Przewidywanie oparte na głębokim uczeniu atrybutów planu piętra mieszkania dla oceny mieszkań dla osób starszych

Podsumowanie

Ten protokół opisuje przepływ pracy z meta-ensemble z użyciem głębokiego uczenia się do zautomatyzowanej analizy obrazów planów mieszkań. Procedura obejmuje przetwarzanie danych, przewidywanie atrybutów architektonicznych za pomocą wielu złożonych sieci neuronowych, uczenie zespołowe oparte na stosowaniu, klasyfikację mieszkaniową opartą na zasadach oraz analizę wyjaśnialności za pomocą SHapley Additive exPlanations w celu wsparcia oceny układu mieszkania.

Streszczenie

Rosnące zapotrzebowanie na inteligentne rozwiązania mieszkaniowe dla starzejącej się populacji zwiększyło potrzebę automatycznych metod analizy planów mieszkań. Konwencjonalne podejścia do oceny architektonicznej są często manualne, czasochłonne i trudne do skalowania, co podkreśla potrzebę technik opartych na sztucznej inteligencji, które mogą interpretować układy przestrzenne i wspierać ocenę projektowania mieszkaniowego. Niniejszy protokół opisuje meta-ensemble'ową ramę uczenia głębokiego dla zautomatyzowanej analizy obrazów planów mieszkań. Proponowany framework CARE-MIRV-Net integruje cztery uzupełniające się sieci neuronowe konwolucyjne—MobileNetV2, InceptionV3, ResNet101 i VGG16—aby przewidywać atrybuty architektoniczne, w tym powierzchnię, liczbę sypialni, łazienek i garaży. Przewidywania z modeli bazowych są łączone za pomocą meta-ensemble'owego modelu opartego na stosowaniu i następnie używane w warstwie decyzyjnej opartej na regułach do klasyfikacji układów mieszkaniowych jako opieki nad osobami starszymi, opieki medycznej lub ogólnego mieszkania. Ocena eksperymentalna wykazała solidną wydajność predykcyjną dla wielu zmiennych docelowych. Proponowany model osiągnął średni bezwzględny błąd (MAE) wynoszący 432,48 i współczynnik determinacji (R²) wynoszący 0,7053 dla przewidywania powierzchni. Dla przewidywania liczby łazienek, framework osiągnął R² wynoszący 0,7605, podczas gdy przewidywanie garaży dało najniższy MAE wynoszący 0,1697 i najwyższy R² wynoszący 0,6958. Analizy jakościowe dodatkowo wykazały zdolność frameworku do generowania przewidywań atrybutów architektonicznych i wspierania oceny układów mieszkaniowych ukierunkowanych na aplikacje. Aby zwiększyć przejrzystość i interpretowalność, SHapley Additive exPlanations zostały włączone, aby sprecyzować wkład każdego modelu bazowego do ostatecznych przewidywań. Proponowany framework zapewnia interpretowalne i skalowalne podejście do analizy planów mieszkań i wsparcia decyzyjnego.

Wprowadzenie

Szybki rozwój technologii inteligentnych miast i inteligentnych środowisk życiowych stworzył rosnące zapotrzebowanie na zautomatyzowane i oparte na danych rozwiązania w projektowaniu mieszkalnym. W szczególności rosnąca liczba osób starszych i popyt na mieszkania zorientowane na opiekę zdrowotną zwiększyły znaczenie projektowania przestrzeni mieszkalnych, które są zarówno funkcjonalne, jak i dostosowane do potrzeb konkretnych grup użytkowników^1,2. Konwencjonalne metody analizy planów architektonicznych są często ręczne, czasochłonne i zależne od interpretacji ekspertów; dlatego są nieefektywne i trudne do skalowania. To stworzyło silną potrzebę opracowania inteligentnych systemów zdolnych do automatycznej analizy układów mieszkalnych i wspierania podejmowania świadomych decyzji³.

Ostatnie osiągnięcia w dziedzinie sztucznej inteligencji (AI), w szczególności w uczeniu głębokim (DL) i komputerowej wizji, znacznie poprawiły analizę danych obrazowych. Sieci neuronowe konwolucyjne (CNN) okazały się bardzo skuteczne w ekstrakcji cech przestrzennych i uczeniu się złożonych wzorców wizualnych, co sprawia, że są odpowiednie do analizy obrazów planów lokalu^4,5,6. Te modele mogą uczyć się ukrytych reprezentacji struktur pomieszczeń, organizacji układu i relacji przestrzennych, które są niezbędne do przewidywania atrybutów architektonicznych^7,8. Jednak poleganie na pojedynczym modelu DL może ograniczać uogólnienie, ponieważ różne architektury mogą koncentrować się na różnych cechach przestrzennych i wykazywać uprzedzenia wynikające z zmienności architektonicznej⁹. Mimo tych osiągnięć, istniejące podejścia często brakuje zintegrowanej ramy, która łączy wiele modeli, obsługuje wielooutputową predykcję i zapewnia interpretowalność na poziomie aplikacji. Ponadto ocena mieszkań zorientowanych na opiekę zdrowotną i interpretowalność otrzymały stosunkowo niewiele uwagi w systemach analizy planów lokalu. Brak takich kompleksowych ram ograniczał przydatność praktyczną i interpretowalność, szczególnie w domenach, gdzie ważna jest przejrzystość i wsparcie decyzyjne^10,11,12.

AI znacząco przyczyniło się również do zautomatyzowanej analizy i generowania planów architektonicznych. Jedno z badań zbadano wykorzystanie uczenia maszynowego (ML) do przekształcania dwuwymiarowych obrazów planów lokalu w trójwymiarowe modele¹³. Autorzy podkreślili ograniczenia konwencjonalnych metod opartych na komputerowo wspomaganym projekcie (CAD) i podkreślili znaczenie skalowalnych potoków AI do zrozumienia przestrzennego. Ich wyniki wykazały, że DL może skutecznie wyodrębniać informacje strukturalne z planów lokalu, choć nadal istnieją wyzwania związane z uogólnianiem i zmiennością danych. Inne badanie zaproponowało wieloagentowy framework uczenia wzmacniającego w głębokości do zautomatyzowanej generacji planów lokalu¹⁴. Chociaż podejście oferuje znaczną elastyczność i dostosowanie do projektowania architektonicznego, koncentruje się głównie na generowaniu projektu, a nie na predykcyjnej analizie istniejących planów lokalu.

Ogólne badanie pobranek planów lokalu zbadano semantyczne, przestrzenne, oparte na kształcie i teksturowych cechy do zrozumienia planów lokalu¹⁵. Badanie podkreśliło znaczenie modeli DL, w tym CNN i architektur opartych na transformatorach, do nauki sensownej reprezentacji. Jednak również zidentyfikowano wyzwania związane z hałasem, zniekształceniem i dyskryminacją cech w złożonych układach. Podobnie podejście oparte na ML uwzględniało topologiczne i wizualne relacje do rozpoznawania planów lokalu⁸. Badanie wykazało, że dostępność wizualna i łączność przestrzenna są ważne dla zrozumienia układów architektonicznych, ale nie uwzględniał wielooutputowej predykcji ani strategii nauki zespołowej. Sztuczna inteligencja generatywna została również zbadana w zastosowaniach architektonicznych. Przegląd sztucznej inteligencji generatywnej w architekturze zbadał zastosowanie sieci generatywnie przeciwników (GAN), enkoderów wariacyjnych (VAE) i modeli dyfuzyjnych do automatyzacji projektowania¹⁶. Autorzy podkreślili rosnące zastosowanie narzędzi AI w praktycznych procesach architektonicznych. Jednak skupienie tej pracy było na generowaniu projektu, a nie na modelowaniu predykcyjnym czy zastosowaniach wsparcia decyzyjnego. Interpretowalna AI stała się coraz ważniejsza do interpretacji modeli DL. Badanie zaproponowało ramę opartą na SHapley Additive exPlanations (SHAP) do interpretacji modeli DL w zastosowaniach symulacji miejskiej¹⁷. Wyniki wykazały, że SHAP może identyfikować wpływowe cechy i poprawiać interpretowalność zarówno na poziomie globalnym, jak i lokalnym. Chociaż badanie potwierdza wartość SHAP w zastosowaniach przestrzennych, nie zbadano jego integracji z zespołowymi ramami uczenia. Ostatnie osiągnięcia w architekturach DL poprawiły dalsze wyniki w zadaniach obrazowych. Badanie przedstawiło kompleksowy przegląd współczesnych modeli DL, w tym architektur opartych na CNN i

Protokół

To study this, we used a publicly available dataset from the Kaggle platform (Floor Plan Images and Their Details, available at: https://www.kaggle.com/datasets/adilmohammed/floor-plan-images-and-their-details; accessed April 16, 2026). The study did not involve human participants, animals, or personally identifiable data; therefore, ethical approval and informed consent were not required.

This protocol presents an AI-driven framework for automated analysis of residential floor plan images, focusing on spatially aware and healthcare-oriented design. The complete experimental workflow is presented in Figure 1. The protocol is designed to bridge the gap between low-level architectural feature prediction and high-level application-oriented decision-making. It integrates deep learning, ensemble modeling, and explainable AI to provide an accurate, robust, and interpretable solution for analyzing residential layouts. The framework consists of multiple stages, starting with data acquisition and preprocessing, followed by feature learning using deep convolutional neural networks, meta-ensemble prediction, and finally, application-level classification. Initially, floor plan images and their corresponding architectural attributes are preprocessed through resizing, normalization, and data augmentation to ensure consistency and improve generalization. All floor-plan images were resized to 224 × 224 pixels and normalized to the range [0, 1]. Data augmentation was applied during training using random horizontal flipping, rotation, zooming, and width/height shifting to improve model generalization and reduce overfitting. No vertical flipping was applied. Complete augmentation parameters and implementation details are provided in Supplementary File 1. The processed data were then used to train multiple deep learning models for feature extraction and prediction. All base models and the CARE-MIRV-Net meta-learner were trained using a consistent configuration, including data augmentation, early stopping, and adaptive learning-rate scheduling. Early stopping monitored validation loss (val_loss) with a patience value of 5 epochs, and the best model weights were restored automatically after training. Adaptive learning-rate scheduling was implemented using the ReduceLROnPlateau callback, which monitored validation loss and reduced the learning rate by a factor of 0.3 after 2 epochs without improvement, with a minimum learning rate of 1 × 10⁻⁷. Complete implementation details and parameter settings are provided in Supplementary File 1. The dataset was randomly divided into training and testing sets using an 80:20 split ratio. A fixed random seed (42) was used to ensure reproducibility. Complete implementation details are provided in Supplementary File 1.

Figure 1. Workflow of the CARE-MIRV-Net framework for residential floor plan analysis. Schematic overview of the proposed protocol. The workflow includes (1) dataset acquisition and preprocessing, (2) feature learning and prediction using MobileNetV2, InceptionV3, ResNet101, and VGG16, (3) stacking-based meta-ensemble prediction using CARE-MIRV-Net, (4) rule-based residential layout classification, (5) SHapley Additive exPlanations (SHAP)-based interpretability analysis, and (6) performance evaluation. Please click here to view a larger version of this figure.

In the second stage, four pretrained convolutional neural networks, MobileNetV2, InceptionV3, ResNet101, and VGG16, are employed as base learners. Each model is fine-tuned using transfer learning to predict key architectural attributes, including square footage, number of bedrooms, bathrooms, and garages. For each transfer-learning model, the lower pretrained layers were kept frozen, while the upper layers and the custom regression head were fine-tuned during training. Detailed model-specific fine-tuning configurations are provided in Supplementary File 1. These models capture different aspects of spatial information: MobileNetV2 provides efficient feature extraction, InceptionV3 captures multiscale spatial patterns, ResNet101 learns deep hierarchical representations, and VGG16 ensures stable and consistent feature learning. The diversity among these models enhances the overall representational capability of the framework.

To enhance the accuracy and robustness of prediction further, a stacking-based meta-ensemble model, denoted as CARE-MIRV-Net, is proposed. At this step, predictions from all base models are pooled together to create a higher-dimensional feature space, which is input to a meta-learner. Base-model predictions are first generated independently using the trained MobileNetV2, InceptionV3, ResNet101, and VGG16 models. These predictions are then concatenated to form the meta-feature vector used by the meta-learner. To prevent data leakage, the training and testing datasets are strictly separated, and the meta-learner is trained only on predictions generated from the training data. The meta-model, which is a fully connected neural network, is trained to learn the optimal combination of base-model outputs to produce refined predictions. The meta-model consists of two fully connected layers with 512 and 256 neurons using ReLU activation, followed by dropout layers (0.4 and 0.3) and a linear output layer. The model is trained using the Adam optimizer (learning rate = 0.0001), a batch size of 32, and up to 15 epochs. Early stopping was implemented by monitoring validation loss (val_loss) with a patience value of 5 epochs. The minimum improvement criterion (min_delta) was set to the TensorFlow default value of 0, and the best model weights were restored automatically after training. Adaptive learning-rate scheduling was implemented using the ReduceLROnPlateau callback, which monitored validation loss and reduced the learning rate by a factor of 0.3 after 2 consecutive epochs without improvement. The minimum learning rate was set to 1 × 10⁻⁷, and the cooldown parameter used the default TensorFlow value of 0. This ensemble method reduces individual model biases and improves generalization through the complementary strengths of multiple architectures. Detailed implementation information is provided in Supplementary File 1.

After prediction, an interpretation layer is added to convert the numerical outputs to application-level decisions. Residential layouts can be classified into three classes based on the predictions of architectural characteristics: elderly care, healthcare-integrated (medical care), and general residential use. This classification is performed using predefined threshold-based decision rules based on the predicted square footage, number of bedrooms, and number of bathrooms. The category with the highest score is assigned as the final classification, whereas ties are resolved by selecting the category satisfying the greater number of decision criteria. The complete scoring rules and classification thresholds are provided in Supplementary File 2 (Algorithm 1). This action allows the framework to provide practical information for residential housing design.

The framework uses explainable AI with SHAP to provide transparency and interpretability. This component examines the contribution of the predictions from each base model to the output of the meta-model. SHAP analysis was performed using SHAP KernelExplainer (SHAP version 0.51.0) with 100 randomly selected training samples as the background dataset and 50 test samples for explanation generation. The complete SHAP configuration, including background sample selection and implementation settings, is provided in Supplementary File 1. The explainability layer helps to understand the decision-making process by measuring feature importance and displaying contribution patterns, thereby improving model transparency and reliability. The proposed framework is evaluated using MAE and R² across all target variables. For multioutput prediction, MAE was computed as the average absolute difference between actual and predicted values across all target variables, whereas R² was calculated by comparing the explained variance of the predictions with the corresponding ground-truth values for each output. The quantitative and qualitative analyses indicate that the proposed CARE-MIRV-Net improves prediction accuracy and supports rule-based residential layout classification. Classification reliability was assessed based on the accuracy of the underlying regression predictions and the consistency of the rule-based decision layer. The framework is a suitable and scalable solution for intelligent floor plan analysis and can be applied to smart housing, elderly-care planning, and healthcare-oriented residential design. A complete list of datasets, software packages, libraries, hardware resources, and computational tools used in this study is provided in the Table of Materials. Source code, environment configuration information, software dependency specifications, and implementation

Wyniki

Zestaw eksperymentów został przeprowadzony w celu oceny zaproponowanego działania za pomocą czterech modeli DL, MobileNetV2, InceptionV3, ResNet101 i VGG16, wraz z zaproponowanym modelem meta-ensemble CARE-MIRV-Net.

Wyniki pozyskiwania i przetwarzania zestawu danych

Faza przetwarzania miała na celu przygotowanie surowych planów pięter i powiązanych metadanych do treningu i ewaluacji za pomocą modeli DL. Zestaw danych został uzyskany z repozytorium Kaggle i zawierał 2 640 próbek. Każda próbka składała się z obrazu planu pięter i odpowiadających mu atrybutów architektonicznych. Tylko odpowiednie kolumny, w tym ścieżka obrazu, powierzchnia, sypialnie, łazienki i garaż, zostały zachowane do dalszej analizy, a niekompletne lub puste rekordy zostały usunięte, aby zachować spójność i jakość danych. Aby ułatwić trening i ewaluację modelu, zestaw danych został podzielony na podzbiory treningowe i testowe w proporcji 80:20, co dało 2 112 próbek treningowych i 528 próbek testowych. Podczas podziału zestawu danych stosowano stałe nasienie losowe, aby zapewnić powtarzalność. Taki podział zapewnił, że modele były trenowane na wystarczająco dużym zestawie danych, zachowując jednocześnie niezależny zestaw testowy do obiektywnej oceny wydajności. Ścieżki obrazów zostały standaryzowane poprzez przypisanie każdego rekordu do jego odpowiedniej lokalizacji w katalogu zestawu danych. Cztery atrybuty architektoniczne (metry kwadratowe, sypialnie, łazienki i garaże) służyły jako zmienne docelowe dla zadania regresji wielowymiarowej. Chociaż sypialnie, łazienki i garaże są zmiennymi dyskretnymi, zostały one zamodelowane za pomocą ramy regresji wielowymiarowej, aby umożliwić jednoczesne przewidywanie wszystkich atrybutów architektonicznych w ramach ujednoliconej architektury uczenia. Takie podejście pozwala modelowi na uchwycenie wspólnych relacji między zmiennymi docelowymi i wykorzystanie korelacji między ciągłymi i dyskretnymi cechami architektonicznymi. Przewidywane wartości dla atrybutów dyskretnych zostały przekształcone na najbliższą prawidłową liczbę całkowitą podczas przetwarzania wtórnego przed interpretacją i klasyfikacją układu mieszkaniowego.

Tabela 1 przedstawia atrybuty architektoniczne przewidywane przez zaproponowany model, reprezentujące kluczowe przestrzenne i funkcjonalne cechy planów pięter mieszkaniowych. Analiza eksploracyjna danych została przeprowadzona w celu lepszego zrozumienia rozkładu zmiennych docelowych za pomocą histogramów i wizualizacji opartych na liczeniu. Rozkład powierzchni jest ciągły o zmiennej gęstości, podczas gdy rozkłady sypialni, łazienek i garaży podkreślają częstotliwość różnych konfiguracji mieszkaniowych. Te rozkłady są przedstawione na Rysunku 2. Rozkład powierzchni jest przedstawiony na Rysunku 2A, natomiast rozkłady sypialni, łazienek i garaży są przedstawione na Rysunku 2B–2D odpowiednio. Razem te wykresy ilustrują zmienność i rozkład zmiennych docelowych w ramach zestawu danych.

Nazwa cechy	Opis
Metrów kwadratowych	Całkowita zabudowana powierzchnia jednostki mieszkaniowej
Sypialnie	Liczba sypialni w układzie
Łazienki	Liczba łazienek w układzie
Garaże	Liczba dostępnych miejsc w garażu

Tabela 1: Atrybuty architektoniczne użyte jako cele predykcji. Definicje atrybutów architektonicznych wyodrębnionych z zestawu danych planów pięter mieszkaniowych i użytych jako zmienne docelowe do trenowania i ewaluacji modelu. Atrybuty obejmują całkowitą powierzchnię, liczbę sypialni, liczbę łazienek i liczbę miejsc garażowych skojarzonych z każdym planem pięter mieszkaniowych.

Rysunek 2. Rozkład atrybutów architektonicznych w zestawie danych planów pięter mieszkaniowych. Histogramy przedstawiające rozkłady (A) powierzchni, (B) liczby sypialni, (C) liczby łazienek i (D) liczby garaży w całym zestawie danych używanym do opracowywania i ewaluacji modelu. Proszę kliknąć tutaj, aby zobaczyć większą wersję tego rysunku.

Etap przetwarzania obrazów transformował wszystkie plany pięter w standardowy format nadający się do modeli DL. Wszystkie obrazy zostały załadowane, przekonwertowane do przestrzeni kolorów RGB, zmienione na 224 x 224 piksele i znormalizowane do zakresu [0, 1]. Proces ten zapewnił spójne wymiary wejścia i poprawił zbieżność modelu podczas treningu. Przetworzone obrazy były losowo próbkowane, a etykiety były weryfikowane, aby potwierdzić

Dyskusja

To studium przedstawia CARE-MIRV-Net, meta-ensemble'ową strukturę DL opartą na stackowaniu do automatycznej analizy obrazów planów mieszkań. Struktura integruje cztery uzupełniające się się architektury CNN—MobileNetV2, InceptionV3, ResNet101 i VGG16—aby przewidywać kluczowe atrybuty architektoniczne, w tym powierzchnię, liczbę sypialni, łazienek i garażów. Te przewidywania są następnie łączone przez meta-uczące się i używane w warstwie decyzyjnej opartej na zasadach do klasyfikacji układów mieszkaniowych jako dotyczących opieki nad osobami starszymi, opieki medycznej lub ogólnych układów mieszkaniowych. Integracja modelowania predykcyjnego, uczenia się zespołowego i wyjaśnialnej sztucznej inteligencji zapewnia zjednoczoną strukturę analizy planów mieszkań^3,7,17,20.

Wyniki reprezentatywne pokazują, że CARE-MIRV-Net osiągnął lepszą wydajność predykcyjną w porównaniu z indywidualnymi modelami bazowymi w wielu atrybutach architektonicznych. Struktura zespołowa ogólnie zmniejszała błędy predykcji i poprawiała R², co sugeruje, że łączenie różnorodnych architektur CNN może poprawić wytrzymałość predykcji^12,20. Ponadto, włączenie SHAP umożliwiło interpretację wkładu poszczególnych modeli bazowych w ostateczne przewidywania, zwiększając w ten sposób przejrzystość modelu^11,17. Struktura może zatem zapewnić użyteczne podejście dla badań wymagających zarówno wydajności predykcyjnej, jak i interpretacji modelu.

Proponowana struktura może przyczynić się do rozwoju badań dotyczących zautomatyzowanej analizy architektonicznej, oceny projektów mieszkaniowych i systemów wspomagania decyzji opartych na danych. Integrując predykcje wielowyjściowe z klasyfikacją na poziomie aplikacji, struktura wykracza poza tradycyjne podejścia do rozpoznawania planów mieszkań lub wyodrębniania cech. Metodologia może być stosowana w badaniach dotyczących planowania mieszkaniowego, inteligentnych środowisk mieszkaniowych i oceny układu przestrzennego^1,2,8,22. Jednak należy wziąć pod uwagę kilka ograniczeń. Po pierwsze, struktura została opracowania i wyceniona przy użyciu pojedynczego publicznie dostępnego zestawu danych, a walidacja zewnętrzna na niezależnych zestawach danych nie została przeprowadzona. W niniejszym badaniu nie przeprowadzono żadnej walidacji zewnętrznej, a ocena modelu została przeprowadzona za pomocą wyznaczonego podzbioru testowego pochodzącego z publicznie dostępnego zestawu danych. Po drugie, kategorie mieszkaniowe generowane przez strukturę pochodzą z wcześniej określonych kryteriów opartych na zasadach, a nie z niezależnie zweryfikowanych etykiet projektowania opieki zdrowotnej. Kategorie opieki nad osobami starszymi, opieki medycznej i ogólnej opieki mieszkaniowej wygenerowane przez strukturę pochodzą z wcześniej określonych kryteriów opartych na zasadach i nie powinny być interpretowane jako zweryfikowane klinicznie oceny projektowania opieki zdrowotnej. Po trzecie, struktura opiera się głównie na atrybutach architektonicznych pochodzących z obrazów planów mieszkań i nie uwzględnia standardów projektowania opieki zdrowotnej, kryteriów dostępności lub wskaźników wyników zorientowanych na lokatorów. Żadne formalne standardy dostępności, projektowania opieki zdrowotnej lub projektowania mieszkaniowego nie zostały wykorzystane do zdefiniowania reguł klasyfikacji. Zamiast tego struktura klasyfikacji została opracowana przy użyciu dostępnych atrybutów planu i kryteriów decyzyjnych zorientowanych na aplikację. Przyszłe prace mogą obejmować weryfikację zewnętrzną na niezależnych zestawach danych, włączenie formalnych standardów dostępności i projektowania opieki zdrowotnej oraz ocenę za pomocą dodatkowych wskaźników projektowania i wyników zorientowanych na lokatorów w celu dalszego zwiększenia przydatności i ogólności struktury.

Alternatywne podejścia mogą być również zastosowane do zbadania tej samej hipotezy. Na przykład wizualne modele oparte na transformatorach, przedstawienia przestrzenne oparte na grafie lub hybrydowe architektury DL mogą być zastosowane do uchwycenia relacji przestrzennych w układach mieszkaniowych^13,15,19. Podobnie klasyfikacja oparta na eksperckich zbiorach danych lub standardach projektowania opieki zdrowotnej może zapewnić alternatywne metody oceny układów mieszkaniowych^8,22. Chociaż te metody mogą oferować uzupełniające zalety, proponowana struktura CARE-MIRV-Net wykazuje wykonalność łączenia wielu architektur CNN w ramach struktury zespołowej opartej na stackowaniu dla predykcji wielowyjściowej i klasyfikacji układów mieszkaniowych.

Przyszłe prace mogą skupić się na rozszerzeniu struktury w celu zapewnienia bardziej zaawansowanego rozumowania przestrzennego i szerszej przydatności w rzeczywistości. Potencjalne kierunki obejmują włączenie przedstawień planów mieszkań opartych na grafie do modelowania łąc

Materiały

Lista materiałów użytych w tym artykule

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