التنبؤية^12,20. بالإضافة إلى ذلك، مكن دمج SHAP من تفسير المساهمات النسبية للنماذج الأساسية الفردية في التنبؤات النهائية، مما زاد من شفافية النموذج ^11,17. لذلك، قد يوفر الإطار نهجا مفيدا للدراسات التي تتطلب كلا من الأداء التنبؤي وقابلية تفسير النموذج.

قد يساهم الإطار المقترح في تقدم الأبحاث التي تشمل التحليل المعماري الآلي، وتقييم التصميم السكني، وأنظمة دعم القرار المبنية على البيانات. من خلال دمج التنبؤ بالمخرجات المتعددة مع التصنيف على مستوى التطبيق، يمتد الإطار إلى ما هو أبعد من أساليب التعرف التقليدية على مخطط الطابق أو استخراج الميزات. قد تكون المنهجية قابلة للتطبيق في الدراسات المتعلقة بالتخطيط السكني، والبيئات السكنية الذكية، وتقييم التخطيط المكاني^1،2،8،22. ومع ذلك، يجب النظر في عدة قيود. أولا، تم تطوير الإطار وتقييمه باستخدام مجموعة بيانات واحدة متاحة للجمهور، ولم يتم إجراء التحقق الخارجي على مجموعات البيانات المستقلة. لم يتم إجراء أي تحقق خارجي في الدراسة الحالية، وتم إجراء تقييم النموذج باستخدام مجموعة الاختبار المحددة المستمدة من مجموعة البيانات المتاحة للجمهور. ثانيا، الفئات السكنية التي يولدها الإطار مشتقة من معايير قائمة على القواعد المحددة مسبقا وليس من تسميات تصميم الرعاية الصحية المعتمدة بشكل مستقل. تصنيفات رعاية كبار السن، والرعاية الطبية، والسكن العام التي يولدها الإطار مشتقة من معايير قائمة على القواعد المحددة مسبقا ولا ينبغي تفسيرها كتقييمات معتمدة سريريا لتصميم الرعاية الصحية. ثالثا، يعتمد الإطار بشكل أساسي على السمات المعمارية المستمدة من صور مخطط الطوابق ولا يتضمن معايير تصميم خاصة بالرعاية الصحية، أو معايير الوصول، أو مقاييس النتائج التي تركز على السكين. لم تستخدم معايير رسمية لتحديد قواعد التصنيف أو تصميم الرعاية الصحية أو التصميم السكني. بدلا من ذلك، تم تطوير إطار التصنيف باستخدام سمات مخطط الأرضية المتاحة ومعايير اتخاذ القرار الموجهة للتطبيق. قد تشمل الأعمال المستقبلية التحقق الخارجي لمجموعات البيانات المستقلة، ودمج معايير الوصول الرسمية ومعايير تصميم الرعاية الصحية، والتقييم باستخدام مقاييس تصميم إضافية ونتائج تركز على الساكن لتعزيز قابلية تطبيق الإطار وقابليتها للتعميم.

يمكن أيضا استخدام طرق بديلة للتحقيق في نفس الفرضية. على سبيل المثال، يمكن تطبيق نماذج الرؤية المعتمدة على المحول، أو التمثيلات المكانية القائمة على الرسوم البيانية، أو هياكل DL الهجينة لالتقاط العلاقات المكانية ضمن التصاميم السكنية 13,15,19. وبالمثل، قد توفر أطر التصنيف المبنية على مجموعات بيانات معلمة من قبل الخبراء أو معايير تصميم الرعاية الصحية طرقا بديلة لتقييم تخطيط السكن^8،22. على الرغم من أن هذه الطرق قد تقدم مزايا تكميلية، إلا أن إطار CARE-MIRV-Net المقترح يوضح جدوى دمج عدة بنى CNN ضمن إطار تجميع قائم على التكديس لتوقع المخرجات المتعددة وتصنيف تخطيط السكن.

قد يركز العمل المستقبلي على توسيع الإطار لدعم التفكير المكاني المتقدم والتطبيق الواقعي الأوسع. تشمل الاتجاهات المحتملة دمج تمثيلات مخطط الطوابق القائمة على الرسوم البيانية لربط غرف النماذج، وتقييم البنى المعمارية المعتمدة على محول الرؤية (ViT) لاستخراج الميزات، وتطوير استراتيجيات التصنيف متعددة الفئات أو متعددة العلامات 13,15,18. بالإضافة إلى ذلك، قد تتضمن الدراسات المستقبلية سمات تصميم خاصة بالرعاية الصحية، ومعايير الوصول، ومجموعات بيانات التحقق المستقلة لتقييم مدى تطبيق الإطار في البيئات السكنية الموجهة للرعاية الصحية^{بشكل أعمق.} يمكن أيضا تكييف الإطار للدمج داخل منصات المدينة الذكية وأنظمة دعم القرار للتخطيط السكني ^1,2.

المواد

قائمة المواد المستخدمة في هذه المقالة

الاسم	الشركة	رقم فهرسي	التعليقات
CARE-MIRV-Net implementation package	الملف التكميلي 1	الإصدار 1.0	N/A
Figure and table regeneration scripts	الملف التكميلي 1	الإصدار 1.0	N/A
Floor Plan Images and Their Details Dataset	Kaggle	المجموعة العامة	N/A
GPU	NVIDIA Corporation	Tesla T4 × 2	N/A
Intel Xeon Processor	Intel Corporation	2.20 GHz	N/A
Keras	Keras Team	الإصدار 3.13.2	N/A
Matplotlib	Matplotlib Development Team	الإصدار 3.9	RRID:SCR_008624
NumPy	NumPy Developers	الإصدار 2.4.6	RRID:SCR_008633
Operating System	Linux	Ubuntu 22.04 LTS	N/A
Pandas	Pandas Development Team	الإصدار 2.3.3	RRID:SCR_018214
Python	Python Software Foundation	الإصدار 3.12.12	RRID:SCR_008394
Scikit-learn	Scikit-learn Developers	الإصدار 1.6.1	RRID:SCR_002577
SHAP	SHAP Development Team	الإصدار 0.51.0	N/A
System Memory (RAM)	Cloud Computing Environment	31 GB	N/A
TensorFlow	Google	الإصدار 2.19.0	RRID:SCR_016345
Training environment configuration file	الملف التكميلي 1	الإصدار 1.0	N/A