חיזוי מבוסס למידה עמוקה של מאפייני תכנית קומה למגורים להערכת דיור המיועד לקשישים

סיכום

פרוטוקול זה מתאר תהליך למידה עמוקה מטא-אנסמבל לניתוח אוטומטי של תמונות תכנית קומה למגורים. ההליך כולל עיבוד מוקדם של מערכי נתונים, חיזוי תכונות ארכיטקטוניות באמצעות רשתות עצביות קונבולוציונליות מרובות, למידה קבוצתית מבוססת ערימה, סיווג מגורים מבוסס כללים, וניתוח הסבר באמצעות SHapley Additive exPlanations לתמיכה בהערכת פריסת מגורים.

תקציר

הביקוש הגובר לפתרונות דיור חכם לאוכלוסיות מזדקנות הגביר את הצורך בשיטות אוטומטיות לניתוח תוכניות קומות למגורים. גישות הערכה אדריכליות קונבנציונליות הן לעיתים קרובות ידניות, גוזלות זמן וקשות להרחבה, ומדגישות את הצורך בטכניקות מבוססות בינה מלאכותית שיכולות לפרש פריסות מרחביות ולתמוך בהערכת תכנון למגורים. פרוטוקול זה מתאר מסגרת למידה עמוקה מטה-אנסמבל לניתוח אוטומטי של תמונות תכנית קומה למגורים. מסגרת CARE-MIRV-Net המוצעת משלבת ארבע רשתות עצביות קונבולוציונליות משלימות — MobileNetV2, InceptionV3, ResNet101 ו-VGG16 — כדי לחזות מאפיינים אדריכליים, כולל שטח רבוע, מספר חדרי שינה, חדרי רחצה ומוסכים. תחזיות מהמודלים הבסיסיים משולבות באמצעות מודל מטא-אנסמבל מבוסס ערימה ומשמשות בשכבת החלטה מבוססת כללים כדי לסיווג פריסת מגורים כטיפול בקשישים, טיפול רפואי או מגורים כלליים. הערכה ניסויית הראתה ביצועים חיזויים חזקים במספר משתני יעד. המודל המוצע השיג שגיאה ממוצעת מוחלטת (MAE) של 432.48 ומקדם קביעה (R²) של 0.7053 לחיזוי שטח. בחיזוי חדר אמבטיה, המסגרת השיגה R² של 0.7605, בעוד תחזית המוסך הניבה את ה-MAE הנמוך ביותר של 0.1697 ואת R² הגבוה ביותר של 0.6958. ניתוחים איכותניים הוכיחו עוד יותר את יכולת המסגרת לייצר תחזיות מאפיינים אדריכליים ולתמוך בהערכת פריסת מגורים ממוקדת יישום. כדי לשפר את השקיפות והפרשנות, שולבו הסברים אדיטיביים של SHapley כדי לכמת את תרומת כל מודל בסיס לתחזיות הסופיות. המסגרת המוצעת מספקת גישה ניתנת לפרשנות וניתנת להרחבה לניתוח תוכניות קומה למגורים ותמיכה בהחלטות.

מבוא

ההתפתחות המהירה של טכנולוגיות עיר חכמות וסביבות מגורים חכמות יצרה ביקוש גובר לפתרונות אוטומטיים ומונחי נתונים בעיצוב מגורים. במיוחד, האוכלוסייה המזדקנת והגידול בביקוש לדיור המכוון לבריאות הגבירו את החשיבות של עיצוב מרחבי מגורים שהם גם פונקציונליים וגם מותאמים לצרכים של קבוצות משתמשים ספציפיות ^1,2. שיטות ניתוח תוכניות קומה אדריכליות קונבנציונליות הן לעיתים ידניות, גוזלות זמן ותלויות בפרשנות מומחים; לכן, הם לא יעילים וקשים להרחבה. דבר זה יצר צורך חזק במערכות חכמות המסוגלות לנתח אוטומטית פריסת מגורים ולתמוך בקבלת החלטות מושכלת³.

התקדמות אחרונה בבינה מלאכותית (AI), במיוחד בלמידה עמוקה (DL) וראיית מחשב, שיפרה משמעותית את ניתוח הנתונים המבוססים על תמונה. רשתות עצביות קונבולוציונליות (CNNs) הוכיחו יעילות מאוד בחילוץ תכונות מרחביות ולמידת דפוסים ויזואליים מורכבים, מה שהופך אותן למתאימות לניתוח תמונות בתכנית קומה ^4,5,6. מודלים אלו יכולים ללמוד ייצוגים מרומזים של מבני חדרים, ארגון פריסה ויחסים מרחביים החיוניים לחיזוי מאפיינים אדריכליים ^7,8. עם זאת, הסתמכות על מודל DL יחיד עלולה להגביל הכללה מכיוון שארכיטקטורות שונות עשויות להתמקד בתכונות מרחביות שונות ולהציג הטיות הנובעות משונות אדריכלית⁹. למרות ההתקדמות הזו, גישות קיימות לעיתים קרובות חסרות מסגרת משולבת שמשלבת מספר מודלים, תומכת בחיזוי ריבוי פלטים ומספקת פרשנות ברמת היישום. יתרה מזאת, הערכה והסבר מגורים ממוקדי בריאות זכו לתשומת לב מוגבלת יחסית במערכות ניתוח תוכניות קומה. היעדר מסגרות מקיפות כאלה מגביל את היישום והפרשנות המעשית, במיוחד בתחומים שבהם שקיפות ותמיכה בהחלטות חשובות 10,11,12.

הבינה המלאכותית גם תרמה רבות לניתוח האוטומטי וליצירת תוכניות קומה אדריכליות. מחקר אחד חקר את השימוש בלמידת מכונה (ML) להמרת תמונות בתכנית קומה דו-ממדית למודלים תלת-ממדיים¹³. המחברים הדגישו את המגבלות של שיטות עיצוב בעזרת מחשב (CAD) קונבנציונליות והדגישו את חשיבות הצינורות המבוססים על בינה מלאכותית ניתנת להרחבה להבנה מרחבית. הממצאים שלהם הראו כי DL יכולה להפיק מידע מבני ביעילות מתוכניות קומה, אם כי עדיין קיימים אתגרים הקשורים להכללה ולשונות בנתונים. מחקר נוסף הציע מסגרת למידה לחיזוק עמוק רב-סוכני לדור¹⁴ של תכנון קומה אוטומטי. למרות שהגישה מציעה גמישות רבה והתאמה אישית לעיצוב אדריכלי, היא מתמקדת בעיקר ביצירת עיצוב ולא בניתוח חזוי של תוכניות קומה קיימות.

סקר מקיף של שליפת תוכניות קומה בחן תכונות סמנטיות, מרחביות, מבוססות צורה ומרקם להבנת תכנית הקומה¹⁵. הסקר הדגיש את חשיבות מודלי DL, כולל CNNs וארכיטקטורות מבוססות טרנספורמרים, ללימוד ייצוגים משמעותיים. עם זאת, הוא גם זיהה אתגרים הקשורים לרעש, עיוות והבחנת תכונות בפריסות מורכבות. באופן דומה, גישה מבוססת למידת מכונה שילבה קשרים טופולוגיים וחזותיים לזיהוי תכנית קומה⁸. המחקר הראה כי נגישות ויזואלית וקישוריות מרחבית חשובות להבנת פריסות אדריכליות, אך לא התייחס לחיזוי רב-פלט או לאסטרטגיות למידה קבוצתית. בינה מלאכותית גנרטיבית נחקרה גם ביישומים אדריכליים. סקירה של בינה מלאכותית גנרטיבית באדריכלות בחנה את השימוש ברשתות גנרטיביות אדרסריות (GANs), מקודדים אוטומטיים וריאציוניים (VAEs) ומודלים של דיפוזיה לאוטומציה עיצובית¹⁶. המחברים הדגישו את האימוץ הגובר של כלי בינה מלאכותית בתהליכי עבודה אדריכליים מעשיים. עם זאת, המוקד של העבודה הזו היה יצירת עיצוב ולא מודלים חזויים או יישומים לתמיכה בהחלטות. בינה מלאכותית מוסברת הפכה לחשובה יותר ויותר לפרשנות מודלים של DL. מחקר הציע מסגרת מבוססת SHapley Additive ExPlanation (SHAP) לפרשנות מודלים של DL ביישומי סימולציה עירוניים¹⁷. התוצאות הראו כי SHAP יכול לזהות תכונות משפיעות ולשפר את הפרשנות ברמה הגלובלית והמקומית. למרות שהמחקר תומך בערך של SHAP ביישומים מרחביים, הוא לא חקר את שילובו עם מסגרות למידה קבוצתית. פיתוחים אחרונים בארכיטקטורות DL שיפרו עוד יותר את הביצועים במשימות מבוססות תמונה. מחקר הציג סקירה מקיפה של מודלים עכשוויים של DL כולל ארכיטקטורות מבוססות CNN וטרנספורמרים¹⁸. המחקר הדגיש את חשיבות בחירת מודלים וארכיטקטורות היברידיות לשיפור ביצועי ההכללה. עם זאת, הוא לא התייחס ספציפית לבקשות ניתוח תוכנית קומה. מאגרי נתונים בקנה מידה גדול סייעו גם הם להתקדם בניתוח אדריכלי. לדוגמה, מחקר הציג מאגר נתונים של מדד המכיל אלפי תוכניות קומה מורכבות¹⁹. המחקר הראה כי מודלים קיימים ממשיכים להתמודד עם אתגרים בניתוח פריסות גדולות ומרובות דירות, ומדגיש את הצורך בגישות חזקות וכלליות יותר.

DL נחקר גם בהרחבה בלמידה קבוצתית. מחקר עדכני על שיטות אנסמבל עמוק הצביע על כך ששילוב של מספר מודלים יכול לשפר משמעותית את דיוק החיזוי והעמידות על ידי הפחתת הטיה ושונות²⁰. למרות יעילותן, שיטות אלו לא יושמו באופן נרחב בניתוח תוכניות קומה אדריכליות, במיוחד במשימות רגרסיה מרובות פלטים. יתרה מזאת, מחקרים עדכניים בניתוח תוכניות קומה אוטומטי הדגישו את חשיבות המסגרות המשולבות המשלבות חיזוי, סיווג ופרשנות 21,22,23. המחקר הקיים מתמקד בדרך כלל בפונקציות בודדות, כגון חילוץ תכונות, יצירת פריסה או סיווג. כתוצאה מכך, נותר פער מחקר ברור בפיתוח מסגרת מאוחדת המשלבת למידה רב-מודלית, הערכת פריסת מגורים ובינה מלאכותית ניתנת להסבר. למרות שנעשו התקדמויות משמעותיות ב-DL ובניתוח אדריכלי, נותרו פערים מחקריים רבים. רוב המחקרים הקיימים מתמקדים בזיהוי תכנית קומה, חילוץ תכונות או יצירת פריסה מבלי לספק מסגרת מאוחדת התומכת הן בחיזוי ריבוי פלטים והן בקבלת החלטות ברמת היישום. בנוסף, גישות רבות מסתמכות על מודל DL יחיד, מה שעשוי להגביל את יכולתן ללכוד מאפיינים מרחביים מגוונים ועלול להכניס הטיות ספציפיות למודל. למידה קבוצתית לניתוח תכניות קומה נותרה יחסית לא נחקרת, במיוחד בנוגע לאינטגרציה של מודלים הטרוגניים לשיפור החוסן. יתרה מזאת, הושם דגש מוגבל על סיווג מגורים, עם דגש על שיקולי דיור המיועדים לקשישים ויכולת פרשנות. מכיוון שרבים ממודלי DL פועלים כקופסאות שחורות, הבנת בסיס התחזיות שלהם נותרה מאתגרת. מגבלות אלו מדגישות את הצורך במסגרת מקיפה המשלבת למידה רב-מודלית, חיזוי מדויק, סיווג מגורים מונחה יישום ובינה מלאכותית ניתנת להסבר.

מחקר זה מציג מסגרת אוטומטית לניתוח תמונות של תוכניות קומה למגורים, עם דגש על מודעות מרחבית והערכת תכנון מגורים, כדי להתמודד עם אתגרים אלו. המסגרת המוצעת מציגה מודל DL מטא-אנסמבל, CARE-MIRV-Net, שמשלב ארבעה CNNים משלימים — MobileNetV2, InceptionV3, ResNet101 ו-VGG16 — בתוך ארכיטקטורה מבוססת ערימה 24,25,26,27. כל דגם חוזה באופן עצמאי מאפיינים אדריכליים מרכזיים, כולל שטח, מספר חדרי השינה, חדרי הרחצה והמוסכים. תחזיות אלו משולבות לאחר מכן על ידי מטא-לומד ליצירת תחזיות מעודנות. בנוסף, שכבת החלטה מבוססת כללים משמשת לסיווג תכניות מגורים כטיפול בקשישים, טיפול רפואי או מגורים כלליים בהתבסס על המאפיינים החזויים.

התרומות של עבודה זו הן כדלקמן. ראשית, מוצעת מסגרת DL מטא-אנסמבל לחיזוי רב-פלט של תכונות אדריכליות מתמונות תכנית קומה למגורים. שנית, מודל CARE-MIRV-Net משלב ארבע ארכיטקטורות CNN לשיפור דיוק החיזוי וההכללה. שלישית, שכבת החלטה מבוססת כללים משולבת כדי לתמוך בסיווג פריסת מגורים מונחה יישומים בהתבסס על תכונות אדריכליות צפויות. רביעית, בינה מלאכותית מוסברת מבוססת SHAP משולבת כדי לשפר את השקיפות והיכולת לפרש את המודלים. לבסוף, נערכו ניסויים נרחבים להערכת המסגרת המוצעת באמצעות שגיאה ממוצעת מוחלטת (MAE) ומקדם הקביעה (R²) כמדדי ביצועים.

פרוטוקול

מחקר זה השתמש במאגר נתונים זמין לציבור מפלטפורמת Kaggle (תמונות תוכנית קומה ופרטיהן, זמינות בכתובת: https://www.kaggle.com/datasets/adilmohammed/floor-plan-images-and-their-details; גישה ב-16 באפריל 2026). הוא לא כלל משתתפים אנושיים, בעלי חיים או נתונים מזוהים אישיים; לכן, לא נדרשו אישור אתי והסכמה מדעת.

פרוטוקול זה מציג מסגרת מונחית בינה מלאכותית לניתוח אוטומטי של תמונות תוכניות קומה למגורים, עם דגש על עיצוב מודע למרחב ומכוון בריאות. זרימת העבודה הניסיונית המלאה מוצגת באיור 1. הפרוטוקול נועד לגשר על הפער בין חיזוי תכונות ארכיטקטוניות ברמה נמוכה לבין קבלת החלטות ממוקדת יישומים ברמה גבוהה. היא משלבת DL, מידול קבוצתי ובינה מלאכותית מוסברת כדי לספק פתרון מדויק, חזק וניתן לפרשנות לניתוח פריסות מגורים. המסגרת מורכבת ממספר שלבים, החל ברכישת נתונים ועיבוד מוקדם, ולאחר מכן למידת תכונות באמצעות CNNs עמוקים, חיזוי מטא-אנסמבל, ולבסוף סיווג ברמת יישום. בתחילה, תמונות תוכנית הקומה והמאפיינים האדריכליים המתאימות להן מעובדים מראש באמצעות שינוי גודל, נרמול והרחבת נתונים כדי להבטיח עקביות ולשפר את ההכללה. כל תמונות תוכנית הקומה שונו לגודל של 224 × 224 פיקסלים ונרמלו לטווח [0, 1]. הגדלת נתונים יושמה במהלך האימון באמצעות הפיכה אופקית אקראית, סיבוב, זום ושינוי רוחב/גובה כדי לשפר הכללת מודל ולהפחית התאמת יתר. לא הוחל הפיכה אנכית. פרמטרי ההרחבה המלאים ופרטי היישום מסופקים בקובץ המשלים 1. הנתונים המעובדים שימשו לאחר מכן לאימון מודלים מרובים של DL לחילוץ ותחזית תכונות. כל המודלים הבסיסיים והמטא-לומד של CARE-MIRV-Net אומנו באמצעות תצורה עקבית, הכוללת הגדלת נתונים, עצירה מוקדמת ותזמון קצב למידה אדפטיבי. הפסקה מוקדמת ניטרה אובדן אימות (val_loss) עם ערך סבלנות של 5 אפוקים, ומשקלי המודל הטובים ביותר שוחזרו אוטומטית לאחר האימון. תזמון קצב למידה אדפטיבי יושם באמצעות ReduceLROnPlateau, שעקב אחרי אובדן האימות והפחית את קצב הלמידה פי 0.3 לאחר שני עידנים ללא שיפור, עם קצב למידה מינימלי של 1 × 10⁻⁷. פרטי יישום מלאים והגדרות פרמטרים מסופקים בקובץ משלים 1. מערך הנתונים חולק באקראי לקבוצות אימון ובדיקות באמצעות יחס מפוצל של 80:20. השתמשו בזרע אקראי קבוע (42) כדי להבטיח שחזוריות. פרטי היישום המלאים מסופקים בקובץ משלים 1.

איור 1. תהליך העבודה של מסגרת CARE-MIRV-Net לניתוח תוכניות קומות למגורים. סקירה סכמטית של הפרוטוקול המוצע. תהליך העבודה כולל (1) רכישת מערכי נתונים ועיבוד מוקדם, (2) למידת תכונות וחיזוי באמצעות MobileNetV2, InceptionV3, ResNet101 ו-VGG16, (3) חיזוי מטא-אנסמבל מבוסס ערימה באמצעות CARE-MIRV-Net, (4) סיווג פריסת מגורים מבוסס חוקים, (5) ניתוח פרשנות מבוסס SHapley Additive exPlanations (SHAP), ו-(6) הערכת ביצועים. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

בשלב השני, ארבעה CNN מאומנים מראש, MobileNetV2, InceptionV3, ResNet101 ו-VGG16, מועסקים כלומדים בסיסיים. כל מודל מותאם באמצעות למידת העברה כדי לחזות מאפיינים אדריכליים מרכזיים, כולל שטח, מספר חדרי שינה, חדרי אמבטיה ומוסכים. לכל מודל למידת העברה, השכבות התחתונות שהוכשרו מראש נשמרו קפואים, בעוד שהשכבות העליונות וראש הרגרסיה המותאם אישית כוונו במהלך האימון. תצורות כיוונון מדויקות ספציפיות לדגם מסופקות בקובץ המשלים 1. מודלים אלה לוכדים היבטים שונים של מידע מרחבי: MobileNetV2 מספק חילוץ תכונות יעיל, InceptionV3 לוכד דפוסים מרחביים רב-קנה מידה, ResNet101 לומד ייצוגים היררכיים עמוקים, ו-VGG16 מבטיח למידת תכונות יציבה ועקבית. המגוון בין המודלים הללו משפר את יכולת הייצוג הכוללת של המסגרת.

כדי לשפר עוד יותר את הדיוק והעמידות של התחזית, מוצע מודל מטא-אנסמבל מבוסס ערימה, המסומן כ-CARE-MIRV-Net. בשלב זה, התחזיות מכל המודלים הבסיסיים מתאגדות יחד ליצירת מרחב תכונות מממד גבוה יותר, שמוקלט למטה-לומד. תחזיות מודל בסיס נוצרות לראשונה באופן עצמאי באמצעות מודלים מאומנים כמו MobileNetV2, InceptionV3, ResNet101 ו-VGG16. תחזיות אלו מחוברות לאחר מכן ליצירת וקטור המטה-תכונה שבו משתמש המטה-לומד. כדי למנוע דליפת נתונים, מאגרי הנתונים של האימון והבדיקה מופרדים בקפדנות, והמטא-לומד מאומן רק על תחזיות שנוצרו מנתוני האימון. המטה-מודל, שהוא רשת עצבית מחוברת לחלוטין, מאומן ללמוד את השילוב האופטימלי של פלטי מודל בסיס כדי לייצר תחזיות משופרות. המודל המטא מורכב משתי שכבות מחוברות לחלוטין עם 512 ו-256 נוירונים באמצעות הפעלת ReLU, ואחריהן שכבות נשירה (0.4 ו-0.3) ושכבת פלט ליניארית. המודל מאומן באמצעות אופטימייזר אדם (קצב למידה = 0.0001), גודל אצווה של 32, ועד 15 אפוקים. עצירה מוקדמת יושמה על ידי ניטור אובדן אימות (val_loss) עם ערך סבלנות של 5 אפוקים. קריטריון השיפור המינימלי (min_delta) הוגדר לערך ברירת המחדל של TensorFlow של 0, ומשקלי המודל הטובים ביותר שוחזרו אוטומטית לאחר האימון. תזמון קצב למידה אדפטיבי יושם באמצעות ReduceLROnPlateau callback, שעקב אחרי אובדן האימות והפחית את קצב הלמידה פי 0.3 לאחר שתי תקופות רצופות ללא שיפור. קצב הלמידה המינימלי הוגדר ל-1 × 10⁻⁷, ופרמטר הקירור השתמש בערך TensorFlow ברירת המחדל של 0. שיטת אנסמבל זו מפחיתה הטיות של מודלים בודדים ומשפרת הכללה באמצעות חוזקות משלימות של ארכיטקטורות מרובות. מידע מפורט על היישום מסופק בקובץ משלים 1.

לאחר החיזוי, מתווספת שכבת פרשנות להמרת הפלטים המספריים להחלטות ברמת היישום. תכניות מגורים ניתן לסווג לשלוש קטגוריות בהתבסס על תחזיות מאפיינים אדריכליים: טיפול בקשישים, טיפול רפואי משולב (רפואי), ושימוש כללי במגורים. סיווג זה מתבצע באמצעות כללי החלטה מבוססי סף מוגדרים מראש המבוססים על השטח החזוי, מספר חדרי השינה ומספר חדרי האמבטיה. הקטגוריה עם הציון הגבוה ביותר מוקצת כסיווג הסופי, בעוד שהתיקו נפתר על ידי בחירת הקטגוריה שמקיימת את מספר הקריטריונים הגדול ביותר של החלטה. כללי הניקוד המלאים וספי הסיווג מסופקים בקובץ המשלים 2 (אלגוריתם 1). פעולה זו מאפשרת למסגרת לספק מידע מעשי לעיצוב דיור למגורים.

המסגרת משתמשת בבינה מלאכותית ניתנת להסבר עם SHAP כדי לספק שקיפות ויכולת פרשנות. רכיב זה בוחן את תרומת התחזיות מכל מודל בסיס לפלט של המטא-מודל. ניתוח SHAP בוצע באמצעות KERNELExplainer של SHAP (גרסת SHAP 0.51.0) עם 100 דגימות אימון שנבחרו באקראי כמערך הנתונים הרקע ו-50 דגימות בדיקה ליצירת הסברים. הקונפיגורציה המלאה של SHAP, כולל בחירת דגימה רקע והגדרות יישום, מסופקת בקובץ המשלים 1. שכבת ההסבר מסייעת להבין את תהליך קבלת ההחלטות על ידי מדידת חשיבות המאפיין והצגת דפוסי תרומה, ובכך לשפר את שקיפות ואמינות המודל. המסגרת המוצעת מוערכת באמצעות MAE ו-R² בכל משתני היעד. לחיזוי ריבוי פלטים, MAE חושב כהפרש האבסולוטי הממוצע בין הערכים בפועל לחזוי בכל משתני היעד, בעוד ש-R² חושב על ידי השוואת השונות המוסברת של התחזיות לערכי האמת הקרקעית המתאימים לכל פלט. הניתוחים הכמותיים והאיכותיים מצביעים על כך שה-CARE-MIRV-Net המוצע משפר את דיוק החיזוי ותומך בסיווג פריסת מגורים מבוסס כללים. אמינות הסיווג הוערכה בהתבסס על דיוק תחזיות הרגרסיה הבסיסיות ועקביות שכבת ההחלטה מבוססת הכללים. המסגרת היא פתרון מתאים וניתן להרחבה לניתוח חכם של תכניות קומה, וניתן ליישם אותה בדיור חכם, תכנון לטיפול בקשישים ותכנון מגורים ממוקד בבריאות. רשימה מלאה של מערכי נתונים, חבילות תוכנה, ספריות, משאבי חומרה וכלים חישוביים ששימשו במחקר זה מסופקת בטבלת החומרים. קוד מקור, מידע על תצורת הסביבה, מפרטי תלות תוכנה וסקריפטי יישום הנדרשים לשחזור תהליך העבודה המדווח מסופקים בקובץ משלים 1.

אלגוריתם לפרוטוקול

המסגרת המוצעת נוקטת בגישה רב-שלבית לעיבוד תוכניות קומה מבוססות תמונה של בתים פרטיים ולהפקת פלטים חיזויים והחלטותיים, כפי שמוצג באלגוריתם 1 בקובץ המשלים 2. תהליך זה מתחיל בעיבוד נתונים מוקדם, שבו תמונות הקלט משתנות לרזולוציה סטנדרטית ומנורמלות כדי לספק אחידות לאורך כל מאגר הנתונים. כל תמונות תוכנית הקומה שונו לגודל של 224 × 224 פיקסלים ונרמלו לטווח [0, 1]. שלב זה מייעל את התמונות ללמידה באמצעות רשתות עצביות עמוקות ומגביר את ההתכנסות הכוללת של המודלים. השלב השני כולל שימוש במספר מודלים של DL כלומדים בסיסיים, כולל MobileNetV2, InceptionV3, ResNet101 ו-VGG16. באופן עצמאי, כל מודל לוקח את התמונות הנכנסות ומעריך מאפיינים אדריכליים חשובים כמו שטח רבוע ומספר חדרי השינה, חדרי הרחצה והמוסכים. מערך הנתונים חולק באקראי לקבוצות אימון ובדיקות באמצעות יחס פיצול של 80:20, והשתמשו בזרע אקראי קבוע להבטחת שחזוריות. מודלים אלו לוכדים תכונות מרחביות שונות של תוכניות הקומה ומספקים תחזיות משלימות. ייצוג התכונות נבנה לאחר מכן על ידי ערימת הפלטים של כל מודל בסיס ליצירת ייצוג תכונה יחיד. פלט משותף זה מוזן לאחר מכן למודל מטא-אנסמבל, CARE-MIRV-Net, שמאומן לשלב את התחזיות של כל מודלי הבסיס. תחזיות מודל הבסיס נוצרו באופן עצמאי וחוברו ליצירת וקטור המטא-תכונה. דליפת נתונים נמנעה באמצעות הפרדה קפדנית של מאגרי הנתונים של האימון והבדיקה. המטא-מודל משפר את התחזיות הללו ומפיק את תחזיות התכונות האדריכליות הסופיות. המטא-מודל כלל שכבות מחוברות לחלוטין עם 512 ו-256 נוירונים, פונקציות הפעלה של ReLU, שיעורי נשירה של 0.4 ו-0.3, אופטימייזר אדם (קצב למידה = 0.0001), גודל אצווה של 32, ועד 15 אפוקי אימון עם הפסקה מוקדמת. לאחר החיזוי, משתמשים בשכבת החלטה כדי להקשרם את התוצאות. לפי הערכים המוערכים, כל תכנון מגורים מסווג כטיפול בקשישים, טיפול רפואי או שימוש מגורים כללי. קטגוריות מגורים הוקצו באמצעות כללי ניקוד מבוססי סף מוגדרים מראש שמקורם במאפייני תכנית הקומה החזויים. הקטגוריה עם הציון הגבוה ביותר נבחרה כסיווג הסופי. ספי סיווג מלאים וכללי החלטה מסופקים באלגוריתם 1 (קובץ משלים 2). לבסוף, המסגרת משלבת רכיב הסבר המבוסס על SHAP כדי להעריך את השפעת כל מודל בסיס על התחזית הסופית. ניתוח SHAP בוצע כפי שתואר קודם ובקובץ המשלים 1. רכיב זה מגביר את השקיפות ועוזר להבנת תהליך קבלת ההחלטות. היעילות והישימות של הגישה המוצעת הוערכו באמצעות מדדי ביצוע סטנדרטיים של רגרסיה. הביצועים הוערכו באמצעות ריצה ניסויית אחת עם זרע אקראי קבוע.

מודלים להערכה

בחלק זה מוצגים מודלי DL ששימשו במחקר, כולל מודלי הבסיס הבודדים ו-CARE-MIRV-Net המוצע. מודלי הבנצ'מרק נבחרו לייצג ארכיטקטורות DL מגוונות ואומצו באופן נרחב. MobileNetV2 נכללה כרשת קלה ויעילה חישובית, ו-InceptionV3 נבחרה בשל יכולתה ללכוד תכונות מרחביות רב-קניות. ResNet101 נבחר בשל יכולת הלמידה השארית העמוקה שלו לחילוץ תכונות היררכי, ו-VGG16 נכלל כארכיטקטורה קונבולוציונית מבוססת. כל מודלי הבנצ'מרק אומנו באמצעות פרוצדורות קדם-עיבוד זהות, הגדרות הרחבת נתונים, חלוקות מאגרי נתונים, פרמטרי אופטימיזציה, גודל אצווה ותצורת אימון כדי להבטיח הערכה השוואתית הוגנת.

MobileNetV2:

MobileNetV2 היא מערכת CNN קטנה וקומפקטית שתוכננה להיות מהירה, בעלת ביצועים גבוהים ועם מורכבות חישובית נמוכה יותר. הוא מציג כמה מהחידושים המרכזיים כמו חיבורים שאריתיים הפוכים וצווארי בקבוק ליניאריים, שמאפשרים חילוץ תכונות יעיל ועדיין בעלי עוצמת ייצוג גבוהה. MobileNetV2 יכול להשתמש בקונבולוציות מופרדות בעומק כדי למזער משמעותית את סך כל הפרמטרים ואת עלות החישוב של רשתות קונבולוציוניות מסורתיות, ולכן מותאם היטב לבעיות למידה מבוססות תמונה גדולות.

MobileNetV2 משמש במסגרת המוצעת כאחד ממודלי ה-DL הבסיסיים לחיזוי המאפיינים האדריכליים של תמונות תכנית קומה למגורים. המודל מסוגל ללמוד דפוסים מרחביים כמו התפלגות חדרים, צפיפות פריסה וארגון מבני המתרחשים בתכניות קומה ביעילות בזכות העיצוב היעיל שלו. ייצוגים מלומדים כאלה ממלאים תפקיד חשוב בהערכת מאפיינים חשובים כמו שטח, מספר חדרי השינה, חדרי הרחצה והמוסכים במדויק. MobileNetV2 הוא מודל קל משקל, שהוא מועמד טוב להיכלל במסגרת המטא-אנסמבל המוצעת. הוא מוסיף תכונות משלימות לדגמי DL אחרים, ומגביר את החוסן וההכללה הכוללת של המערכת. למידת מודל זו חשובה מאוד מבחינת שיפור דיוק התחזיות ובסיוע בסיווג עיצובים למגורים המבוססים על שירותי בריאות.

מודל MobileNetV2 מאומן באמצעות אסטרטגיית למידת העברה עם משקלים מאומנים מראש ממאגר הנתונים של ImageNet. תמונות הקלט מותאמות לגודל קבוע של 224 × 224 × 3, התואם לארכיטקטורה. התמונות שונו לגודל של 224 × 224 פיקסלים, נורמל לטווח [0, 1], והוגדלו באמצעות הפיכה אקראית, סיבוב, זום והעברה. גודל אצווה של 32 שימש במהלך האימונים. ראש הסיווג הראשוני של MobileNetV2 הוסר והוחלף בראש רגרסיה. ראש הרגרסיה כלל שכבת Global Average Pooling ואחריה שכבות מחוברות לחלוטין עם 512 ו-256 נוירונים, נרמול אצווה, שכבות נדירות (0.4 ו-0.3), ושכבת פלט ליניארית בת ארבעה נוירונים. כדי להקל על התאמת הדומיין, השכבות התחתונות שמאומנות מראש הוקפאו, בעוד שהשכבות העליונות החל מ-block_13_expand וראש הרגרסיה המותאם אישית כוונו בדיוק. גישה סלקטיבית זו מאפשרת למודל לשמור על תכונות ויזואליות כלליות תוך למידת תכונות מרחביות ייחודיות לתחום של תמונות בתכנית קומה. מפות התכונות שהופקו מעובדות דרך שכבת Global Average Pooling ושכבות מחוברות במלואן עם 512 ו-256 נוירונים באמצעות הפעלת ReLU. כדי לשפר הכללה ולהפחית התאמת יתר, משולבות שכבות נרמול אצווה ודרופאאוט (0.4 ו-0.3). שכבת הפלט הסופית מכילה ארבעה נוירונים עם הפעלה ליניארית התואמת את התכונות הארכיטקטוניות החזויות. אופטימייזר אדם שימש עם קצב למידה של 0.0001 ופרמטרי ברירת מחדל של TensorFlow/Keras (β₁ = 0.9, β₂ = 0.999, ε = 1 × 10⁻⁷, amsgrad = שקר). לחיזוי רב-פלט, MAE ו-R² חושבו על ידי השוואת הערכים החזויים והאמיתיים לכל משתנה יעד ואז ממוצע התוצאות בכל הפלטים. הפסקה מוקדמת יושמה בהתבסס על אובדן אימות, והפחתת קצב הלמידה האדפטיבית שימשה לשיפור ההתכנסות. ההכשרה בוצעה עד 15 תקופות.

InceptionV3:

InceptionV3 היא ארכיטקטורת CNN עמוקה המסוגלת ללכוד תכונות רב-קנה מידה באמצעות פעולות קונבולוציה מקבילות. היא מבוססת על מודול Inception, המשתמש במגוון גדלי מסננים באותה שכבה כדי להפיק בו זמנית תכונות דקות וגרעיניות גסות. סוג עיצוב ארכיטקטורה זה מאפשר לרשת ללמוד היררכיות מרחביות מורכבות ולהיות יעילה חישובית. בנוסף לכך, InceptionV3 עושה שימוש בקונבולוציות מפוקדות והפחתת ממדים, שמגבירים את הביצועים וממזערים עלויות חישוביות.

InceptionV3 מיושמת במסגרת המוצעת כמפיק תכונות יעיל לניתוח תמונות של תוכניות קומה למגורים. תוכניות קומה מורכבות ממגוון דפוסים מרחביים, כגון גודל חדרים, תוכניות מבניות וקישוריות, מה שמצריך למידה רב-קנית של תכונות. ארכיטקטורת Inception מתאימה במיוחד למשימה זו בכך שהיא מסוגלת לייצג מאפיינים מקומיים (למשל, חדרים קטנים) ומבנים גלובליים (למשל, ארגון הפריסה הכוללת) בו-זמנית. InceptionV3 מספק ייצוגים משלימים למודלים אחרים כמו MobileNetV2 בהקשר של מסגרת המטה-אנסמבל. מגוון התחזיות גדל בזכות יכולתו למודל יחסים מרחביים מורכבים, וזה חשוב לשיפור ביצועי הקבוצה. דבר זה מסייע בסופו של דבר בחיזוי טוב יותר של מאפיינים אדריכליים ומחזק את הסיווג בהמשך של עיצוב דיור ידידותי לקשישים ומשולב בתחום הבריאות.

מודל InceptionV3 מאומן באמצעות גישת למידת העברה עם משקלים מאומנים מראש מתוך מאגר הנתונים של ImageNet. תמונות הקלט מותאמות ל-224 × 224 × 3 כדי להבטיח תאימות לארכיטקטורת הרשת ועקביות בכל המודלים במסגרת. התמונות שונו לגודל של 224 × 224 פיקסלים, נורמל לטווח [0, 1], והוגדלו באמצעות הפיכה אקראית, סיבוב, זום והעברה. גודל אצווה של 32 שימש במהלך האימונים.

שכבות הסיווג המקוריות של InceptionV3 הוסרו, וראש רגרסיה מותאם אישית מוצג כדי לאפשר חיזוי ריבוי פלטים. ראש הרגרסיה המותאם אישית כלל שכבת Global Average Pooling ואחריה שכבות מחוברות לחלוטין עם 512 ו-256 נוירונים, נרמול אצווה, שכבות dropout (0.4 ו-0.3), ושכבת פלט ליניארית בת ארבעה נוירונים. הבסיס הקונבולוציוני מכוון חלקית, כאשר השכבות התחתונות המאומנות מראש מוקפאות והשכבות העליונות יחד עם ראש הרגרסיה המותאם אישית מותאמות ללמידת תכונות תכנית קומה ייחודיות לתחום, תוך שמירה על ייצוגים ויזואליים כלליים שנרכשו במהלך ההכשרה המוקדמת. לאחר עמוד השדרה הקונבולוציוני, שכבת Global Average Pooling ממירה את מפות התכונות לייצוג תכונות קומפקטית. לאחר מכן מגיעות שכבות מחוברות לחלוטין המכילות 512 ו-256 נוירונים עם פונקציות הפעלה של ReLU. כדי למזער התאמת יתר ולשפר הכללה, מיישמים שיעורי נשירה של 0.4 ו-0.3. שכבת הפלט הסופית מורכבת מארבעה נוירונים עם הפעלה ליניארית המתאימה לחיזוי שטח השטח, מספר חדרי השינה, מספר חדרי הרחצה ומספר המוסכים. המודל מאומן באמצעות אופטימייזר אדם עם קצב למידה של 0.0001, גודל אצווה של 32, ועד 15 תקופות אימון עם עצירה מוקדמת והפחתת קצב למידה אדפטיבית כדי להבטיח התכנסות יציבה.

ResNet101:

ResNet101 הוא מבנה עמוק של CNN שנבנה על עקרון הלמידה השיורית, שמאפשר לאמן רשתות עמוקות מאוד על ידי התגברות על בעיית הגרדיאנט המתעלם. הוא מוסיף חיבורים שאריים, או מה שנקרא חיבורי דילוג, שמאפשרים לרשת ללמוד מיפוי זהות ולשמר מידע בין שכבות. ארכיטקטורה זו משפרת מאוד את יציבות האימון ומאפשרת למודל ללמוד תכונות היררכיות מורכבות. ל-ResNet101 יש קיבולת ייצוג עמוקה של 101 שכבות ולכן הוא יעיל מאוד במשימות שדורשות תכונות מרחביות נוספות.

ResNet101 ישמש במסגרת המוצעת כמפיק תכונות בקיבולת גבוהה, שינתח את תמונות תוכניות הקומה למגורים. המודל יכול לשמש לייצוג יחסים מרחביים מורכבים, כולל קישוריות חדרים, מורכבות פריסה ושינויים מבניים, בשל הארכיטקטורה העמוקה שלו. תכונות אלו חיוניות לחיזוי מדויק של מאפיינים אדריכליים כמו שטח רבוע, חדרי שינה, חדרי אמבטיה ומוסכים. בעיצוב המטא-אנסמבל, ResNet101 הוא רכיב משמעותי ומספק ייצוגים עמוקים ומופשטים של תכונות. ResNet101 מתמקדת יותר בתכונות מבניות עדינות ולכן מגוונת יותר בקרב לומדים בסיסיים בהשוואה למודלים קלים כמו MobileNetV2. הטרוגניות זו ממלאת תפקיד חיוני בשיפור ביצועי הרכב ותחזיות חזקות, במיוחד כאשר מדובר בסיווג מגורים מבוסס בריאות.

ResNet101 מאומן באמצעות גישת למידת העברה עם משקלים מאומנים מראש מתוך מערך הנתונים של ImageNet. תמונות הקלט מותאמות ל-224 × 224 × 3, מה שמבטיח תאימות אדריכלית ועקביות בכל המודלים במסגרת. התמונות שונו לגודל של 224 × 224 פיקסלים, נורמל לטווח [0, 1], והוגדלו באמצעות הפיכה אקראית, סיבוב, זום והעברה. גודל אצווה של 32 שימש במהלך האימונים. ראש הסיווג המקורי של ResNet101 הוסר (include_top=False), והוכנס ראש רגרסיה מותאם אישית לאפשר חיזוי ריבוי פלטים. ראש הרגרסיה כלל שכבת Global Average Pooling ואחריה שכבות מחוברות לחלוטין עם 512 ו-256 נוירונים, נרמול אצווה, שכבות נדירות (0.4 ו-0.3), ושכבת פלט ליניארית בת ארבעה נוירונים. כדי לאזן בין שימוש חוזר בתכונות לבין התאמת תחום, השכבות התחתונות שהיו מאומנות מראש הוקפאו, בעוד שהשכבות העמוקות שמתחילות מ-conv4_block1_1_conv וראש הרגרסיה המותאם אישית כוונו בדיוק. אסטרטגיית האימון הסלקטיבית הזו מאפשרת למודל לשמור על תכונות ויזואליות כלליות תוך התאמת ייצוגים ברמה גבוהה יותר לתמונות בתכנית קומה. הפלט של בסיס הקונבולוציוני עובר דרך שכבת Global Average Pooling כדי ליצור ייצוג תכונות קומפקטי. לאחר מכן מגיעות שכבות מחוברות במלואן עם 512 ו-256 נוירונים המשתמשים בפונקציות הפעלה של ReLU. נורמליזציה באצווה מיושמת לייצוב הלמידה, ושכבות נשירה עם קצב של 0.4 ו-0.3 משולבות כדי להפחית התאמת יתר ולשפר הכללה. שכבת הפלט הסופית מכילה ארבעה נוירונים עם הפעלה ליניארית המתאימה לשטח, מספר חדרי השינה, חדרי הרחצה והמוסכים. אופטימייזר אדם שימש עם קצב למידה של 0.0001, כפי שמתואר בתצורת האימון. הרחבת נתונים כללה הפיכת נתונים אקראית, סיבוב, זום והעברה לשיפור הכללת המודלים. הכשרה בוצעה עד 15 תקופות עם הפסקה מוקדמת בהתבסס על אובדן אימות והפחתת קצב הלמידה האדפטיבית.

VGG16:

VGG16 היא ארכיטקטורת רשת עצבית פשוטה מסוג קונבולוציוני עמוק, שהיא יעילה ופשוטה במשימות זיהוי חזותי. היא מורכבת מ-16 שכבות בעיצוב רגולרי או הומוגני הכולל מסננים קטנים של 3 × 3 קונבולוציוניים, המאפשרים ללמידה של ייצוגי תכונות היררכיים על ידי הרשת. הארכיטקטורה ממוקדת עומק ופשטנית, מה שאומר שהיא מסוגלת ללכוד פרטים ברמה נמוכה כמו קצוות, טקסטורות ומבנים סמנטיים ברמה גבוהה. VGG16, עם העיצוב הרגיל והביצועים הטובים שלו, הוא כיום בחירה פופולרית ללמידת העברה במשימות הקשורות לתמונה.

במודל המוצע, VGG16 משמש כמודל בסיס ל-DL כדי לגזור מאפיינים מרחביים של תמונות של תוכניות קומות למגורים. העובדה שהוא מאורגן מאפשרת לו להיות שימושי מאוד בלכידת הפרטים העדינים של דפוסי פריסה כמו גבולות חדרים, יישורים מבניים וארגון מרחבי. המאפיינים חיוניים לחיזוי יעיל של מאפייני האדריכלות כמו רגל רבוע, חדרי שינה, חדרי רחצה ומוסכים. במערכת המטה-אנסמבל, VGG16 מספק ייצוגים יציבים ומוכללים היטב. VGG16 מציע גישה מאוזנת יותר לחילוץ תכונות בהשוואה לארכיטקטורות עמוקות יותר, כמו ResNet101, וארכיטקטורות רב-סקאלה כמו InceptionV3, מה שמגדיל את המגוון של הלומדים הבסיסיים. הטרוגניות זו קריטית לשיפור ביצועי האנסמבל והתחזיות האמינות לסיווג מגורים ממוקדי בריאות.

מודל VGG16 מאומן באמצעות גישת למידת העברה עם משקלים מאומנים מראש ממאגר הנתונים של ImageNet. תמונות הקלט מותאמות ל-224 × 224 × 3 כדי להבטיח תאימות לארכיטקטורה ועקביות בין כל המודלים במסגרת. התמונות שונו לגודל של 224 × 224 פיקסלים, נורמל לטווח [0, 1], והוגדלו באמצעות הפיכה אקראית, סיבוב, זום והעברה. גודל אצווה של 32 שימש במהלך האימונים. שכבות הסיווג המקוריות מוסרות (include_top=שקרי), ונוסף ראש רגרסיה מותאם אישית כדי להתאים את המודל לחיזוי ריבוי פלטים. ראש הרגרסיה כלל שכבת Global Average Pooling ואחריה שכבות מחוברות לחלוטין עם 512 ו-256 נוירונים, נרמול אצווה, שכבות נדירות (0.4 ו-0.3), ושכבת פלט ליניארית בת ארבעה נוירונים. השכבות התחתונות שהיו מאומנות מראש היו קפואים, בעוד שהשכבות שהתחילו מ-block4_conv1 וראש הרגרסיה המותאם אישית כוונו היטב. אסטרטגיה זו מאפשרת למודל לשמור על מאפיינים חזותיים כלליים תוך כדי לימוד ייצוגים ספציפיים לתחום הרלוונטי לניתוח תוכניות קומה. תכונות הפלט של בסיס הקונבולוציוני מועברות דרך שכבת Global Average Pooling ליצירת וקטור תכונות קומפקטי. לאחר מכן מגיעות שכבות מחוברות במלואן עם 512 ו-256 נוירונים המשתמשים בפונקציות הפעלה של ReLU. שכבות נורמליזציה ואספקטיבה עם קצב של 0.4 ו-0.3 משולבות לייצוב האימון, להפחתת התאמת יתר ולשפר הכללה. שכבת הפלט הסופית מכילה ארבעה נוירונים עם הפעלה ליניארית המתאימה לשטח, מספר חדרי השינה, חדרי הרחצה וחיזויי המוסך. אופטימייזר אדם שימש עם קצב למידה של 0.0001, כפי שמתואר בתצורת האימון. הרחבת נתונים כללה הפיכת נתונים אקראית, סיבוב, זום והעברה לשיפור הכללת המודלים. הכשרה בוצעה עד 15 תקופות עם הפסקה מוקדמת בהתבסס על אובדן אימות והפחתת קצב הלמידה האדפטיבית.

CARE-MIRV-Net (מודל DL מטא-אנסמבל מוצע):

ה-CARE-MIRV-Net המוצע (Context-Aware Residential Ensemble המשתמש ב-MobileNetV2, InceptionV3, ResNet101 ו-VGG16 Network) הוא מסגרת DL מבוססת ערימה, שמטרתה לשפר את הערכת המאפיינים האדריכליים על בסיס תמונות תכנית קומה למגורים. הארכיטקטורה משלבת CNNים הטרוגניים שונים על ידי ניצול היתרונות הסינרגטיים שלהם בהפקת תכונות. המודל המוצע מבוסס על שילוב של ארכיטקטורה קלה, עמוקה ורב-קנה מידה שמגבירה ביצועים חיזויים ומספקת עמידות במגוון רחב של תכנוני מגורים. בניגוד לטכניקות המסורתיות המבוססות על מודל יחיד, CARE-MIRV-Net פועלת בגישת למידה היררכית, שבה מודלים בסיסיים מספקים תחזיות ראשוניות, אשר לאחר מכן משתפרות על ידי הלומד המטא.

כשמדובר בעיצוב מגורים שמודע למרחב ולבריאות, הפרשנות הנכונה של תכניות הקומה היא בעלת חשיבות עליונה. מודלים של DL בודדים נוטים להיות לא מספקים להכללת דפוסים ארכיטקטוניים שונים. המסגרת המוצעת תתגבר על חולשה זו באמצעות ארבע ארכיטקטורות שונות: MobileNetV2, InceptionV3, ResNet101 ו-VGG16, שמביאות יכולות ייצוג שונות משלהן. ניתן להשתמש ב-MobileNetV2 להפקת תכונות ביעילות והוא קל משקל; InceptionV3 לומד דפוסים מרחביים במגוון סולמות; ResNet101 לומדת ייצוגים היררכיים עמוקים; ו-VGG16 לומדת תכונות באופן עקבי ואמין. שילוב של מודלים אלו מאפשר למסגרת לאמץ הן את המאפיינים המרחביים המקומיים והן את התכונות הגלובליות, מה שמשפר את הדיוק והאמינות של התכונות החזויות כמו שטח, מספר חדרי השינה, חדרי הרחצה והמוסכים. התחזיות הנ״ל יכולות לשמש גם לחיזוי סיווג נוסף של תכניות מגורים לכלול מגורים ידידותיים לקשישים, משולבים עם שירותי בריאות ומגורים כלליים.

CARE-MIRV-Net מיושמת באמצעות אסטרטגיית אנסמבל דו-שלבית המבוססת על ערימה. בשלב הראשון, ארבעת מודלי הבסיס מייצרים באופן עצמאי תחזיות למשתני היעד. קלטי מטא-לומדים נוצרו על ידי חיבור פלטי החיזוי שנוצרו על ידי מודלים בסיסיים מאומנים על נתוני האימון. תחזיות מחוברות אלו יצרו את וקטורי המטא-תכונה ב-16 הממדים ששימשו לאימון מטא-מודל. דליפת מידע נמנעה באמצעות הפרדה קפדנית של מאגרי הנתונים של האימון והבדיקה, ולא נעשה שימוש בדגימות בדיקה במהלך ההכשרה במודל-בסיס או במטה-מודל. אותם מאגרי נתונים של אימון ואימות ששימשו למודלים הבסיסיים שימשו במהלך תהליך ההצטברות. במהלך האימון וההסקה, וקטור המטה-תכונות בעל 16 ממד נבנה על ידי חיבור ארבעת פלטי החיזוי שנוצרו על ידי MobileNetV2, InceptionV3, ResNet101 ו-VGG16. מכיוון שכל מודל מייצר וקטור פלט ארבע-ממדי, הייצוג המחובר מייצר קלט 16-ממדי למטה-לומד. טרנספורמציה זו משלבת את התחזיות מכל מודלי הבסיס ומשמשת כקלט לשלב השני של המסגרת. השלב השני כולל בניית מטא-לומד רשת עצבית מחוברת במלואה כדי ללמוד את השילוב האופטימלי של תחזיות מודל בסיס. המטה-לומד כלל שכבות מחוברות לחלוטין עם 512 ו-256 נוירונים, הפעלה של ReLU, נרמול באצוות, שיעורי נשירה של 0.4 ו-0.3, ושכבת פלט ליניארית בת ארבעה נוירונים. שכבות נופלות עם קצב 0.4 ו-0.3 יושמו לאחר השכבות הצפופות כדי להפחית התאמת יתר ולשפר את ההכללה. המטא-מודל אומן באמצעות אופטימייזר אדם עם קצב למידה של 0.0001, גודל אצווה של 32, ועד 15 אפוקים עם הפסקה מוקדמת והפחתת קצב למידה אדפטיבית. נתוני האימות שימשו למעקב אחר ביצועי המודל במהלך האימון ולבחירת המודל בעל הביצועים הטובים ביותר. לאחר ההדרכה, מודל המטה-אנסמבל יצר תחזיות סופיות על ידי שילוב פלטים מכל הלומדים הבסיסיים. MAE ו-R² שימשו להערכת ביצועי CARE-MIRV-Net. לחיזוי רב-פלט, MAE ו-R² חושבו על ידי השוואת הערכים החזויים והאמיתיים לכל משתנה יעד ואז ממוצע התוצאות בכל הפלטים. התוצאות התקבלו מריצת ניסוי אחת באמצעות זרע אקראי קבוע. המסגרת המוצעת משפרת את יכולת החיזוי על ידי שילוב מספר מבני DL באמצעות מנגנון ערימה ומתן ניתוח ניתן לפרשנות של תוכניות קומות למגורים. דבר זה הופך את CARE-MIRV-Net לרלוונטי בהקשר של עיצוב מגורים ממוקד זקנה וטיפול רפואי. קוד המקור, מידע על תצורת הסביבה, מפרטי התלות בתוכנה ותיעוד היישום מסופקים בקובץ משלים 1.

הערכת ביצועים

ניתוח ביצועים של המסגרת המוצעת מתבצע כדי לקבוע את כוח החיזוי שלה, עמידותה וביצועי הכללה על פני מאפיינים אדריכליים שונים. ניתוחים כמותיים ואיכותניים מתבצעים כדי לאשר את תועלת המודל המוצע. הליך ההערכה כולל גם מדדי רגרסיה סטנדרטיים וגם סביבות ניסוי מבוקרות כדי לאפשר השוואה הוגנת למודלים הבסיסיים. הניסויים נערכו באמצעות ריצה אחת של ניסוי עם זרע אקראי קבוע כדי להבטיח שחזוריות ועקביות בכל המודלים המדורגים והמוצעים.

פרמטרי ביצועים:

שני מדדי רגרסיה ידועים, MAE ו-R², משמשים להערכת ביצועי המסגרת המוצעת. MAE מודד את עוצמת שגיאות החיזוי הממוצעת ומספק אינדיקציה ברורה לקרבה בין הערכים החזויים לערכים בפועל. לעומת זאת, ערך R² משמש להערכת שיעור השונות במשתני היעד המוסברים על ידי המודל, המשקף את כוח החיזוי הכולל שלו. שילוב של מדדים אלו מספק הערכה מקיפה של הדיוק וביצועי הכללה של כל התכונות האדריכליות החזויות. לחיזוי רב-פלט, MAE ו-R² חושבו על ידי השוואת הערכים החזויים והאמיתיים לכל משתנה יעד ואז ממוצע התוצאות בכל הפלטים.

מערכת ניסיונית:

הניסויים נערכו בסביבת מחשוב ענן באמצעות פייתון (גרסה 3.12.12). הפרוטוקול המוצע יושם באמצעות TensorFlow (גרסה 2.19.0), Keras (גרסה 3.13.2), NumPy (גרסה 2.4.6), Pandas (גרסה 2.3.3), Scikit-learn (גרסה 1.6.1), Matplotlib (גרסה 3.9) ו-SHAP (גרסה 0.51.0). הסביבה החישובית השתמשה במעבד Intel Xeon שפעל בתדר 2.20 GHz עם כ-31GB זיכרון מערכת. הניסויים בוצעו על מערכת הפעלה Ubuntu 22.04 LTS שהשתמשה בכרטיסי NVIDIA Tesla T4 × 2. מערך הנתונים כולל 2,640 תמונות של תכנית קומה למגורים שעברו עיבוד מוקדם וחולקו למערכי הדרכה ובדיקות. מערך הנתונים חולק ביחס חלוקה של 80:20, מה שהוביל ל-2,112 דגימות אימון ו-528 דגימות בדיקה. MobileNetV2, InceptionV3, ResNet101 ו-VGG16 הם ארבעה מודלים של DL שאומנו בגישת כיוונון עדין עם למידת העברה. לאחר מכן נבנה מודל מטא-אנסמבל מבוסס ערימה, CARE-MIRV-Net, לשילוב תחזיות ממודלים בסיסיים אלו. כל דגם אומן בתנאים אחידים, כולל שינוי גודל תמונה ל-224 × 224 פיקסלים, הגדלת נתונים והפסקה מוקדמת להפחתת התאמת יתר. שדרוג נתונים כלל הפיכת נתונים אקראית, סיבוב, זום והעברה. גודל אצווה של 32 ומקסימום 15 תקופות אימונים שימשו, כאשר הפסקה מוקדמת התבססה על אובדן אימות והפחתת קצב למידה אדפטיבית. הניתוח הסופי בוצע על מערך מבחן נסתר כדי לספק הערכה בלתי מוטה ואמינה של ביצועים. מערך הבדיקות הנסתר נוצר במהלך חלוקת מערך הנתונים הראשוני ונשאר מבודד לחלוטין לאורך כל אימון ופיתוח המודלים כדי להבטיח הערכת ביצועים בלתי מוטה.

תיאור מאגר נתונים:

מערך הנתונים התומך בממצאי מחקר זה זמין לציבור בפלטפורמת Kaggle תחת הכותרת "תמונות בתכנית קומה ופרטיהן"²⁸. מערך הנתונים זמין ב: https://www.kaggle.com/datasets/adilmohammed/floor-plan-images-and-their-details (ניגש ב-16 באפריל 2026). הנתונים כוללים 2,640 תמונות בתכנית קומה למגורים ומטא-דאטה אדריכלית מאורגן. כל דוגמה היא תכנית דיור ייחודית, המספקת מגוון רחב של תכניות מגורים בגדלים, תצורות וסידורים מרחביים שונים. גודל מאגר הנתונים מספיק לאימון מבוסס DL ומכיל מגוון דפוסים ארכיטקטוניים. מאגר הנתונים מורכב מתמונה דו-ממדית של תוכנית קומה ותכונות מספריות קשורות המתארות את המאפיינים המבניים של המגורים. תכונות אלו כוללות את שטח השטח הכולל, מספר חדרי השינה, מספר חדרי הרחצה ומספר המוסכים. יתרה מזאת, כל רשומה מכילה נתיב תמונה, המאפשר מיפוי ישיר של קלטים ויזואליים לתוויות. משתני מאגר הנתונים כוללים את תמונת תוכנית הקומה, מסלול התמונה, שטח רבוע, מספר חדרי השינה, מספר חדרי הרחצה ומספר המוסכים. תמונת תכנית הקומה משמשת כתכונת קלט, בעוד שהמאפיינים האדריכליים משמשים כמטרות חיזוי. לכן, מערך הנתונים מתאים ללמידה מפוקחת, כאשר תמונות משמשות כתכונות קלט ותכונות ארכיטקטוניות משמשות כיעדי רגרסיה.

מאגר הנתונים מכיל מגוון רחב של תכניות מגורים, החל מתוכניות קומפקטיות עם פחות חדרים ועד לפריסות גדולות מרובות חדרים. שונות זו מאפשרת למידה של ייצוגים מרחביים משמעותיים, כולל התפלגות חדרים, צפיפות פריסה ומורכבות מבנית. גיוון זה חשוב במיוחד למסגרת המוצעת, שכן הוא תומך בסיווג תוכניות הקומה לתכניות מגורים ידידותיות לקשישים, משולבות עם שירותי בריאות ותוכניות מגורים כלליות. לפני אימון המודלים, מערך הנתונים מעובד באמצעות רצף של פרה-עיבוד כדי להבטיח עקביות ותאימות למודלים של DL. כל התמונות שונו ל-224 × 224 פיקסלים ונרמלו לטווח [0, 1] לפני האימון. מערך הנתונים מאורגן על ידי התאמת מסלולי התמונה למטא-דאטה המתאימים, ולאחר מכן הוא מופרד לתת-קבוצות אימון ובדיקות כדי להקל על ניתוח ביצועים. מערך הנתונים חולק באקראי לקבוצות אימון ובדיקות באמצעות יחס מפוצל של 80:20. רשומות המכילות תמונה מלאה ומידע מטא-דאטה נכללו בניתוח, בעוד שרשומות לא שלמות או לא תקפות הוצאו. במהלך חלוקת מערך הנתונים שימש זרע אקראי קבוע כדי להבטיח שחזוריות. מערך הנתונים מספק בסיס מפורט לניתוח מונחה בינה מלאכותית של תוכניות קומות למגורים. השילוב של 2,640 תמונות עם הערות ותכונות אדריכליות מגוונות תומך במידול רגרסיה מרובה פלטים ומאפשר שילוב של אינטליגנציה מרחבית עם קבלת החלטות עיצוב מגורים המכוון לבריאות.

תוצאות

בוצע סט ניסויים להערכת המסגרת המוצעת באמצעות ארבעה מודלים של DL: MobileNetV2, InceptionV3, ResNet101 ו-VGG16, יחד עם מודל המטא-אנסמבל המוצע CARE-MIRV-Net.

תוצאות רכישת מערכי נתונים ועיבוד מוקדם

שלב העיבוד המוקדם תוכנן להכין את תמונות תוכנית הקומה הגולמיות והמטא-דאטה הקשורים לאימון והערכה באמצעות מודלים של DL. מאגר הנתונים התקבל ממאגר Kaggle וכלל 2,640 דגימות. כל דוגמה כללה תמונת תכנית קומה ותכונות אדריכליות תואמות לה. רק העמודות הרלוונטיות, כולל נתיב התמונה, שטח רבוע, חדרי שינה, חדרי אמבטיה ומוסכים, נשמרו לניתוח נוסף, ורשומות לא שלמות או ריקות הוסרו לשמירה על עקביות ואיכות. כדי להקל על אימון והערכת מודלים, מערך הנתונים חולק לתת-קבוצות אימון ובדיקות ביחס של 80:20, מה שהוביל ל-2,112 דגימות אימון ו-528 דגימות בדיקה. במהלך חלוקת מערך הנתונים שימש זרע אקראי קבוע כדי להבטיח שחזוריות. חלוקה זו הבטיחה שהמודלים יוכשרו על מאגר נתונים גדול מספיק תוך שמירה על מערך בדיקה עצמאי להערכת ביצועים אובייקטיבית. מסלולי התמונה הוסדרו על ידי מיפוי כל רשומה למיקומה המתאים בתיקיית מאגר הנתונים. ארבעת המאפיינים האדריכליים (רגל רבוע, חדרי שינה, חדרי אמבטיה ומוסכים) שימשו כמשתני היעד למשימת הרגרסיה הרב-פלטית. למרות שחדרי שינה, חדרי רחצה ומוסכים הם משתנים נפרדים, הם מודלמו באמצעות מסגרת רגרסיה מרובת פלטים כדי לאפשר חיזוי סימולטני של כל התכונות הארכיטקטוניות בתוך ארכיטקטורת למידה מאוחדת. גישה זו מאפשרת למודל ללכוד קשרים משותפים בין משתני היעד ולנצל מתאמים בין מאפיינים אדריכליים רציפים לדיסקרטיים. הערכים החזויים של תכונות בדידות הומרו למספר השלם התקף הקרוב ביותר במהלך עיבוד לאחר העיבוד לפני פירוש וסיווג פריסת מגורים במורד הזרם.

טבלה 1 מתארת את המאפיינים האדריכליים שחזו המודל המוצע, ומייצגים מאפיינים מרחביים ופונקציונליים מרכזיים של תוכניות קומות למגורים. בוצע ניתוח נתונים חקרני להבנה טובה יותר של התפלגות משתני היעד באמצעות היסטוגרמות והדמיות מבוססות ספירה. התפלגות השטח רציפה עם צפיפויות משתנות, בעוד שהפיזור של חדרי שינה, חדרי אמבטיה ומוסכים מדגישה את התדירות של תצורות מגורים שונות. התפלגויות אלו מוצגות באיור 2. התפלגות השטח מוצגת באיור 2A, בעוד שההתפלגויות של חדרי השינה, חדרי הרחצה והמוסכים מוצגות באיור 2B–2D, בהתאמה. יחד, גרפים אלו ממחישים את השונות וההתפלגות של משתני היעד בתוך מאגר הנתונים.

שם תכונה	תיאור
רגל רבוע	השטח הבנוי הכולל של יחידת המגורים
מיטות	מספר חדרי השינה בפריסה
מרחצאות	מספר חדרי האמבטיה בתכנון
מוסכים	מספר המקומות הזמינים במוסך

טבלה 1: מאפיינים אדריכליים המשמשים כמטרות חיזוי. הגדרות של המאפיינים האדריכליים שהופקו ממאגר הנתונים של תכנית קומה למגורים ושימשו כמשתני יעד לאימון והערכת מודלים. המאפיינים כוללים את שטח השטח הכולל, מספר חדרי השינה, מספר חדרי האמבטיה ומספר חללי המוסך הקשורים לכל תוכנית קומה למגורים.

איור 2. התפלגות המאפיינים האדריכליים במאגר הנתונים של תכנית הקומה למגורים. היסטוגרמות המציגות את התפלגויות (A) שטח רבוע, (B) מספר חדרי שינה, (C) מספר חדרי האמבטיה, ו-(D) מספר המוסכים על פני מאגר הנתונים המשמש לפיתוח והערכת מודלים. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

שלב העיבוד המוקדם של התמונה הפך את כל תמונות תכנית הקומה לפורמט סטנדרטי המתאים למודלים של DL. כל התמונות נטענו, הומרו למרחב צבע RGB, גודלן שונה ל-224 × 224 פיקסלים, ונרמלו לטווח של [0, 1]. תהליך זה הבטיח מידות קלט עקביות ושיפור בהתכנסות המודל במהלך האימון. תמונות מעובדות מראש נלקחו בדגימה אקראית, ותוויות אושרו כדי לאשר עיבוד מוקדם תקין ויישור התוויות. לאחר העיבוד המוקדם, כל תמונה הומרה למערך NumPy והוצמדה עם ערכי היעד המתאימים שלה ליצירת מערך הנתונים של קלט-פלט. מערכי הנתונים שהתקבלו אישרו הכנה מוצלחת של הנתונים, כאשר תמונות אימון בממדים (2112, 224, 224, 3) ותמונות בדיקה בממדים (528, 224, 224, 3). למטריצות התווית המתאימות היו ממדים של (2112, 4) ו-(528, 4), בהתאמה. משתני היעד הומרו לערכי נקודה צפה כדי לתמוך בלמידה מבוססת רגרסיה.

כדי לשפר עוד יותר את הכללת המודל ולהפחית התאמת יתר, יושמו טכניקות להגדלת נתונים באמצעות מחולל נתוני תמונה. טכניקות אלו כללו היפוך אופקי אקראי, סיבוב, זום ושינוי רוחב/גובה כדי להגדיל את השונות בנתוני האימון ולשפר הכללת המודלים. טרנספורמציות אלו הגבירו את השונות בנתוני האימון ואפשרו למודלים ללמוד תכונות מרחביות חזקות ובלתי משתנות יותר. צינור העיבוד המוקדם יצר נתוני תמונה וטבלאות נקיים, סטנדרטיים ומובנים היטב, וסיפקו בסיס מתאים לאימון מסגרת הלמידה העמוקה המטא-אנסמבל המוצעת.

תוצאות מודלים בסיסיים והמודל המוצע

מערך הנתונים המעובד מראש (2,640 תמונות בתכנית קומה) שימש לאימון כל המודלים באמצעות חלוקות אימון ובדיקה. מערך הנתונים חולק ביחס חלוקה של 80:20, מה שהוביל ל-2,112 דגימות אימון ו-528 דגימות בדיקה. השתמשו בזרע אקראי קבוע כדי להבטיח שחזוריות. משקולות מאומנות מראש שימשו ללמידת העברה וכיוונון עדין כדי להתאים את המודלים לתחום ניתוח תוכניות קומה אדריכליות. שיטות הגדלת נתונים שימשו במהלך ההכשרה לשיפור ההכללה, והפסקה מוקדמת שימשה להפחתת התאמת יתר על ידי ניטור ביצועי אימות. המודלים אומנו עם גודל אצווה של 32 יחידות עד 15 אפוקים, עם עצירות מוקדמות כדי למנוע התאמת יתר ולקדם התכנסות יעילה. הפסקה מוקדמת עקבה אחרי אובדן האימות והפסיקה את האימון כאשר לא נצפה שיפור נוסף, בעוד שהפחתת קצב הלמידה האדפטיבית יושמה לשיפור ההתכנסות. גם אובדן וגם MAE שימשו למעקב אחר תהליך האימון ולהערכת התנהגות ההתכנסות ויציבות. כל המודלים אומנו באותם תנאים ניסיוניים כדי להבטיח השוואה הוגנת. איורים 3–7 מציגים את אובדן האימון והאימות ועקומות MAE לכל המודלים, ומספקים תובנות לדינמיקת הלמידה שלהם ולהתנהגות ההכללה שלהם.

איור 3. ביצועי האימון של MobileNetV2. (א) אובדן אימון ואימות בין תקופות האימון. (ב) אימון ואימות משמעותם שגיאה מוחלטת (MAE) בין תקופות האימון. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור 4. ביצועי האימון של InceptionV3. (א) אובדן אימון ואימות בין תקופות האימון. (ב) אימון ואימות משמעותם שגיאה מוחלטת (MAE) בין תקופות האימון. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור 5. ביצועי אימון של ResNet101. (א) אובדן אימון ואימות בין תקופות האימון. (ב) אימון ואימות משמעותם שגיאה מוחלטת (MAE) בין תקופות האימון. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור 6. ביצועי האימון של VGG16. (א) אובדן אימון ואימות בין תקופות האימון. (ב) אימון ואימות משמעותם שגיאה מוחלטת (MAE) בין תקופות האימון. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור 7. ביצועי ההכשרה של CARE-MIRV-Net. (א) אובדן אימון ואימות בין תקופות האימון. (ב) אימון ואימות משמעותם שגיאה מוחלטת (MAE) בין תקופות האימון. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

ביצועי האימון של MobileNetV2 מוצגים באיור 3. עקומות אובדן האימון והאימות מוצגות באיור 3A, בעוד שעקומות MAE האימון והאימות מוצגות באיור 3B. אובדן אימון ו-MAE ירדו בהדרגה עם עליית תקופות, מה שמעיד על התנהגות למידה יציבה. עקומות האימות הציגו שונות רבה יותר ונשארו גבוהות יחסית מעקומות האימון, מה שמרמז על ירידה בביצועי הכללה. מגמה זו תואמת את התוצאות הכמותיות, שבהן MobileNetV2 הראה ביצועים חיזויים נמוכים יחסית, במיוחד בחיזוי שטח רבוע. ביצועי האימון של InceptionV3 מוצגים באיור 4. עקומות אובדן האימון והאימות מוצגות באיור 4A, בעוד שעקומות MAE של האימון והאימות מוצגות באיור 4B. המודל הראה ירידה מתמדת הן באובדן האימון והן באובדן האימות וב-MAE, עם הבדל קטן בלבד בין העקומות. התנהגות זו מרמזת על למידה יעילה והכללה יחסית טובה. עקומות האימות היציבות מצביעות על כך שהמודל תפס תכונות מרחביות רב-קניות, מה שתרם לשיפור הביצועים בהשוואה ל-MobileNetV2. התנהגות האימון של ResNet101 מוצגת באיור 5. עקומות אובדן האימון והאימות מוצגות באיור 5A, בעוד שעקומות MAE של האימון והאימות מוצגות באיור 5B. המודל הראה ירידה הדרגתית באובדן האימון וב-MAE, בעוד שעקומות האימות עקבו אחרי מגמה דומה עם תנודות קלות. למרות שנצפתה תנודות מסוימות, ההתכנסות הכוללת נותרה יציבה. תצפיות אלו תואמות את יכולת המודל ללמוד ייצוגים מרחביים היררכיים באמצעות למידה שאריתית. ביצועי האימון של VGG16 מוצגים באיור 6. עקומות אובדן האימון והאימות מוצגות באיור 6A, בעוד שעקומות האימון והאימות של MAE מוצגות באיור 6B.

עקומות האימון של VGG16 הראו ירידה מתמשכת לאורך כל האימון, מה שמעיד על למידה אפקטיבית. עקומות האימות הציגו תנודות והפרדה קלה מעקומות האימון, מה שמרמז על התאמת יתר קלה. למרות זאת, המודל נשאר תחרותי, במיוחד מבחינת שטח וגראז', מה שמעיד שהייצוגים של התכונות הנלמדות שלו נותרו יעילים ויציבים.

ביצועי האימון של CARE-MIRV-Net מוצגים באיור 7. עקומות אובדן האימון והאימות מוצגות באיור 7A, בעוד שעקומות האימון והאימות של MAE מוצגות באיור 7B. אובדן האימון והאימות ועקומות ה-MAE ירדו בצורה חלקה ועקבית, עם הבדל קטן בלבד ביניהם. התנהגות זו מצביעה על התכנסות חזקה והכללה טובה. בהשוואה למודלים הבודדים, מסגרת המטה-אנסמבל יצרה התנהגות למידה יציבה יותר והפחתת שונות. בסך הכל, השוואת עקומות האימון מצביעה על כך שלמרות שהמודלים האישיים הראו מאפייני התכנסות והכללה שונים, CARE-MIRV-Net הציגה את התנהגות האימון העקבית ביותר מבין המודלים שנבדקו.

השוואה מפורטת של ביצועי החיזוי של MobileNetV2, InceptionV3, ResNet101, VGG16 ומודל CARE-MIRV-Net המוצע מוצגת בטבלה 2. הביצועים הוערכו באמצעות MAE ו-R² בארבעה משתני יעד: שטח מטרה, מספר חדרי שינה, מספר חדרי אמבטיה ומספר מוסכים. מדדים אלו מספקים מדדים משלימים לדיוק החיזוי ולביצועים הסבריים.

מודל	רגל רבוע		מיטות		מרחצאות		מוסכים
	מיי	R²	מיי	R²	מיי	R²	מיי	R²
MobileNetV2	881.653	0.1327	0.6873	0.3154	0.6552	0.3457	0.3977	0.1133
התחלה V3	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 (מוצע)	432.488	0.7053	0.4343	0.6837	0.3689	0.7605	0.1697	0.6958

טבלה 2: השוואת ביצועים של מודלים בסיסיים ו-CARE-MIRV-Net. השוואת ביצועי החיזוי עבור MobileNetV2, InceptionV3, ResNet101, VGG16 ומודל CARE-MIRV-Net המוצע על פני ארבעה מאפיינים אדריכליים: שטח רבוע, מספר חדרי שינה, מספר חדרי אמבטיה ומספר מוסכים. הביצועים מדווחים באמצעות שגיאת ממוצעת מוחלטת (MAE) ומקדם הקביעה (R²). ערכי MAE נמוכים יותר מצביעים על שגיאת חיזוי נמוכה יותר, בעוד שערכי R² גבוהים יותר מצביעים על הסכמה חזקה יותר בין ערכים חזויים לערכים בפועל.

המודלים האישיים הראו רמות ביצועים שונות בין משתני היעד. MobileNetV2 הציגה את הביצועים הנמוכים ביותר בסך הכל, במיוחד מבחינת תחזית שטח, עם MAE של 881.6530 וערך^{R 2} של 0.1327. הביצועים של חדרי אמבטיה ומוסכים היו גם הם נמוכים יחסית, מה שמעיד על מגבלות בלכידת יחסים מרחביים מורכבים כאשר משתמשים בהם כמודל עצמאי.

InceptionV3 הראה ביצועים חזקים ברוב המשתנים היעדים, במיוחד חדרי אמבטיה וחדרי שינה, עם ערכי R² של 0.7459 ו-0.6708, בהתאמה. תוצאות אלו מצביעות על לכידה אפקטיבית של מאפיינים מרחביים רב-קנאליים. ResNet101 גם הפגינה ביצועים תחרותיים דרך הארכיטקטורה העמוקה שלו, שאפשרה למידה של ייצוגים מרחביים היררכיים. עם זאת, ביצועיו נותרו מעט נמוכים יותר מאלו של InceptionV3 בכמה משתנים, כולל תחזית שטח השטח. VGG16 סיפק ביצועים מאוזנים יחסית בכל משתני היעד והשיג את ערך R² הגבוה ביותר (0.7256) בין הדגמים הבודדים.

מסגרת CARE-MIRV-Net המוצעת עלתה על המודלים הבודדים ברוב המשימות שנבדקו. CARE-MIRV-Net השיגה את ה-MAE הנמוך ביותר (432.488) תוך שמירה על ערך^R2 של 0.7053. לחיזוי חדר השינה, המודל השיג ערך^{R 2} של 0.6837. לחיזוי חדר האמבטיה, CARE-MIRV-Net השיג את ערך R² הגבוה ביותר (0.7605) מבין כל המודלים שנבדקו. באופן דומה, בחיזוי מוסך, המודל השיג את ה-MAE הנמוך ביותר (0.1697) ואת ערך R² הגבוה ביותר (0.6958). תוצאות אלו מצביעות על כך שמסגרת המטה-אנסמבל שילבה ביעילות את החוזקות המשלימות של הארכיטקטורות הבודדות. התוצאות מצביעות על כך ששילוב תחזיות ממספר מודלים מפחית מגבלות ספציפיות למודל ושיפר את ביצועי החיזוי הכוללים. הממצאים מראים כי CARE-MIRV-Net סיפק ביצועים חיזויים מאוזנים בכל משתני היעד שנבדקו. ההערכה הממוקדת בטיפול רפואי המוצגת במחקר זה צריכה להתפרש כסיווג מוכוון יישום המקורו במסגרת קבלת החלטות מבוססת כללים ומתכונות זמינות של תכנית קומה, ולא כהערכת בריאות מאומתת קלינית.

כדי להעריך את הביצועים החזויים, בוצע ניתוח שגיאות שאריות לכל משתני היעד, כולל שטח, חדרי שינה, חדרי רחצה ומוסכים. גרפים שאריתיים מספקים תובנות לגבי התפלגויות שגיאות חיזוי על ידי הצגת ההבדלים בין ערכים חזויים לערכים שנצפו. באופן אידיאלי, השאריות צריכות להיות מפוזרות באקראי סביב אפס, מה שמעיד על הטיה שיטתית מוגבלת והכללה טובה.

איור 8 מציג את הגרף השאריתי לחיזוי שטח הרגל המרובע. רוב השאריות היו מקובצות סביב אפס, מה שמעיד על תחזיות מדויקות יחסית לרוב הדגימות. עם זאת, נצפו פיזור גדול יותר ומספר חריגים בערכי שטח חזויים גדולים יותר. תצפיות אלו מצביעות על כך שהשונות בתחזית עלתה עבור פרייסות מגורים גדולות יותר.

איור 8. ניתוח שאריתי לחיזוי שטח רגל מרובע. תרשים פיזור המציג שגיאות שאריות כפונקציה של ערכי שטח חזויים. הקו האופקי מצביע על שגיאה שאריתית אפס. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

התפלגות השיוריות לחיזוי חדר שינה מוצגת באיור 9. השאריות היו בדרך כלל מרוכזות סביב אפס, כאשר הדפוס האלכסוני שיקף את אופיו הדיסקרטי של משתנה חדר השינה. טווח השאריות הצר יחסית מצביע על ביצועים חיזויים עקביים, ללא הטיה שיטתית ברורה. איור 10 מציג את הגרף השארי לחיזוי חדר האמבטיה. השאריות נשארו מרוכזות סביב אפס אך הפגינו פיזור מעט גדול יותר מאלו שנצפו לחיזוי חדר השינה. דפוס הפסים הנראה תואם את הטבע הדיסקרטי של המשתנה המטרה. כמה חריגים היו גם הם בערכים החזויים הגבוהים יותר.

איור 9. ניתוח שאריות לחיזוי חדר השינה. גרף פיזור המציג שגיאות שאריות כפונקציה של ערכי חדר שינה חזויים. הקו האופקי מצביע על שגיאה שאריתית אפס. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור 10. ניתוח שאריות לחיזוי חדר האמבטיה. תרשים פיזור המראה שגיאות שאריות כפונקציה של ערכי חדר האמבטיה החזויים. הקו האופקי מצביע על שגיאה שאריתית אפס. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

הניתוח השאריתי לחיזוי מוסך מוצג באיור 11. הערכים השאריים נשארו מרוכזים סביב אפס והציגו שונות נמוכה יחסית בהשוואה לשאר משתני היעד. הטווח המוגבל והנפרד של ערכי המוסך יצר דפוסים ליניאריים מובחנים בתוך המגרש. התפלגות השאריות הצרה מצביעה על ביצועים חיזויים עקביים יחסית עבור משתנה זה.

איור 11. ניתוח שאריות לחיזוי מוסך. תרשים פיזור המציג שגיאות שאריות כפונקציה של ערכי מוסך חזויים. הקו האופקי מצביע על שגיאה שאריתית אפס. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

בסך הכול, הניתוחים השאריים מראים כי CARE-MIRV-Net יצר תחזיות שהתרכזו בדרך כלל סביב אפס בכל משתני היעד. למרות שנצפו שונות וחריגות מסוימות, במיוחד בחיזוי שטח הרגל המרובע, התפלגויות השאריות הכוללות תומכות בעקביות בביצועי החיזוי של המודל לאורך מאגר הנתונים המוערך.

תוצאות ניתוח בינה מלאכותית מוסבר באמצעות SHAP

כדי לשפר את הפרשנות של מסגרת CARE-MIRV-Net המוצעת, שולבה גישה של בינה מלאכותית מוסברת באמצעות SHAP. SHAP היא שיטה תיאורטית של משחקים שמסבירה תחזיות מודל על ידי הקצאת ערכי חשיבות תכונה המבוססים על ערכי שפלי. כאשר יושם על מודל המטה-אנסמבל המוצע, SHAP שימש לבחינת התרומה של כל מודל בסיס לתוצאה הסופית של המטה-לומד. הקלט למטא-מודל כלל תחזיות מחוברות מארבעה מודלים בסיסיים—InceptionV3, MobileNetV2, ResNet101 ו-VGG16—שהובילו למרחב תכונות 16 ממדי. כל מאפיין ייצג תכונה אדריכלית חזויה (שטח רבוע, חדרי שינה, חדרי אמבטיה או מוסכים) שנוצרה על ידי מודל בסיס מסוים. פירוש תכונות אלו בוצע על ידי בחירת תת-קבוצה אקראית של נתוני המטה-אימון כהתפלגות הרקע ותת-קבוצה קטנה יותר של דגימות בדיקה ליצירת הסברים לשיפור היעילות החישובית.

גרסאות עם פלט יחיד של המטה-מודל נוצרו כדי לבודד ולנתח תרומות תכונות לכל משתנה יעד באופן עצמאי. ה-SHAP KernelExplainer יושם כפי שתואר קודם ובקובץ המשלים 1 כדי להעריך תרומות תכונות ולפרש את התחזיות של המסגרת המוצעת. ערכים אלו שימשו לכימות מידת תרומה חיובית או שלילית של כל תחזית מודל בסיס לתוצאה הסופית. בהתבסס על ניתוח SHAP, CARE-MIRV-Net לא הסתמכה אך ורק על לומד בסיס יחיד, אלא הקצתה רמות שונות של חשיבות למודלים שונים בהתאם למשתנה היעד ולמאפייני הקלט. תצפיות אלו מצביעות על כך שגישת האנסמבל המבוססת על ערימה השתמשה במידע משלים ממספר מודלים בסיסיים.

איורים 12–15 מציגים גרפים סיכומים של SHAP עבור ארבעת המשתנים היעדים: שטח שטח, חדרי שינה, חדרי אמבטיה ומוסכים. גרפים אלו מספקים תובנות כיצד המטא-מודל CARE-MIRV-Net השתמש בתחזיות של לומדים בסיסיים בודדים. בכל גרף, הציר האופקי מייצג ערכי SHAP (תרומות תכונות), בעוד שסולם הצבע מייצג את גודל התכונה מערכים נמוכים לערכים גבוהים.

איור 12. תרשים סיכום של SHAP לחיזוי שטח. תרשים סיכום SHAP המראה את תרומת תחזיות מודל הבסיס להערכת שטח על ידי המטא-לומד CARE-MIRV-Net. המאפיינים מדורגים לפי חשיבות. צבע הנקודה מציין את ערך התכונה, והמיקום האופקי מציין את תרומת SHAP לחיזוי. SHAP, SHapley הסברים תוספתיים. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור 13. תרשים סיכום של SHAP לחיזוי חדר השינה. תרשים סיכום SHAP המראה את תרומת תחזיות מודל הבסיס להערכת חדר שינה על ידי המטא-לומד CARE-MIRV-Net. המאפיינים מדורגים לפי חשיבות. צבע הנקודה מציין את ערך התכונה, והמיקום האופקי מציין את תרומת SHAP לחיזוי. SHAP, SHapley הסברים תוספתיים. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור 14. תרשים סיכום SHAP לחיזוי חדר האמבטיה. תרשים סיכום SHAP המראה את תרומת תחזיות מודל הבסיס להערכת חדר האמבטיה על ידי המטא-לומד CARE-MIRV-Net. המאפיינים מדורגים לפי חשיבות. צבע הנקודה מציין את ערך התכונה, והמיקום האופקי מציין את תרומת SHAP לחיזוי. SHAP, SHapley הסברים תוספתיים. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור 15. גרף סיכום SHAP לחיזוי המוסך. גרף סיכום SHAP המראה את תרומת תחזיות מודל הבסיס להערכת מוסך על ידי המטא-לומד CARE-MIRV-Net. המאפיינים מדורגים לפי חשיבות. צבע הנקודה מציין את ערך התכונה, והמיקום האופקי מציין את תרומת SHAP לחיזוי. SHAP, SHapley הסברים תוספתיים. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור 12 מציג את סיכום SHAP לחיזוי שטח. תכונות כמו Mob_SF, Res_SF ו-Inc_SF הציגו תרומות SHAP גדולות יחסית מתכונות אחרות, מה שמעיד כי תחזיות שנוצרו על ידי MobileNetV2, ResNet101 ו-InceptionV3 תרמו משמעותית להערכת שטח. ערכי תכונה גבוהים יותר (אדום) נקשרו בדרך כלל לעלייה בשטח החזויה, בעוד שערכי תכונה נמוכים יותר (כחול) היו קשורים לתחזיות נמוכות יותר. מאפיינים הקשורים לחדר שינה ולחדרי אמבטיה הציגו תרומות קטנות יחסית, מה שמעיד כי חיזוי שטח השטח הושפע בעיקר מתחזיות הקשורות לשטח שנוצרו על ידי מודלי הבסיס.

איור 13 מציג את ניתוח SHAP לחיזוי חדר השינה. תכונות כמו Res_Beds, VGG_Beds ו-Inc_Beds הציגו תרומות גבוהות יחסית מתכונות אחרות, מה שמעיד כי תחזיות מ-ResNet101, VGG16 ו-InceptionV3 השפיעו על קביעת תחזית חדר השינה הסופית. ערכי SHAP התפזרו סביב אפס, מה שמרמז שהמטא-מודל שילב מידע ממקורות מרובים במקום להסתמך על מנבא דומיננטי אחד. מאפיינים הקשורים למוסכים ולשטח שטח הציגו תרומות קטנות יחסית.

איור 14 מציג את סיכום SHAP לחיזוי חדרי השירותים. מאפיינים כמו VGG_Baths, Inc_Baths ו-Mob_Baths הראו תרומות גבוהות יחסית, מה שמעיד כי תחזיות מ-VGG16, InceptionV3 ו-MobileNetV2 תרמו משמעותית להערכת חדרי השירותים. התפלגות ערכי SHAP מרמזת כי תחזיות מוגברות ממודלים בסיסיים אלו היו קשורות להשפעה גדולה יותר על התחזית הסופית. התרומות הופיעו באופן רחב יותר בין מודלים מאשר עבור משתני יעד אחרים.

איור 15 מציג את ניתוח SHAP לחיזוי מוסך. מאפיינים כמו Mob_Garages, Inc_Garages ו-VGG_Garages הראו תרומה יחסית חזקה לתחזית הסופית. הגרף מראה כי תחזיות הקשורות למוסך ממספר מודלים בסיסיים תרמו לתוצאה הסופית, עם הפרדה ברורה בין תרומות תכונות בעלות ערך נמוך לגבוה יותר. ההתפשטות הרחבה יותר של ערכי SHAP מרמזת על רגישות מוגברת של המטא-מודל לתכונות חיזוי הקשורות למוסך.

בסך הכול, ניתוח SHAP הראה כי מסגרת CARE-MIRV-Net המוצעת שילבה תרומות של מספר לומדים בסיסיים בעת יצירת תחזיות סופיות. התוצאות מספקות מבט פרשי על ההשפעה היחסית של תחזיות מודל בודדות על פני ארבעת משתני היעד האדריכליים ותומכות בהבנת תהליך קבלת ההחלטות של המטה-אנסמבל.

תוצאות סיווג תכנון מגורים

דוגמאות מייצגות לתוצאות סיווג פריסת המגורים מוצגות באיורים 16–18. דוגמאות אלו ממחישות את יישום שכבת ההחלטה מבוססת הכללים על המאפיינים האדריכליים שחזו במסגרת CARE-MIRV-Net. איור 16 מציג דוגמה המסווגת כפריסת טיפול רפואי, איור 17 מציג דוגמה המסווגת כפריסת מגורים כללית, ואיור 18 מציג דוגמה המסווגת כפריסת טיפול בקשישים. הדוגמאות מראות כיצד תכונות ארכיטקטוניות חזויות מתורגמות לקטגוריות מגורים ברמת היישום באמצעות כללי ההחלטה המוגדרים מראש המתוארים בסעיף הפרוטוקול. דוגמאות אלו צריכות להתפרש כתוצאות המחשה של מסגרת הסיווג המבוססת על כללים, הנגזרת מתכונות תכנית הקומה החזויה ומקריטריוני החלטה מוגדרים מראש, ולא כסיווגים קליניים או רפואיים מאומתים באופן עצמאי.

איור 16. דוגמה מייצגת מסווגת כפריסת מגורים רפואית. דוגמה לתמונת תוכנית קומה למגורים שהוערכה על ידי המסגרת המוצעת והוקצתה לקטגוריית טיפול רפואי בהתבסס על המאפיינים האדריכליים החזויים וקריטריוני סיווג מבוססי כללים. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור 17. דוגמה מייצגת מסווגת כפריסת מגורים כללית. דוגמה לתמונת תכנית קומה למגורים שהוערכה על ידי המסגרת המוצעת והוקצתה לקטגוריית המגורים הכללית בהתבסס על המאפיינים האדריכליים החזויים וקריטריוני סיווג מבוססי כללים. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור 18. דוגמה מייצגת מסווגת כמבנה מגורים לטיפול בקשישים. דוגמה לתמונת תכנית קומה למגורים שהוערכה על ידי המסגרת המוצעת והוקצתה לקטגוריית הטיפול בקשישים בהתבסס על המאפיינים האדריכליים החזויים וקריטריוני סיווג מבוססי כללים. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

דוגמה מייצגת המוצגת באיור 16 מראה שהמודל חזה שטח של 2233.16 רגל רבוע לעומת הערך האמיתי של 2268.00, מה שמעיד על טעות חיזוי יחסית קטנה. באופן דומה, הערכים החזויים לחדרי שינה (3.23 לעומת 3), חדרי אמבטיה (2.65 לעומת 2) ומוסכים (1.11 לעומת 1) היו קרובים לערכי האמת הקרקעית המתאימים. בהתבסס על התכונות החזויות הללו, שכבת ההחלטה מבוססת הכללים סיווגה את הפריסה כטיפול רפואי. דוגמה זו ממחישה כיצד המסגרת מיישמת תכונות ארכיטקטוניות צפויות ליצירת סיווגים ברמת יישום.

דוגמה שנייה המוצגת באיור 17 מדגימה תכנון שמסווג כשימוש מגורים כללי. השטח החזוי (1692.76) היה נמוך מהערך האמיתי (1879.00), בעוד שמספר חדרי השינה, חדרי הרחצה והמוסכים החזויים נשאר קרוב לערכי האמת הקרקעית המתאימים. בהתבסס על המאפיינים האדריכליים החזויים, שכבת ההחלטה הקצתה את הפריסה לקטגוריית המגורים הכללית. דוגמה זו מדגימה את יישום מסגרת הסיווג על פריסת מגורים בגודל בינוני, למרות סטיות קלות בתחזיות האישיות.

איור 18 מציג פריסת מגורים קומפקטית עם שטח אמיתי של 981.00 ושטח חזוי של 1076.17. הערכים החזויים לחדרי שינה (1.99 לעומת 2), חדרי אמבטיה (1.75 לעומת 2) ומוסכים (0.98 לעומת 1) היו גם הם קרובים לערכי האמת הקרקעית המתאימים. בהתבסס על התכונות החזויות, שכבת ההחלטה סיווגה את הפריסה כטיפול בקשישים. דוגמה זו ממחישה את יישום כללי הסיווג המוגדרים מראש על פריסות המאופיינות בשטחי רצפה קטנים יותר ובפחות חדרים.

בסך הכל, הדוגמאות המייצגות מדגימות את השילוב של חיזוי תכונות אדריכליות וסיווג פריסת מגורים מבוססת כללים במסגרת CARE-MIRV-Net. בין הדוגמאות המוצגות באיורים 16–18, המאפיינים האדריכליים החזויים היו בדרך כלל תואמים לערכי האמת הקרקעית המקבילים, ותמכו בשימוש במסגרת המוצעת לניתוח תוכניות קומה אוטומטי וסיווג ברמת היישום.

זמינות נתונים:

מאגר הנתונים ששימש במחקר זה זמין לציבור דרך מאגר Kaggle²⁸, שכותרתו "תמונות תכנית קומה ופרטיהן", וניתן לגשת אליו בכתובת: https://www.kaggle.com/datasets/adilmohammed/floor-plan-images-and-their-details. כל הניתוחים שדווחו במחקר זה נערכו באמצעות נתונים שהתקבלו ממקור נגיש לציבור זה. קוד המקור, תיעוד המימוש ומידע על תצורת הסביבה הנדרש לשחזור התוצאות המדווחות מסופקים בקובץ משלים 1.

קובץ משלים 1. חבילת יישום CARE-MIRV-Net. קובץ זה מכיל את קוד המקור, תיעוד README, מפרטי תלות תוכנה, מידע סביבתי וסקריפטי יישום הנדרשים לשחזור תהליך העבודה של CARE-MIRV-Net. אנא לחצו כאן להורדת הקובץ הזה.

קובץ משלים 2. אלגוריתם לניתוח תכנית קומה למגורים ב-CARE-MIRV-Net. קובץ זה מספק אלגוריתם 1, הכולל עיבוד נתונים מוקדם, חיזוי מודל בסיס, שרשור מטא-תכונות, חיזוי מטא-אנסמבל, סיווג שכבת החלטות, הסבר מבוסס SHAP, וזרימת עבודה במדדי הערכה ששימשו במחקר. אנא לחצו כאן להורדת הקובץ הזה.

דיון

מחקר זה מציג את CARE-MIRV-Net, מסגרת DL מבוססת סטאקינג מטא-אנסמבל לניתוח אוטומטי של תמונות תכנית קומה למגורים. המסגרת משלבת ארבע ארכיטקטורות משלימות של CNN — MobileNetV2, InceptionV3, ResNet101 ו-VGG16 — כדי לחזות תכונות אדריכליות מרכזיות, כולל שטח שטח, מספר חדרי שינה, חדרי רחצה ומוסכים. תחזיות אלו משולבות לאחר מכן באמצעות מטא-לומד ומשמשות בשכבת החלטה מבוססת כללים כדי לסווג את פריסת המגורים לקטגוריות טיפול בקשישים, טיפול רפואי או מגורים כלליים. השילוב של מידול חזוי, למידה קבוצתית ובינה מלאכותית מוסברת מספק מסגרת מאוחדת לניתוח תוכניות קומה למגורים 3,7,17,20.

התוצאות המייצגות מראות כי CARE-MIRV-Net השיג ביצועים חיזויים משופרים בהשוואה למודלים הבסיסיים הבודדים במספר מאפיינים אדריכליים. מסגרת האנסמבל בדרך כלל הפחיתה שגיאות חיזוי ושיפרה את R², מה שמרמז ששילוב של ארכיטקטורות CNN הטרוגניות יכול לשפר עמידות חיזוי^12,20. בנוסף, שילוב SHAP אפשר פרשנות של התרומה היחסית של מודלי הבסיס הבודדים לתחזיות הסופיות, ובכך הגדיל את שקיפות המודל^11,17. לכן, המסגרת עשויה לספק גישה שימושית למחקרים הדורשים גם ביצועים חיזויים וגם פרשנות מודל.

המסגרת המוצעת עשויה לתרום לקידום מחקר הכולל ניתוח אדריכלי אוטומטי, הערכת תכנון מגורים ומערכות תמיכה בהחלטות מבוססות נתונים. על ידי שילוב חיזוי ריבוי פלטים עם קטגוריזציה ברמת יישום, המסגרת חורגת מעבר לשיטות המסורתיות של זיהוי תוכניות קומה או חילוץ תכונות. המתודולוגיה עשויה להיות רלוונטית במחקרים העוסקים בתכנון מגורים, סביבות דיור חכמות והערכת תכנון מרחבי 1,2,8,22. עם זאת, יש לשקול מספר מגבלות. ראשית, המסגרת פותחה והוערכה באמצעות מערך נתונים ציבורי יחיד, ולא בוצעה אימות חיצוני על מערכי נתונים עצמאיים. במחקר הנוכחי לא בוצע אימות חיצוני, והערכת המודל בוצעה באמצעות תת-הקבוצה המיועדת של המבחנים שנגזרה ממאגר הנתונים הציבורי. שנית, קטגוריות המגורים שנוצרות על ידי המסגרת נגזרות מקריטריונים מבוססי כללים מוגדרים מראש ולא מתוויות עיצוב בריאות מאומתות באופן עצמאי. הקטגוריות של טיפול בקשישים, טיפול רפואי ומגורים כלליים שנוצרות על ידי המסגרת נגזרות מקריטריונים מבוססי כללים מוגדרים מראש ואין לפרש אותן כהערכות עיצוב בריאות מאומתות קלינית. שלישית, המסגרת מתבססת בעיקר על מאפיינים אדריכליים שמקורם בתמונות תוכנית קומה ואינה משלבת סטנדרטים עיצוביים ספציפיים לבריאות, קריטריוני נגישות או מדדי תוצאה ממוקדי דייר. לא נעשה שימוש בסטנדרטים פורמליים של נגישות, עיצוב בריאות או עיצוב מגורים כדי להגדיר את כללי הסיווג. במקום זאת, מסגרת הסיווג פותחה תוך שימוש במאפייני תוכנית הקומה הזמינים וקריטריוני החלטה מונחי יישום. עבודות עתידיות עשויות לכלול אימות חיצוני על מערכי נתונים עצמאיים, שילוב תקני נגישות ועיצוב בריאות פורמליים, והערכה באמצעות מדדי תוצאה נוספים וממוקדי דיירים כדי לשפר עוד יותר את היישום וההכללה של המסגרת.

גישות חלופיות עשויות גם לשמש לחקירת אותה השערה. לדוגמה, ניתן ליישם מודלים מבוססי שנאי, ייצוגים מרחביים מבוססי גרף או ארכיטקטורות DL היברידיות כדי ללכוד קשרים מרחביים בתוך פריסות מגורים 13,15,19. באופן דומה, מסגרות סיווג המבוססות על מערכי נתונים מסומנים על ידי מומחים או תקני עיצוב בריאות עשויות לספק שיטות חלופיות להערכת פריסת מגורים ^8,22. למרות ששיטות אלו עשויות להציע יתרונות משלימים, מסגרת CARE-MIRV-Net המוצעת מדגימה את היתכנות שילוב ארכיטקטורות CNN מרובות במסגרת אנסמבל מבוססת ערימה לחיזוי ריבוי פלטים וסיווג פריסת מגורים.

עבודות עתידיות עשויות להתמקד בהרחבת המסגרת לתמיכה בהיגיון מרחבי מתקדם יותר וביישום רחב יותר בעולם האמיתי. כיוונים פוטנציאליים כוללים שילוב ייצוגים מבוססי גרף של תכניות קומה לקישוריות חדרי מודל, הערכת ארכיטקטורות מבוססות Vision Transformer (ViT) לצורך חילוץ תכונות, ופיתוח אסטרטגיות סיווג רב-מחלקיות או רב-תוויות 13,15,18. בנוסף, מחקרים עתידיים עשויים לשלב מאפייני עיצוב ספציפיים לבריאות, תקני נגישות ומאגרי נתונים עצמאיים לאימות כדי להעריך את יישום המסגרת בסביבות מגורים ממוקדות בריאות ^8,22. המסגרת עשויה להיות מותאמת גם לשילוב בתוך פלטפורמות עיר חכמה ומערכות תמיכה בהחלטות לתכנון מגורים ^1,2.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה

שם	חברה	מספר קטלוג	הערות
חבילת יישום CARE-MIRV-Net	קובץ משלים 1	גרסה 1.0	לא חל
סקריפטים להפקת תרשים ושולחן מחדש	קובץ משלים 1	גרסה 1.0	לא חל
תמונות תוכנית קומה והמאפיינים שלהן ערכת נתונים	Kaggle	ערכת נתונים ציבורית	לא חל
GPU	חברת NVIDIA	Tesla T4 × 2	לא חל
מעבד Intel Xeon	חברת Intel	2.20 GHz	לא חל
Keras	צוות Keras	גרסה 3.13.2	לא חל
Matplotlib	צוות פיתוח Matplotlib	גרסה 3.9	RRID:SCR_008624
NumPy	מפתחי NumPy	גרסה 2.4.6	RRID:SCR_008633
מערכת הפעלה	לינוקס	Ubuntu 22.04 LTS	לא חל
Pandas	צוות פיתוח Pandas	גרסה 2.3.3	RRID:SCR_018214
Python	קרן התוכנה Python	גרסה 3.12.12	RRID:SCR_008394
Scikit-learn	מפתחי Scikit-learn	גרסה 1.6.1	RRID:SCR_002577
SHAP	צוות פיתוח SHAP	גרסה 0.51.0	לא חל
זיכרון מערכת (RAM)	סביבת עיבוד ענן	31 GB	לא חל
TensorFlow	Google	גרסה 2.19.0	RRID:SCR_016345
קובץ תצורת סביבת האימון	קובץ משלים 1	גרסה 1.0	לא חל