Yaşlılara yönelik Konut Değerlendirmesi İçin Konut Kat Planı Özelliklerinin Derin Öğrenme Temelli Tahmini

Özet

Bu protokol, konut kat planı görüntülerinin otomatik analizi için meta-ensemble derin öğrenme iş akışını tanımlar. Prosedür, veri seti ön işlemesi, çoklu konvolüsyon sinir ağı kullanılarak mimari özellik tahmini, yığma tabanlı topluluk öğrenmesi, kural tabanlı konut sınıflandırması ve konut düzeni değerlendirmesini desteklemek için SHapley Additive exPlanations kullanılarak açıklanabilirlik analizini içerir.

Özet

Yaşlanan nüfuslar için akıllı konut çözümlerine olan artan taleb, konut kat planı analizi için otomatik yöntemlere olan ihtiyacı artırmıştır. Geleneksel mimari değerlendirme yaklaşımları genellikle manuel olarak ele almalı, zaman alıcı ve ölçeklenmesi zordur; bu da mekânsal yerleşimleri yorumlayabilen ve konut tasarım değerlendirmesini destekleyen yapay zeka tabanlı tekniklere olan ihtiyacı vurgular. Bu protokol, konut kat planı görüntülerinin otomatik analizi için bir meta-ensemble derin öğrenme çerçevesini tanımlar. Önerilen CARE-MIRV-Net çerçevesi, dört tamamlayıcı konvolüsyon sinir ağını — MobileNetV2, InceptionV3, ResNet101 ve VGG16 — entegre ederek mimari özellikleri tahmin eder; bunlar arasında metrekare, yatak odası, banyo sayısı ve garaj da yer alır. Temel modellerden alınan tahminler, üst üste bir meta-topluluk modeliyle birleştirilir ve ardından kural tabanlı karar katmanında konut düzenlerini yaşlılar bakımı, tıbbi bakım veya genel konut olarak kategorize etmek için kullanılır. Deneysel değerlendirme, birden fazla hedef değişken üzerinde sağlam öngörücü performans göstermiştir. Önerilen model, ortalama mutlak hata (MAE) 432,48 ve belirlenme katsayısı (R²) olarak 0,7053 metrekare tahmin için elde etti. Banyo tahmini için çerçeve^{R 2} 0.7605 ile ulaşırken, garaj tahmini en düşük MAE olan 0.1697 ve en yüksek R² olan 0.6958 ile sonuçlandı. Nitel analizler, çerçevenin mimari özellik tahminleri üretme ve uygulama odaklı konut yerleşim değerlendirmesini destekleme yeteneğini daha da gösterdi. Şeffaflık ve yorumlanabilirliği artırmak için, her bir baz modelinin nihai tahminlere katkısını niceltmek için SHapley Additive açıklamaları dahil edilmiştir. Önerilen çerçeve, konut kat planı analizi ve karar desteği için yorumlanabilir ve ölçeklenebilir bir yaklaşım sunar.

Giriş

Akıllı şehir teknolojilerinin ve akıllı yaşam ortamlarının hızlı gelişimi, konut tasarımında otomatik ve veri odaklı çözümlere artan bir talep yaratmıştır. Özellikle, artan yaşlanan nüfus ve sağlık odaklı konutlara olan taleb, hem işlevsel hem de belirli kullanıcı gruplarının ihtiyaçlarına uygun konut alanlarının tasarımının önemini^{artırmıştır 1,2}. Geleneksel mimari kat planı analiz yöntemleri genellikle manuel olur, zaman alıcıdır ve uzman yorumuna dayanır; bu nedenle, verimsiz ve ölçeklendirmeleri zordur. Bu durum, konut yerleşimlerini otomatik olarak analiz edebilen ve bilinçli karar vermeyi destekleyebilen akıllı sistemlere güçlü bir ihtiyaç^{yaratmıştır 3}.

Yapay zeka (AI) alanındaki son gelişmeler, özellikle derin öğrenme (DL) ve bilgisayar görme alanlarında, görüntü tabanlı verilerin analizini önemli ölçüde geliştirmiştir. Konvolüsyon sinir ağları (CNN'ler), mekânsal özelliklerin çıkarılması ve karmaşık görsel desenlerin öğrenilmesi için son derece etkili olduğu kanıtlanmış olup, kat planı görüntü^{analizi için uygun hale gelmiştir 4,5,6}. Bu modeller, mimari özellikleri tahmin etmek için gerekli olan oda yapılarının, düzen organizasyonunun ve mekansal ilişkilerin örtük temsillerini^{öğrenebilir. 7,8}. Ancak, tek bir DL modeline güvenmek, farklı mimarilerin farklı mekansal özelliklere odaklanabileceği ve mimari değişkenlikten kaynaklanan önyargılar gösterebileceği için genellemeyi^{sınırlayabilir 9}. Bu gelişmelere rağmen, mevcut yaklaşımlar genellikle birden fazla modeli birleştiren, çoklu çıktı tahminini destekleyen ve uygulama düzeyinde yorumlanabilirlik sağlayan entegre bir çerçeveden yoksundur. Ayrıca, sağlık odaklı konut değerlendirmesi ve açıklanabilirliği, kat planı analiz sistemlerinde nispeten sınırlı ilgi görmüştür. Böyle kapsamlı çerçevelerin olmaması, özellikle şeffaflık ve karar desteğinin önemli olduğu alanlarda pratik uygulanabilirlik ve yorumlanabilirliği^sınırlar 10,11,12.

Yapay zeka ayrıca mimari kat planlarının otomatik analizi ve oluşturulmasına önemli ölçüde katkıda bulunmuştur. Bir çalışma, makine öğreniminin (ML) kullanılarak iki boyutlu kat planı görüntülerini üç boyutlu modellere dönüştürmesini^{araştırmıştır 13}. Yazarlar, geleneksel bilgisayar destekli tasarım (CAD) tabanlı yöntemlerin sınırlamalarını vurguladı ve mekânsal anlama için ölçeklenebilir yapay zeka tabanlı boru hatlarının önemini vurguladı. Bulguları, DL'nin kat planlarından yapısal bilgileri etkili bir şekilde çıkarabileceğini gösterdi, ancak genelleştirme ve veri değişkenliğiyle ilgili zorluklar devam etmektedir. Başka bir çalışma, otomatik kat planı¹⁴ üretimi için çok ajanlı derin pekiştirme öğrenme çerçevesi önerdi. Yaklaşım mimari tasarım için önemli esneklik ve özelleştirme sunsa da, esas olarak mevcut kat planlarının öngörücü analizinden ziyade tasarım üretimine odaklanmaktadır.

Kapsamlı bir kat planı geri bildirim anketi, zemin planı anlayışı için anlamsal, mekansal, şekil tabanlı ve doku tabanlı özellikleri^{inceledi 15}. Anket, anlamlı temsilleri öğrenmek için CNN'ler ve transformatör tabanlı mimariler dahil DL modellerinin önemini vurguladı. Ancak, karmaşık düzenlerde gürültü, bozulma ve özellik ayrımcılığı ile ilgili zorlukları da belirledi. Benzer şekilde, ML tabanlı bir yaklaşım, kat planı tanıma için topolojik ve görsel^{ilişkileri birleştirmiştir 8}. Çalışma, görsel erişilebilirlik ve mekânsal bağlantının mimari düzenleri anlamak için önemli olduğunu gösterdi, ancak çoklu çıktı tahmini veya topluluk öğrenme stratejilerini ele almadı. Üretken yapay zeka mimari uygulamalarda da araştırılmıştır. Mimarlıkta üretken yapay zekanın bir incelemesi, tasarım otomasyonu için üretken düşman ağların (GAN'lar), varyasyonel otomatik kodlayıcıların (VAE'ler) ve difüzyon modellerinin kullanımını^{incelemiştir 16}. Yazarlar, yapay zeka araçlarının pratik mimari iş akışlarında giderek daha fazla benimsenmesini vurguladı. Ancak bu çalışmanın odağı, öngörücü modelleme veya karar destek uygulamaları yerine tasarım üretimi oldu. Açıklanabilir yapay zeka, DL modellerinin yorumlanmasında giderek daha önemli hale geldi. Bir çalışma, kentsel simülasyon uygulamalarında DL modellerinin yorumlanması için SHapley Additive ExPlanations (SHAP) tabanlı bir çerçeve^{önermiştir 17}. Sonuçlar, SHAP'ın etkili özellikleri belirleyebileceğini ve hem küresel hem de yerel düzeyde yorumlanabilirliği artırabileceğini gösterdi. Çalışma, SHAP'ın mekânsal uygulamalardaki değerini desteklese de, toplu-öğrenme çerçeveleriyle entegrasyonunu araştırmamıştır. DL mimarilerindeki son gelişmeler, görüntü tabanlı görevlerde performansı daha da artırmıştır. Bir çalışma, CNN tabanlı ve transformatör tabanlı mimariler dahil olmak üzere çağdaş DL modellerinin kapsamlı bir incelemesini^{sundu 18}. Çalışma, genelleştirme performansını artırmak için model seçimi ve hibrit mimarilerin önemini vurguladı. Ancak, kat planı analizi uygulamalarını özel olarak ele almamıştır. Büyük ölçekli veri setleri mimari analizde de ilerlemeleri kolaylaştırmıştır. Örneğin, bir çalışmada binlerce karmaşık kat planı içeren bir kıyaslama veri^{seti sunuldu 19}. Çalışma, mevcut modellerin büyük ölçekli ve çok daireli yerleşimleri analiz ederken hâlâ zorluklarla karşılaştığını göstererek, daha sağlam ve genelleştirilebilir yaklaşımlara olan ihtiyacı vurguladı.

DL, topluluk öğreniminde de kapsamlı şekilde incelenmiştir. Derin topluluk yöntemleri üzerine yapılan yakın tarihli bir çalışma, birden fazla modelin birleştirilmesinin, önyargı ve varyansı azaltarak tahmin doğruluğunu ve dayanıklılığı önemli ölçüde^{artırabileceğini göstermiştir 20}. Etkililiklerine rağmen, bu yöntemler özellikle çoklu çıktı regresyon görevlerinde mimari kat planı analizinde yaygın olarak uygulanmamıştır. Ayrıca, otomatik kat planı analizinde yapılan son çalışmalar, tahmin, sınıflandırma ve yorumlanabilirliği birleştiren entegre çerçevelerin^{önemini vurgulamıştır} 21,22,23. Mevcut araştırmalar genellikle özellik çıkarma, düzen oluşturma veya sınıflandırma gibi bireysel işlevlere odaklanır. Sonuç olarak, çoklu model öğrenme, konut düzeni değerlendirmesi ve açıklanabilir yapay zekayı entegre eden birleşik bir çerçevenin geliştirilmesinde açık bir araştırma açığı devam etmektedir. DL ve mimari analizde önemli ilerlemeler kaydedilmiş olsa da, birkaç araştırma eksikliği hâlâ mevcuttur. Mevcut çalışmaların çoğu, kat planı tanıma, özellik çıkarımı veya düzen üretimine odaklanır; ancak çoklu çıktı tahminini ve uygulama düzeyinde karar vermeyi destekleyen birleşik bir çerçeve sunmamaktadır. Ayrıca, birçok yaklaşım tek bir DL modeline dayanır; bu da farklı mekansal özellikleri yakalama yeteneklerini sınırlayabilir ve modele özgü önyargılar getirebilir. Kat planı analizi için toplu öğrenme, özellikle heterojen modellerin sağlamlığı artırmak için entegrasyonu konusunda nispeten az araştırılmıştır. Ayrıca, yaşlılara yönelik konut değerlendirmelerine ve yorumlanabilirliğe vurgu yapılarak konut sınıflandırmasına sınırlı önem verilmiştir. Birçok DL modeli kara kutu olarak işlediği için, tahminlerinin temelini anlamak hâlâ zordur. Bu sınırlamalar, çoklu model öğrenmesi, doğru tahmin, uygulama odaklı konut sınıflandırması ve açıklanabilir yapay zekayı bütünleştiren kapsamlı bir çerçeveye olan ihtiyacı vurgulamaktadır.

Bu çalışma, bu zorlukları ele almak için mekânsal farkındalık ve konut düzeni değerlendirmesine vurgu yaparak konut kat planı görüntülerinin analizi için otomatik bir çerçeve sunmaktadır. Önerilen çerçeve, dört tamamlayıcı CNN'i—MobileNetV2, InceptionV3, ResNet101 ve VGG16—biriktirme tabanlı bir^mimari 24,25,26,27 içinde entegre eden meta-ensemble DL modeli olan CARE-MIRV-Net'i tanıtmaktadır. Her model, metrekare, yatak odası sayısı, banyo ve garajlar gibi temel mimari özellikleri bağımsız olarak tahmin eder. Bu tahminler, daha sonra bir meta-öğrenici tarafından birleştirilerek rafine tahminler oluşturulur. Ayrıca, konut düzenlerini öngörülen özelliklere göre yaşlı bakımı, tıbbi bakım veya genel konut olarak sınıflandırmak için kural tabanlı bir karar katmanı kullanılır.

Bu çalışmanın katkıları şunlardır. İlk olarak, konut kat planı görüntülerinden mimari özelliklerin çoklu çıktı tahmini için bir meta-ensemble DL çerçevesi önerilmiştir. İkinci olarak, CARE-MIRV-Net modeli, tahmin doğruluğunu ve genellemeyi artırmak için dört CNN mimarisini entegre eder. Üçüncü olarak, öngörülen mimari özelliklere dayalı uygulama odaklı konut düzeni kategorilendirmesini desteklemek için kural tabanlı bir karar katmanı entegre edilmiştir. Dördüncüsü, SHAP tabanlı açıklanabilir yapay zeka, model şeffaflığını ve yorumlanabilirliğini artırmak için entegre edilmiştir. Son olarak, önerilen çerçeveyi değerlendirmek için ortalama mutlak hata (MAE) ve belirleme katsayısı (R²) performans ölçütleri olarak kullanılarak kapsamlı deneyler yapılmıştır.

Protokol

Bu çalışma, Kaggle platformundan kamuya açık bir veri seti kullandı (Kat Planı Görüntüleri ve Detayları, şu adreste mevcuttur: https://www.kaggle.com/datasets/adilmohammed/floor-plan-images-and-their-details; erişim tarihi: 16 Nisan 2026). İnsan katılımcıları, hayvanlar veya kişisel olarak tanımlanabilir verileri içermemiştir; bu nedenle etik onay ve bilgilendirilmiş onay gerekmiyordu.

Bu protokol, mekansal farkında ve sağlık odaklı tasarıma odaklanarak, konut kat planı görüntülerinin otomatik analizi için yapay zeka tabanlı bir çerçeve sunar. Tam deneysel iş akışı Şekil 1'de sunulmaktadır. Protokol, düşük seviyeli mimari özellik tahmini ile yüksek seviyeli uygulama odaklı karar alma arasındaki boşluğu kapatmak için tasarlanmıştır. DL, toplu modelleme ve açıklanabilir yapay zekayı entegre ederek konut yerleşimlerini analiz etmek için doğru, sağlam ve yorumlanabilir bir çözüm sunar. Çerçeve, veri toplama ve ön işleme ile başlayan birden fazla aşamadan oluşur; ardından derin CNN'ler kullanılarak özellik öğrenimi, meta-topluluk tahmini ve son olarak uygulama düzeyinde sınıflandırma yapılır. Başlangıçta, kat planı görüntüleri ve ilgili mimari özellikler, tutarlılığı sağlamak ve genelleştirmeyi artırmak için yeniden boyutlandırma, normalleştirme ve veri artırma yoluyla önceden işlenir. Tüm kat planı görüntüleri 224 × 224 piksel boyutlarına yeniden boyutlandırıldı ve aralıklara normalleştirildi [0, 1]. Veri artırma eğitimi sırasında rastgele yatay çevirme, döndürme, yakınlaştırma ve genişlik/yükseklik kaydırması kullanılarak model genellemesini iyileştirdi ve aşırı uyumu azalttı. Dikey ters çevirme uygulanmadı. Tam artırma parametreleri ve uygulama detayları Ek Dosya 1'de sağlanmıştır. İşlenen veriler, daha sonra birden fazla DL modelini özellik çıkarımı ve tahmini için eğitmek için kullanıldı. Tüm temel modeller ve CARE-MIRV-Net meta-öğrenicisi, veri artırma, erken durdurma ve uyarlanabilir öğrenme hızı zamanlama dahil olmak üzere tutarlı bir yapılandırma kullanılarak eğitildi. Erken durdurma, doğrulama kaybını (val_loss) 5 dönem sabır değeriyle izliyor ve en iyi model ağırlıkları eğitimden sonra otomatik olarak geri getiriliyordu. Uyarlanabilir öğrenme hızı planlaması, ReduceLROnPlateau geri çağrısı kullanılarak uygulandı; bu yöntem, doğrulama kaybını izledi ve iyileşme olmadan geçen 2 dönem sonra öğrenme oranını 0,3 kat azalttı; minimum öğrenme oranı 1 × 10⁻⁷ idi. Tam uygulama detayları ve parametre ayarları Ek Dosya 1'de sağlanmıştır. Veri seti, 80:20 bölünmüş oranda rastgele eğitim ve test setlerine bölündü. Tekrarlanabilirliği sağlamak için sabit rastgele tohum (42) kullanıldı. Tam uygulama detayları Ek Dosya 1'de sunulmaktadır.

Şekil 1. CARE-MIRV-Net çerçevesinin konut kat planı analizi için iş akışı. Önerilen protokolün şematik genel bakışı. İş akışı (1) veri seti edinimi ve ön işlemesini, (2) MobileNetV2, InceptionV3, ResNet101 ve VGG16 kullanarak özellik öğrenme ve tahmini, (3) CARE-MIRV-Net kullanarak stacking tabanlı meta-ensemble tahminini, (4) kural tabanlı konut düzeni sınıflandırmasını, (5) SHapley Additive exPlanations (SHAP) tabanlı yorumlanabilirlik analizini ve (6) performans değerlendirmesini içerir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

İkinci aşamada, dört önceden eğitilmiş CNN, MobileNetV2, InceptionV3, ResNet101 ve VGG16, temel öğrenici olarak kullanılmaktadır. Her model, aktarım öğrenimiyle temel mimari özellikleri tahmin etmek için ince ayarlanır; bunlara göre metrekare, yatak odası sayısı, banyolar ve garajlar bulunur. Her transfer-öğrenme modeli için, alt önceden eğitilmiş katmanlar donmuş tutulurken, üst katmanlar ve özel regresyon başlığı eğitim sırasında ince ayar yapılırdı. Detaylı, modele özgü ince ayar konfigürasyonları Ek Dosya 1'de sağlanmıştır. Bu modeller, mekânsal bilginin farklı yönlerini yakalar: MobileNetV2 verimli özellik çıkarımı sağlar, InceptionV3 çok ölçekli mekansal desenleri yakalar, ResNet101 derin hiyerarşik temsilleri öğrenir ve VGG16 kararlı ve tutarlı özellik öğrenimini sağlar. Bu modeller arasındaki çeşitlilik, çerçevenin genel temsil kapasitesini artırır.

Tahminin doğruluğunu ve sağlamlığını daha da artırmak için, CARE-MIRV-Net olarak adlandırılan bir yığma tabanlı meta-topluluk modeli önerilmiştir. Bu adımda, tüm temel modellerden alınan tahminler bir araya getirilerek daha yüksek boyutlu bir özellik alanı oluşturulur ve bu bir meta-öğreniciye giridir. Temel model tahminleri ilk olarak eğitilmiş MobileNetV2, InceptionV3, ResNet101 ve VGG16 modelleri kullanılarak bağımsız olarak üretilir. Bu tahminler, meta-öğrenen tarafından kullanılan meta-özellik vektörü oluşturmak üzere birleştirilir. Veri sızıntısını önlemek için eğitim ve test veri setleri sıkı bir şekilde ayrılır ve meta-öğrenen yalnızca eğitim verisinden üretilen tahminlerle eğitilir. Tamamen bağlantılı bir sinir ağı olan meta-model, temel model çıktılarının optimal kombinasyonunu öğrenmek için eğitilerek daha iyi tahminler üretir. Meta-model, ReLU aktivasyonu kullanan 512 ve 256 nöronlardan oluşan iki tam bağlantılı katmandan, ardından dropout katmanlarından (0.4 ve 0.3) ve lineer çıkış katmanından oluşur. Model, Adam optimizatörü (öğrenme hızı = 0.0001), 32 parti boyutu ve 15 epocha ile eğitilmektedir. Erken durdurma, doğrulama kaybının (val_loss) izlenmesiyle 5 dönemlik sabır değeriyle uygulandı. Minimum iyileştirme kriteri (min_delta) TensorFlow'un varsayılan değeri 0'a ayarlandı ve en iyi model ağırlıkları eğitimden sonra otomatik olarak geri getirildi. Uyarlanabilir öğrenme hızı zamanlaması, doğrulama kaybını izleyen ve ardışık 2 dönem sonra öğrenme oranını 0,3 kat azaltan ReduceLROnPlateau geri çağrısı kullanılarak uygulanmıştır ve iyileşme sağlanmıştır. Minimum öğrenme hızı 1 × 10⁻⁷ olarak ayarlanmıştı ve bekleme parametresi varsayılan TensorFlow değeri 0 olarak kullanıldı. Bu topluluk yöntemi, birden fazla mimarinin tamamlayıcı güçlü yönleriyle bireysel model önyargılarını azaltır ve genellemeyi iyileştirir. Ayrıntılı uygulama bilgileri Ek Dosya 1'de sunulmaktadır.

Tahmin yapıldıktan sonra, sayısal çıktıları uygulama düzeyinde kararlara dönüştürmek için bir yorumlama katmanı eklenir. Konut düzenlemeleri, mimari özelliklerin tahminlerine göre üç sınıfa ayrılabilir: yaşlı bakımı, sağlık entegrasyonu (tıbbi bakım) ve genel konut kullanımı. Bu sınıflandırma, tahmin edilen metrekare, yatak odası sayısı ve banyo sayısına dayalı önceden tanımlanmış eşik tabanlı karar kuralları kullanılarak gerçekleştirilir. En yüksek puana sahip kategori nihai sınıflandırma olarak atanırken, beraberlikler daha fazla karar kriterini karşılayan kategori seçilerek çözülür. Tam puanlama kuralları ve sınıflandırma eşikleri Ek Dosya 2'de (Algoritma 1) sağlanmıştır. Bu eylem, çerçevenin konut tasarımı için pratik bilgiler sağlamasını sağlar.

Çerçeve, şeffaflık ve yorumlanabilirlik sağlamak için SHAP ile açıklanabilir yapay zeka kullanır. Bu bileşen, her temel modelden alınan tahminlerin meta-modelin çıktısına katkısını inceler. SHAP analizi, SHAP KernelExplainer (SHAP sürüm 0.51.0) kullanılarak 100 rastgele seçilmiş eğitim örneği arka plan veri seti ve açıklama üretimi için 50 test örneği kullanılarak gerçekleştirildi. Arka plan örneği seçimi ve uygulama ayarları dahil olmak üzere tam SHAP yapılandırması, Ek Dosya 1'de sağlanmıştır. Açıklanabilirlik katmanı, özellik önemini ölçerek ve katkı kalıplarını göstererek karar alma sürecini anlamaya yardımcı olur ve böylece model şeffaflığını ve güvenilirliğini artırır. Önerilen çerçeve, tüm hedef değişkenler üzerinde MAE ve R² kullanılarak değerlendirilir. Çoklu çıktı tahmini için, MAE tüm hedef değişkenler arasında gerçek ve öngörülen değerler arasındaki ortalama mutlak fark olarak hesaplanırken, R² , tahminlerin açıklanan varyansı ile her çıktı için karşılık gelen yeraltı gerçeklik değerleri karşılaştırılarak hesaplandı. Nicel ve nitel analizler, önerilen CARE-MIRV-Net'in tahmin doğruluğunu artırdığını ve kural temelli konut yerleşim sınıflandırmasını desteklediğini göstermektedir. Sınıflandırma güvenilirliği, temel regresyon tahminlerinin doğruluğu ve kural temelli karar katmanının tutarlılığı temelinde değerlendirildi. Çerçeve, akıllı kat planı analizi için uygun ve ölçeklenebilir bir çözümdür ve akıllı konut, yaşlı bakım planlaması ve sağlık odaklı konut tasarımına uygulanabilir. Bu çalışmada kullanılan veri setleri, yazılım paketleri, kütüphaneler, donanım kaynakları ve hesaplama araçlarının tam listesi Materyaller Tablosu'nda sunulmaktadır. Kaynak kodu, ortam yapılandırma bilgileri, yazılım bağımlılığı spesifikasyonları ve raporlanan iş akışını yeniden üretmek için gereken uygulama betikleri Ek Dosya 1'de sağlanmıştır.

Protokol için Algoritma

Önerilen çerçeve, konut evlerinin görüntü tabanlı kat planlarını işlemeye ve Ek Dosya 2'deki Algoritma 1'de gösterildiği gibi öngörücü ve karar düzeyinde çıktılar üretmeye çok aşamalı bir yaklaşım benimsemektedir. Bu süreç, veri ön işleme ile başlar; giriş görüntüleri standart bir çözünürlüğe yeniden boyutlandırılır ve veri seti boyunca eşitlik sağlamak için normalleştirilir. Tüm kat planı görüntüleri 224 × 224 piksel boyutlarına yeniden boyutlandırıldı ve aralıklara normalleştirildi [0, 1]. Bu adım, görüntüleri derin sinir ağları tarafından öğrenme için optimize eder ve genel model yakınsamasını artırır. İkinci aşamada ise MobileNetV2, InceptionV3, ResNet101 ve VGG16 gibi birkaç DL modelinin temel öğrenici olarak kullanılması yer alır. Bağımsız olarak, her model giriş görüntülerini alır ve metrekare ile yatak odası, banyo ve garaj sayısı gibi önemli mimari özellikleri tahmin eder. Veri seti, 80:20 bölünmüş oranla rastgele eğitim ve test setlerine bölündü ve tekrarlanabilirliği sağlamak için sabit rastgele tohum kullanıldı. Bu modeller, kat planlarının farklı mekansal özelliklerini yakalar ve tamamlayıcı tahminler sunar. Özellik temsili, her temel modelin çıktılarının üst üste yığılarak tek bir özellik temsili oluşturulmasıyla oluşturulur. Bu ortak çıktı, daha sonra tüm temel modellerin tahminlerini birleştirmek üzere eğitilen bir meta-ensemble modeli olan CARE-MIRV-Net'e aktarılır. Temel model tahminleri bağımsız olarak üretildi ve meta-özellik vektörünü oluşturmak için birleştirildi. Veri sızıntısı, eğitim ve test veri setlerinin sıkı şekilde ayrılmasıyla önlendi. Meta-model bu tahminleri geliştirir ve nihai mimari öznitelik tahminlerini üretir. Meta-model, 512 ve 256 nöronlardan oluşan tam bağlı katmanlardan, ReLU aktivasyon fonksiyonlarından, 0.4 ve 0.3 terk oranlarından, Adam optimizatorundan (öğrenme oranı = 0.0001), 32 parti büyüklüğünden ve erken durma ile 15 eğitim eposhasına kadar yer alıyordu. Tahminden sonra, sonuçları bağlamlandırmak için bir karar katmanı kullanılır. Tahmini değerlere göre, her konut düzeni yaşlı bakımı, tıbbi bakım veya genel konut kullanımı olarak kategorize edilir. Konut kategorileri, tahmin edilen kat planı özelliklerinden türetilen önceden tanımlanmış eşik tabanlı puanlama kuralları kullanılarak atandı. En yüksek puana sahip kategori nihai sınıflandırma olarak seçildi. Tam sınıflandırma eşikleri ve karar kuralları Algoritma 1'de (Ek Dosya 2) sağlanmıştır. Son olarak, çerçeve, her temel modelin nihai tahmin üzerindeki etkisini değerlendirmek için SHAP tabanlı bir açıklanabilirlik bileşeni içerir. SHAP analizi, daha önce ve Ek Dosya 1'de açıklandığı gibi gerçekleştirilmiştir. Bu bileşen, şeffaflığı artırır ve karar alma sürecinin anlaşılmasına yardımcı olur. Önerilen yaklaşımın etkinliği ve uygulanabilirliği standart regresyon performans ölçütleriyle değerlendirildi. Performans, sabit rastgele tohumla tek bir deneysel çalışma kullanılarak değerlendirildi.

Değerlendirme Modelleri

Bu bölümde, çalışmada kullanılan DL modelleri sunulmakta, hem bireysel baz modelleri hem de önerilen CARE-MIRV-Net dahil edilmiştir. Kıyaslama modelleri, çeşitli ve yaygın olarak benimsenen DL mimarilerini temsil etmek üzere seçildi. MobileNetV2, hafif ve hesaplama açısından verimli bir ağ olarak dahil edildi ve InceptionV3, çok ölçekli mekânsal özellikleri yakalama yeteneği nedeniyle seçildi. ResNet101, hiyerarşik özellik çıkarımı için derin kalıntı öğrenme yeteneği nedeniyle seçildi ve VGG16 iyi köklü bir konvolüsyon mimari olarak dahil edildi. Tüm kıyaslama modelleri, adil bir karşılaştırmalı değerlendirme sağlamak için aynı ön işleme prosedürleri, veri artırma ayarları, veri seti bölümleri, optimizasyon parametreleri, parti boyutu ve eğitim yapılandırması kullanılarak eğitildi.

MobileNetV2:

MobileNetV2, hızlı, yüksek performanslı ve daha az hesaplama karmaşıklığına sahip olacak şekilde tasarlanmış küçük ve kompakt bir CNN sistemidir. Verimli özellik çıkarımı kolaylaştıran ve yine de yüksek temsil gücüne sahip olan ters kalıntı bağlantılar ve doğrusal darboğazlar gibi büyük yenilikleri sunar. MobileNetV2, geleneksel konvolüsyon ağların toplam parametre sayısını ve hesaplama maliyetini büyük ölçüde en aza indirmek için derinlik olarak ayrılabilir konvolüsyonları kullanabilir ve bu nedenle büyük görüntü tabanlı öğrenme problemlerine iyi uyum sağlar.

MobileNetV2, önerilen çerçevede, konut kat planı imgelerinin mimari özelliklerini tahmin etmek için temel DL modellerinden biri olarak kullanılır. Model, verimli tasarımı sayesinde kat planlarında gerçekleşen oda dağılımı, düzen yoğunluğu ve yapısal organizasyon gibi mekansal desenleri etkili şekilde öğrenebiliyor. Bu tür öğrenilmiş temsiller, metrekare, yatak odası sayısı, banyo ve garajlar gibi önemli özelliklerin doğru tahmin edilmesinde önemli bir rol oynar. MobileNetV2, önerilen meta-ensemble çerçevesine dahil edilmek için iyi bir aday olan hafif bir modeldir. Diğer DL modellerine bazı tamamlayıcı özellik temsilleri ekler ve sistemin genel dayanıklılığını ve genelleştirilmesini artırır. Bu model öğrenimi, tahminlerin doğruluğunu artırmak ve sağlık hizmetlerine dayalı konut tasarımlarının sınıflandırılmasına yardımcı olmak açısından çok önemlidir.

MobileNetV2 modeli, ImageNet veri setinden önceden eğitilmiş ağırlıklarla transfer-öğrenme stratejisi kullanılarak eğitilmektedir. Giriş görüntüleri, mimariyle uyumlu olan 224 × 224 × 3 sabit boyutlara ölçeklendirilmiştir. Görüntüler 224 × 224 piksele boyutlandırıldı, [0, 1] aralığına normalleştirildi ve rastgele çevirme, döndürme, yakınlaştırma ve kaydırma ile artırıldı. Eğitim sırasında 32 kişilik bir parti kullanıldı. MobileNetV2'nin ilk sınıflandırma başlığı kaldırılır ve yerine regresyon başlığı getirilir. Regresyon başlığı, 512 ve 256 nöronlu tam bağlı katmanlar, parti normalizasyonu, kesilme katmanları (0.4 ve 0.3) ve dört nöronlu doğrusal çıkış katmanından oluşuyordu. Alan adaptasyonunu kolaylaştırmak için, alt önceden eğitilmiş katmanlar dondurulurken, block_13_expand'dan başlayan üst katmanlar ve özel regresyon başlığı ince ayarlandı. Bu seçici eğitim yaklaşımı, modelin genel görsel özellikleri korumasını sağlarken kat planı görüntülerinin alana özgü mekansal özelliklerini öğrenir. Çıkarılan özellik haritaları, ReLU aktivasyonu kullanılarak 512 ve 256 nöronlarla tam bağlı katmanlar aracılığıyla Küresel Ortalama Havuzlama katmanı üzerinden işlenir. Genelleştirmeyi artırmak ve aşırı uyumu azaltmak için parti normalizasyonu ve bırakma katmanları (0.4 ve 0.3) dahil edilmiştir. Son çıktı katmanı, tahmin edilen mimari özelliklere karşılık gelen doğrusal aktivasyona sahip dört nöron içerir. Adam optimizatörü öğrenme hızı 0.0001 ve TensorFlow/Keras varsayılan parametreleriyle (β₁ = 0.9, β₂ = 0.999, ε = 1 × 10⁻⁷, amsgrad = Yanlış) kullanıldı. Çoklu çıktı tahmini için, MAE ve R² , her hedef değişken için tahmin edilen ve gerçek değerlerin karşılaştırılması ve ardından tüm çıktılar boyunca sonuçların ortalaması alınarak hesaplandı. Erken durdurma doğrulama kaybına dayalı olarak uygulandı ve uyum sağlama hızı azaltılması yakınsamayı iyileştirmek için kullanıldı. Eğitimler 15 döneme kadar gerçekleştirildi.

InceptionV3:

InceptionV3, paralel konvolüsyon işlemler kullanarak çok ölçekli özellikleri yakalayabilen derin bir CNN mimarisidir. Aynı katmanda çeşitli filtre boyutlarını kullanarak hem ince tanenli hem de kaba özellikleri aynı anda çıkaran Inception modülü üzerine kuruludur. Bu tür mimari tasarım, ağın karmaşık uzamsal hiyerarşileri öğrenmesine ve hesaplama açısından verimli olmasına olanak tanır. Bunun üzerine, InceptionV3 faktörlü konvolüsiyalar ve boyut küçümsemesi kullanır; bu da performansı artırır ve hesaplama maliyetini en aza indirir.

Önerilen çerçevede InceptionV3, konut kat planı görüntülerini analiz etmek için etkili bir özellik çıkarıcı olarak uygulanmıştır. Kat planları, oda boyutları, yapısal planlar ve bağlantı gibi çeşitli mekânsal desenler içerir ve çok ölçekli özellikler öğrenimini gerektirir. Inception mimarisi, yerel özgüllükleri (örneğin küçük odalar) ve küresel yapıları (örneğin, genel düzenin organizasyonu) aynı anda temsil edebilmesi nedeniyle bu göreve özellikle daha uygundur. InceptionV3, meta-ensemble çerçevesi bağlamında MobileNetV2 gibi diğer modellere tamamlayıcı temsiller sağlar. Tahminlerin çeşitliliği, karmaşık mekansal ilişkileri modelleme yeteneğiyle artar; bu da topluluk performansını artırmada önemlidir. Bu, mimari özelliklerin daha iyi tahmin edilmesine yardımcı olur ve yaşlılara uygun ve sağlık hizmeti bütünü konut tasarımının aşağı sınıflandırmasını pekiştirir.

InceptionV3 modeli, ImageNet veri setinden önceden eğitilmiş ağırlıklarla transfer-öğrenme yaklaşımı kullanılarak eğitilmektedir. Giriş görüntüleri, ağ mimarisiyle uyumluluğu ve çerçeve içindeki tüm modellerde tutarlılığı sağlamak için 224 × 224 × 3 olarak ölçeklendirilmiştir. Görüntüler 224 × 224 piksele boyutlandırıldı, [0, 1] aralığına normalleştirildi ve rastgele çevirme, döndürme, yakınlaştırma ve kaydırma ile artırıldı. Eğitim sırasında 32 kişilik bir parti kullanıldı.

InceptionV3'ün orijinal sınıflandırma katmanları kaldırılır ve çoklu çıkış tahminini mümkün kılan özel bir regresyon başlığı eklenmiştir. Özel regresyon başlığı, Küresel Ortalama Havuzlama katmanı ve ardından 512 ve 256 nöronlu tam bağlı katmanlar, parti normalizasyonu, dropout katmanları (0.4 ve 0.3) ve dört nöronlu lineer çıkış katmanından oluşuyordu. Konvolüsyon taban kısmen ince ayarlanmış, alt önceden eğitilmiş katmanlar donmuş ve üst katmanlar ile özel regresyon başlığı alana özgü kat planı özelliklerini öğrenmek için ince ayarlanmıştır ve ön eğitim sırasında elde edilen genel görsel temsilleri korur. Konvolüsyon omurgasından sonra, Küresel Ortalama Havuzlama katmanı özellik haritalarını kompakt bir özellik temsiline dönüştürür. Bunu, ReLU aktivasyon fonksiyonlarına sahip 512 ve 256 nöronu içeren tam bağlı katmanlar takip eder. Aşırı uyumu en aza indirmek ve genellemeyi iyileştirmek için 0.4 ve 0.3 terk oranları uygulanır. Son çıkış katmanı, metrekare, yatak odası sayısı, banyo sayısı ve garaj sayısının tahminine karşılık gelen doğrusal aktivasyona sahip dört nörondan oluşur. Model, Adam optimizatörü kullanılarak 0.0001 öğrenme hızı, 32 parti boyutu ve erken durma ile uyarlanabilir öğrenme oranı azaltılması ile 15 eğitim epoşu ile eğitilerek stabilize yakınsamayı sağlar.

ResNet101:

ResNet101, CNN'in kalıntı öğrenme ilkesi üzerine inşa edilmiş derin bir yapıdır ve bu da son derece derin ağların kaybolma gradyan problemini aşarak eğitilmesini mümkün kılar. Ağın, kimlik eşlemelerini öğrenmesini ve bilgiyi katmanlar arasında tutmasını sağlayan kalıntı bağlantılar veya sözde atlama bağlantıları ekler. Bu mimari, eğitimin istikrarını büyük ölçüde artırır ve modelin karmaşık hiyerarşik özellikleri öğrenmesini sağlar. ResNet101, 101 katmanlık derin temsil kapasitesine sahiptir ve bu nedenle ekstra mekansal özellikler gerektiren görevlerde çok etkilidir.

ResNet101, önerilen çerçevede yüksek kapasiteli bir özellik çıkarıcı olarak kullanılacak ve konut kat planlarının görüntülerini analiz edecek. Model, derin mimarisi sayesinde oda bağlantısı, düzen karmaşıklığı ve yapısal varyasyonlar gibi karmaşık mekansal ilişkileri temsil etmek için kullanılabilir. Bu özellikler, metrekare, yatak odaları, banyolar ve garajlar gibi mimari özellikler hakkında kesin tahminler yapmak için kritik öneme sahiptir. Meta-topluluk tasarımında ResNet101 önemli bir bileşendir ve derin ve soyut özellik temsilleri sunar. ResNet101, MobileNetV2 gibi hafif modellere kıyasla temel öğrenenler arasında daha fazla çeşitlilik gösterdiği ince taneli yapısal özelliklerle ilgilenir. Bu heterojenlik, özellikle sağlık temelli konut sınıflandırması ile ilgili olarak, bir topluluğun performansını ve sağlam tahminlerin artırılmasında önemli bir rol oynar.

ResNet101, ImageNet veri setinden önceden eğitilmiş ağırlıklarla transfer-öğrenme yaklaşımı kullanılarak eğitilmektedir. Giriş görüntüleri 224 × 224 × 3 olarak ölçeklendirilir; bu da çerçeve içindeki tüm modeller arasında mimari uyumluluk ve tutarlılık sağlar. Görüntüler 224 × 224 piksele boyutlandırıldı, [0, 1] aralığına normalleştirildi ve rastgele çevirme, döndürme, yakınlaştırma ve kaydırma ile artırıldı. Eğitim sırasında 32 kişilik bir parti kullanıldı. ResNet101'in orijinal sınıflandırma başlığı kaldırılır (include_top=Yanlış) ve çoklu çıkış tahminini mümkün kılan özel bir regresyon başlığı eklenmiştir. Regresyon başlığı, 512 ve 256 nöronlu tam bağlı katmanlar, parti normalizasyonu, kesilme katmanları (0.4 ve 0.3) ve dört nöronlu doğrusal çıkış katmanından oluşuyordu. Özellik yeniden kullanımı ile alan uyarlamasını dengelemek için, alt önceden eğitilmiş katmanlar dondurulurken, conv4_block1_1_conv'dan başlayan daha derin katmanlar ve özel regresyon başlığı ince ayar yapıldı. Bu seçici eğitim stratejisi, modelin genel görsel özellikleri korumasını sağlarken üst düzey temsilleri kat planı görüntülerine uyarlamasını sağlar. Konvolüsyon tabanın çıktısı, kompakt bir özellik temsili oluşturmak için Küresel Ortalama Havuzlama katmanından geçirilir. Bunu ReLU aktivasyon fonksiyonlarını kullanan 512 ve 256 nöronlardan oluşan tam bağlı katmanlar takip eder. Öğrenmeyi stabilize etmek için toplu normalizasyon uygulanır ve aşırı uyumu azaltmak ve genelleştirmeyi geliştirmek için 0.4 ve 0.3 oranlarına sahip dropout katmanları entegre edilir. Son çıkış katmanı, metrekare, yatak odası, banyo ve garajlara karşılık gelen doğrusal aktivasyona sahip dört nöron içerir. Adam optimizatoru, eğitim yapılandırmasında tanımlandığı gibi 0.0001 öğrenme hızıyla kullanıldı. Veri artırma, model genelleştirmesini geliştirmek için rastgele çevirme, döndürme, yakınlaştırma ve kaydırmayı içeriyordu. Eğitim, doğrulama kaybı ve uyarlanabilir öğrenme hızının azalmasına dayalı erken durma ile 15 döneme kadar gerçekleştirildi.

VGG16:

VGG16, görsel tanıma görevlerinde etkili ve basit olan derin konvolüsyon tipte basit bir sinir ağı mimarisidir. Düzenli veya homojen bir tasarıma sahip 16 katmandan oluşur; küçük 3 × 3 konvolüsyon filtreler içerir; bu filtreler ağ tarafından hiyerarşik özelliklerin temsilini öğrenmeyi kolaylaştırır. Mimari derinlik odaklı ve basittir, bu da kenarlar, dokular ve yüksek seviyeli anlamsal yapılar gibi düşük seviyeli detayları yakalayabildiği anlamına gelir. VGG16, düzenli tasarımı ve iyi performansıyla artık görüntüyle ilgili görevlerde transfer öğrenme yaparken popüler bir omurga tercihi haline geldi.

Önerilen modelde, VGG16, konut kat planlarının görüntülerinin mekansal özelliklerini türetmek için temel DL modeli olarak kullanılır. Organize olması, oda sınırları, yapısal hizalamalar ve mekânsal organizasyon gibi düzen desenlerinin ince detaylarını yakalamada çok faydalı olmasını sağlar. Bu özellikler, metrekare, yatak odaları, banyolar ve garajlar gibi mimari özelliklerin etkili bir şekilde tahmin edilmesinde kritik öneme sahiptir. Meta-ensemble sisteminde, VGG16 kararlı ve iyi genelleştirilmiş özellik temsilleri sağlar. VGG16, ResNet101 gibi daha derin mimarilere ve InceptionV3 gibi çok ölçekli mimarilere kıyasla daha dengeli bir özellik çıkarma yaklaşımı sunar ve temel öğrenici çeşitliliğini artırır. Bu heterojenlik, topluluk performansını artırmak ve sağlık odaklı konut sınıflandırmasının güvenilir tahminleri için kritik öneme sahiptir.

VGG16 modeli, ImageNet veri setinden önceden eğitilmiş ağırlıklarla transfer-öğrenme yaklaşımı kullanılarak eğitilmektedir. Giriş görüntüleri, mimariyle uyumluluğu ve çerçeve içindeki tüm modellerde tutarlılığı sağlamak için 224 × 224 × 3 olarak ölçeklendirilmiştir. Görüntüler 224 × 224 piksele boyutlandırıldı, [0, 1] aralığına normalleştirildi ve rastgele çevirme, döndürme, yakınlaştırma ve kaydırma ile artırıldı. Eğitim sırasında 32 kişilik bir parti kullanıldı. Orijinal sınıflandırma katmanları kaldırılır (include_top=Yanlış) ve modeli çoklu çıkış tahmini için uyarlamak amacıyla özel bir regresyon başlığı eklenir. Regresyon başlığı, 512 ve 256 nöronlu tam bağlı katmanlar, parti normalizasyonu, kesilme katmanları (0.4 ve 0.3) ve dört nöronlu doğrusal çıkış katmanından oluşuyordu. Alt önceden eğitilmiş katmanlar dondurulurken, block4_conv1'dan başlayan katmanlar ve özel regresyon başlığı ince ayarlandı. Bu strateji, modelin genel görsel özellikleri korumasını sağlarken kat planı analiziyle ilgili alan özelleri öğrenir. Konvolüsyon tabanın çıktı özellikleri, kompakt bir özellik vektörü oluşturmak için Küresel Ortalama Havuzlama katmanından geçirilir. Bunu ReLU aktivasyon fonksiyonlarını kullanan 512 ve 256 nöronlardan oluşan tam bağlı katmanlar takip eder. 0.4 ve 0.3 oranlarında parti normalizasyonu ve bırakma katmanları, eğitimi stabilize etmek, aşırı uyumu azaltmak ve genelleştirmeyi iyileştirmek için dahil edilmiştir. Son çıkış katmanı, metrekare, yatak odası, banyo sayısı ve garaj tahminlerine karşılık gelen doğrusal aktivasyona sahip dört nörondan oluşur. Adam optimizatoru, eğitim yapılandırmasında tanımlandığı gibi 0.0001 öğrenme hızıyla kullanıldı. Veri artırma, model genelleştirmesini geliştirmek için rastgele çevirme, döndürme, yakınlaştırma ve kaydırmayı içeriyordu. Eğitim, doğrulama kaybı ve uyarlanabilir öğrenme hızının azalmasına dayalı erken durma ile 15 döneme kadar gerçekleştirildi.

CARE-MIRV-NET (Önerilen Meta-Ensemble DL Modeli):

Önerilen CARE-MIRV-Net (MobileNetV2, InceptionV3, ResNet101 ve VGG16 Ağını kullanan Bağlam-Bilinçli Konut Topluluğu), konut kat planı resimlerine dayanarak mimari özelliklerin tahminini iyileştirmeyi amaçlayan stacking tabanlı bir meta-ensemble DL çerçevesidir. Mimari, çeşitli heterojen CNN'leri özelliklerin çıkarımında onların sinerjik avantajlarından yararlanarak birleştirir. Önerilen model, hafif, derin ve çok ölçekli mimarinin birleşimine dayanarak tahmin performansını artırıyor ve geniş bir konut düzeninde dayanıklılık sağlıyor. Geleneksel tek model tabanlı tekniklerin aksine, CARE-MIRV-Net hiyerarşik bir öğrenme yaklaşımı izler; burada temel modeller ilk tahminler sunar ve bu tahminler daha sonra bir meta-öğrenici tarafından geliştirilir.

Mekansal ve sağlık açısından bilinçli konut tasarımları söz konusu olduğunda, kat planı planlarının doğru yorumlanması son derece önemlidir. Tek DL modelleri, farklı mimari desenleri genelleştirmede genellikle yetersiz olur. Önerilen çerçeve, kendi farklı temsil yeteneklerini ortaya koyan dört farklı mimari kullanarak bu zayıflığı aşacaktır: MobileNetV2, InceptionV3, ResNet101 ve VGG16. MobileNetV2, özellikleri verimli bir şekilde çıkarmak için kullanılabilir ve hafiftir; InceptionV3, birden fazla ölçekte mekânsal desenleri öğrenir; ResNet101 derin hiyerarşik temsilleri öğrenir; ve VGG16 özellikleri tutarlı ve güvenilir şekilde öğrenir. Bu modellerin birleşimi, çerçevenin hem yerel hem de küresel mekansal özellikleri kapsaymasını kolaylaştırır; bu da tahmin edilen özelliklerin doğruluğunu ve güvenilirliğini artırır; örneğin metrekare, yatak odası sayısı, banyo ve garajlar. Yukarıdaki tahminler, yaşlılara uygun, sağlık hizmetleriyle entegre ve genel konut alanlarını da kapsayacak konut düzenlerinin daha fazla sınıflandırılmasını öngörmek için kullanılabilir.

CARE-MIRV-Net, iki aşamalı üst üste yığma tabanlı bir topluluk stratejisi kullanılarak uygulanmıştır. İlk aşamada, dört baz model hedef değişkenler için bağımsız olarak tahminler üretir. Meta-öğrenen girdileri, eğitilmiş temel modeller tarafından üretilen tahmin çıktılarının eğitim verisi üzerine birleştirilmesiyle oluşturuldu. Bu birleştirilmiş tahminler, meta-model eğitimi için kullanılan 16 boyutlu meta-özellik vektörlerini oluşturdu. Bilgi sızıntısı, eğitim ve test veri setlerinin sıkı şekilde ayrılmasıyla önlendi ve ne temel model ne de meta-model eğitimi sırasında test örnekleri kullanılmadı. Temel modeller için kullanılan aynı eğitim ve doğrulama veri setleri istifleme sürecinde kullanıldı. Hem eğitim hem çıkarım sırasında, 16 boyutlu meta-özellik vektörü, MobileNetV2, InceptionV3, ResNet101 ve VGG16 tarafından üretilen dört tahmin çıktısının birleştirilmesiyle oluşturuldu. Her model dört boyutlu bir çıkış vektörü ürettiğinden, birleştirilmiş temsil meta-öğreniciye 16 boyutlu bir giriş üretir. Bu dönüşüm, tüm temel modellerden gelen tahminleri birleştirir ve çerçevenin ikinci aşamasına giriş sağlar. İkinci aşama, temel model tahminlerinin optimal kombinasyonunu öğrenmek için tamamen bağlı bir sinir ağı meta-öğrenicisi oluşturulmasını içerir. Meta-öğrenici, 512 ve 256 nöronlardan oluşan tam bağlı katmanlardan, ReLU aktivasyonundan, parti normalizasyonundan, 0.4 ve 0.3 kesinti oranlarından ve dört nöronlu doğrusal çıkış katmanından oluşuyordu. Yoğun katmanlardan sonra 0.4 ve 0.3 oranlarında dropout katmanları uygulanarak aşırı uyumu azalttı ve genelleştirmeyi iyileştirdi. Meta-model, Adam optimizatörü kullanılarak 0.0001 öğrenme oranı, 32 toplu boyut ve erken durma ile uyarlanabilir öğrenme oranı azaltımıyla 15 döneme kadar eğitildi. Doğrulama verileri, eğitim sırasında model performansını izlemek ve en iyi performanslı modeli seçmek için kullanıldı. Eğitimden sonra, meta-ensemble modeli tüm temel öğrenicilerden çıkan çıktıları birleştirerek nihai tahminler üretti. CARE-MIRV-Net'in performansını değerlendirmek için MAE ve R² kullanıldı. Çoklu çıktı tahmini için, MAE ve R² , her hedef değişken için tahmin edilen ve gerçek değerlerin karşılaştırılması ve ardından tüm çıktılar boyunca sonuçların ortalaması alınarak hesaplandı. Sonuçlar, sabit rastgele bir tohum kullanılarak tek bir deneysel çalışmadan elde edildi. Önerilen çerçeve, birkaç DL yapısını bir üst üste yerleştirme mekanizması aracılığıyla birleştirerek ve konut kat planlarının yorumlanabilir analizini sağlayarak öngörebilirliği artırır. Bu da CARE-MIRV-Net'i geriyatri odaklı ve sağlık odaklı konut tasarımı bağlamında uygulanabilir kılar. Kaynak kodu, ortam yapılandırma bilgileri, yazılım bağımlılığı spesifikasyonları ve uygulama dokümantasyonu Ek Dosya 1'de sağlanmıştır.

Performans Değerlendirmesi

Önerilen çerçevenin performans analizi, farklı mimari özellikler üzerinde öngörü gücü, dayanıklılığı ve genelleştirme performansını belirlemek için yapılır. Önerilen modelin faydalılığını doğrulamak için nicel ve niteliksel analizler yapılır. Değerlendirme prosedürü, hem standart regresyon ölçümlerini hem de kontrollü deneysel ortamları kapsayarak temel modellerle adil karşılaştırma yapılmasını sağlar. Deneyler, tüm kıyaslama ve önerilen modellerde tekrarlanabilirlik ve tutarlılık sağlamak için sabit rastgele tohum ile tek bir deneysel çalışma kullanılarak gerçekleştirildi.

Performans Parametreleri:

Önerilen çerçevenin performansını değerlendirmek için iki iyi bilinen regresyon ölçütü, MAE ve R², kullanılır. MAE, tahmin hatalarının ortalama büyüklüğünü ölçür ve tahmin edilen ile gerçek değerler arasındaki yakınlığı net bir şekilde gösterir. Buna karşılık, R² değeri, model tarafından açıklanan hedef değişkenlerdeki varyans oranını değerlendirmek için kullanılır ve modelin genel tahmin gücünü yansıtır. Bu metriklerin birleşimi, tahmin edilen tüm mimari özelliklerin doğruluk ve genelleştirme performansının kapsamlı bir değerlendirmesini sağlar. Çoklu çıktı tahmini için, MAE ve R², her hedef değişken için tahmin edilen ve gerçek değerlerin karşılaştırılması ve ardından tüm çıktılar boyunca sonuçların ortalaması alınarak hesaplandı.

Deneysel Kurulum:

Deneyler, Python (sürüm 3.12.12) kullanılarak bulut bilişim ortamında gerçekleştirildi. Önerilen protokol, TensorFlow (sürüm 2.19.0), Keras (sürüm 3.13.2), NumPy (sürüm 2.4.6), Pandas (sürüm 2.3.3), Scikit-learn (sürüm 1.6.1), Matplotlib (sürüm 3.9) ve SHAP (sürüm 0.51.0) kullanılarak uygulandı. Hesaplama ortamı, yaklaşık 31 GB sistem belleği ile 2.20 GHz frekansında çalışan bir Intel Xeon işlemcisi kullanıyordu. Deneyler, NVIDIA Tesla T4 × 2 GPU kullanan bir Ubuntu 22.04 LTS işletim sistemi üzerinde gerçekleştirildi. Veri seti, önceden işlenmiş ve eğitim ile test veri setlerine alt bölünmüş 2.640 konut kat planı görüntüsünü içermektedir. Veri seti, 80:20 bölünme oranıyla bölündü ve 2.112 eğitim örneği ve 528 test örneği elde edildi. MobileNetV2, InceptionV3, ResNet101 ve VGG16, transfer öğrenme ile ince ayar yöntemiyle eğitilen dört DL modelidir. Daha sonra, bu temel modellerden alınan tahminleri birleştirmek için biriktirme tabanlı bir meta-ensemble modeli olan CARE-MIRV-Net oluşturuldu. Her model, görüntünün 224 × 224 piksele boyutlandırılması, veri artırma ve aşırı uyumu azaltmak için erken durma gibi tekdüze koşullar altında eğitildi. Veri artırma ise rastgele çevirme, döndürme, yakınlaştırma ve kaydırmayı içeriyordu. 32 parti büyüklüğü ve maksimum 15 eğitim dönemi kullanıldı; doğrulama kaybı ve adaptif öğrenme oranının azalmasına dayalı erken durdurma yapıldı. Son analiz, tarafsız ve güvenilir bir performans değerlendirmesi sağlamak için gizli bir test setinde gerçekleştirildi. Gizli test seti, ilk veri seti bölünmesi sırasında oluşturulmuş ve model eğitimi ve geliştirme boyunca tamamen izole kaldı, böylece tarafsız performans değerlendirmesi sağlandı.

Veri Seti Açıklaması:

Bu çalışmanın bulgularını desteklemek için kullanılan veri seti, Kaggle platformunda "Kat Planı Görüntüleri ve Detayları" başlığıyla kamuya açık bir şekilde ^mevcuttur28. Veri seti şu adreste mevcuttur: https://www.kaggle.com/datasets/adilmohammed/floor-plan-images-and-their-details (erişim tarihi: 16 Nisan 2026). Veriler, 2.640 konut kat planı görüntüsü ve organize mimari meta verilerden oluşmaktadır. Her örnek, farklı boyutlar, konfigürasyonlar ve mekansal düzenlemelerle geniş bir konut planı yelpazesi sunan ayrı bir konut planıdır. Veri seti boyutu, DL tabanlı eğitim için yeterlidir ve çeşitli mimari desenler içerir. Veri seti, iki boyutlu bir kat planı görüntüsü ve konutun yapısal özelliklerini tanımlayan ilgili sayısal özelliklerden oluşmaktadır. Bu özellikler arasında toplam metrekare, yatak odası sayısı, banyo sayısı ve garaj sayısı yer alır. Ayrıca, her kayıt bir görüntü yolu içerir ve bu da görsel girdilerin etiketlere doğrudan eşlenmesini sağlar. Veri seti değişkenleri arasında kat planı görüntüsü, görüntü yolu, metrekare, yatak odası sayısı, banyo sayısı ve garaj sayısı yer alır. Kat planı görüntüsü giriş özelliği olarak kullanılırken, mimari özellikler tahmin hedefi olarak kullanılır. Bu nedenle veri seti, gözetimli öğrenme için uygundur; görüntüler giriş özellikleri olarak, mimari özellikler ise regresyon hedefi olarak hizmet verir.

Veri seti, daha az odalı kompakt yerleşimlerden büyük çok odalı yerleşimlere kadar geniş bir konut yerleşim yelpazesi içerir. Bu değişkenlik, oda dağılımı, düzen yoğunluğu ve yapısal karmaşıklık gibi anlamlı mekânsal temsillerin öğrenilmesini sağlar. Bu çeşitlilik, önerilen çerçeve için özellikle önemlidir; çünkü kat planlarının yaşlılar dostu, sağlık hizmetleriyle entegre ve genel konut düzenleri olarak kategorize edilmesini destekliyor. Model eğitiminden önce, veri seti, DL modelleriyle tutarlılık ve uyumluluğu sağlamak için bir dizi ön işleme prosedürlerinden geçer. Tüm görüntüler 224 × 224 piksel boyutuna yeniden boyutlandırıldı ve eğitimden önce [0, 1] aralığına normalleştirildi. Veri seti, görüntü yolları ile ilgili meta verilerle eşleştirilerek organize edilir, ardından performans analizini kolaylaştırmak için eğitim ve test alt kümelerine ayrılır. Veri seti, 80:20 bölünmüş oranda rastgele eğitim ve test setlerine bölündü. Tam görüntü ve meta veri bilgisi içeren kayıtlar analize dahil edilirken, eksik veya geçersiz kayıtlar hariç tutuldu. Veri seti bölümleme sırasında tekrarlanabilirliği sağlamak için sabit rastgele bir tohum kullanıldı. Veri seti, konut kat planlarının yapay zeka tabanlı analizi için ayrıntılı bir temel sağlar. 2.640 açıklamalı görüntü ve çeşitli mimari özelliklerin birleşimi, çoklu çıkış regresyon modellemesini destekler ve mekânsal zekanın sağlık odaklı konut tasarım karar alma süreçleriyle entegrasyonunu sağlar.

Sonuçlar

Önerilen çerçeveyi değerlendirmek için dört DL modeli olan MobileNetV2, InceptionV3, ResNet101 ve VGG16 ile önerilen CARE-MIRV-Net meta-ensemble modeli kullanılarak bir dizi deney gerçekleştirildi.

Veri Seti Edinimi ve Ön İşleme Sonuçları

Ön işleme aşaması, ham kat planı görüntülerini ve ilgili meta verileri DL modelleri kullanılarak eğitim ve değerlendirme için hazırlamak üzere tasarlandı. Veri seti Kaggle deposundan alındı ve 2.640 örnek içeriyordu. Her örnek, bir kat planı görüntüsü ve ona karşılık gelen mimari özelliklerden oluşuyordu. Yalnızca ilgili sütunlar, görüntü yolu, metrekare, yatak odaları, banyolar ve garajlar dahil olmak üzere daha fazla analiz için tutuldu ve veri tutarlılığı ve kalitesini korumak için eksik veya boş kayıtlar kaldırıldı. Model eğitimi ve değerlendirmesini kolaylaştırmak için veri seti 80:20 oranında eğitim ve test alt kümelerine ayrıldı ve 2.112 eğitim örneği ve 528 test örneği elde edildi. Veri seti bölümleme sırasında tekrarlanabilirliği sağlamak için sabit rastgele bir tohum kullanıldı. Bu bölüm, modellerin yeterince büyük bir veri seti üzerinde eğitilmesini sağlarken, nesnel performans değerlendirmesi için bağımsız bir test seti korunmasını sağladı. Görüntü yolları, her kaydın veri seti dizinindeki ilgili konumuna eşlenerek standartlaştırıldı. Dört mimari özellik (metrekare, yatak odaları, banyolar ve garajlar) çoklu çıktı regresyon görevi için hedef değişkenler olarak kullanıldı. Yatak odaları, banyolar ve garajlar ayrık değişkenler olmasına rağmen, birleşik bir öğrenme mimarisi içinde tüm mimari özelliklerin eşzamanlı tahmin edilmesini sağlamak için çoklu çıkış regresyon çerçevesi kullanılarak modellenmiştir. Bu yaklaşım, modelin hedef değişkenler arasındaki ortak ilişkileri yakalamasına ve sürekli ile ayrık mimari özellikler arasındaki korelasyonları kullanmasına olanak tanır. Ayrık özellikler için tahmin edilen değerler, yorumlama ve aşağı akım yerleşim sınıflandırması öncesinde post-processing sırasında en yakın geçerli tam sayıya dönüştürüldü.

Tablo 1, önerilen modelin öngören mimari özelliklerini özetlemekte olup, konut kat planlarının temel mekânsal ve işlevsel özelliklerini temsil etmektedir. Hedef değişkenlerin dağılımını histogramlar ve sayıya dayalı görselleştirmeler kullanarak daha iyi anlamak için keşif veri analizi yapıldı. Metrekare dağılımı değişen yoğunluklarla kesintilidir; yatak odaları, banyolar ve garajlar dağılımları ise farklı konut konfigürasyonlarının sıklığını vurgular. Bu dağılımlar Şekil 2'de gösterilmiştir. Metrekare dağılımı Şekil 2A'da, yatak odaları, banyolar ve garajların dağılımları ise sırasıyla Şekil 2B–2D'de gösterilmiştir. Bu grafikler birlikte, veri setindeki hedef değişkenlerin değişkenliğini ve dağılımını gösterir.

Özellik Adı	Tanım
Metrekare	Konut biriminin toplam yerleşim alanı
Yataklar	Düzendeki yatak odası sayısı
Hamamlar	Düzendeki banyo sayısı
Garajlar	Mevcut garaj alanlarının sayısı

Tablo 1: Tahmin hedefleri olarak kullanılan mimari özellikler. Konut kat planı veri setinden çıkarılan ve model eğitimi ve değerlendirmesi için hedef değişken olarak kullanılan mimari özelliklerin tanımları. Bu özellikler arasında toplam metrekare, yatak odası sayısı, banyo sayısı ve her konut kat planına bağlı garaj alanı sayısı yer alır.

Şekil 2. Konut kat planı veri setinde mimari özelliklerin dağılımı. Model geliştirme ve değerlendirme için kullanılan veri setinde (A) metrekare, (B) yatak odası sayısı, (C) banyo sayısı ve (D) garaj sayısı dağılımlarını gösteren histogramlar. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Görüntü ön işleme aşaması, tüm kat planı görüntülerini DL modelleri için uygun standart bir formata dönüştürdü. Tüm görüntüler yüklendi, RGB renk uzayına dönüştürüldü, 224 × 224 piksel boyutlarına yeniden boyutlandırıldı ve [0, 1] aralığına normalleştirildi. Bu süreç, eğitim sırasında tutarlı giriş boyutlarını ve model yakınsamasını iyileştirdi. Ön işlenmiş görüntüler rastgele örneklendi ve etiketler doğru ön işlem ve etiket hizasını doğrulamak için doğrulandı. Ön işlemeden sonra, her görüntü bir NumPy dizisine dönüştürüldü ve karşılık gelen hedef değerlerle eşleştirilerek giriş-çıktı veri seti oluşturuldu. Ortaya çıkan veri setleri, eğitim görüntülerinin (2112, 224, 224, 3) boyutlarına sahip ve (528, 224, 224, 3) boyutlarına sahip test görüntüleriyle verilerin başarılı bir şekilde hazırlandığını doğruladı. İlgili etiket matrisleri sırasıyla (2112, 4) ve (528, 4) boyutlarına sahipti. Hedef değişkenler, regresyon tabanlı öğrenmeyi desteklemek için kayan nokta değerlerine dönüştürüldü.

Model genelleştirmesini daha da geliştirmek ve aşırı uyumu azaltmak için, bir görüntü veri üreteci kullanılarak veri artırma teknikleri uygulandı. Bu teknikler, eğitim veri değişkenliğini artırmak ve model genellemesini geliştirmek için rastgele yatay çevirme, döndürme, yakınlaştırma ve genişlik/yükseklik kaydırmasını içeriyordu. Bu dönüşümler, eğitim verisindeki değişkenliği artırdı ve modellerin daha sağlam ve değişmez mekansal özellikleri öğrenmesini sağladı. Ön işleme boru hattı, temiz, standartlaştırılmış ve iyi yapılandırılmış görüntü ve tablo verileri üreterek önerilen meta-ensemble derin öğrenme çerçevesinin eğitimi için uygun bir temel sağladı.

Temel Modellerin Sonuçları ve Önerilen Model

Ön işlenmiş veri seti (2.640 kat planı görüntüsü) tüm modelleri eğitim ve test bölünmeleriyle eğitmek için kullanıldı. Veri seti, 80:20 bölünme oranıyla bölündü ve 2.112 eğitim örneği ve 528 test örneği elde edildi. Tekrarlanabilirliği sağlamak için sabit rastgele bir tohum kullanıldı. Önceden eğitilmiş ağırlıklar, modelleri mimari kat planı analizine uyarlamak için transfer öğrenimi ve ince ayar için kullanıldı. Genelleştirmeyi artırmak için eğitim sırasında veri artırma yöntemleri kullanıldı ve doğrulama performansını izleyerek aşırı uyumu azaltmak için erken durdurma yöntemi kullanıldı. Modeller, 32 adet parti boyutuyla 15 döneme kadar eğitilmiş, aşırı uyumu önlemek ve verimli yakınsamayı teşvik etmek için erken durdurma uygulanmıştır. Erken bırakma, doğrulama kaybını izledi ve daha fazla iyileşme gözlemlenmediğinde eğitimi sonlandırdı; uyum sağlama hızı azaltımı ise yakınsamayı iyileştirmek için uygulandı. Hem kayıp hem de MAE eğitim sürecini izlemek ve yakınsama, davranış ve stabiliteyi değerlendirmek için kullanıldı. Tüm modeller, adil bir karşılaştırma sağlamak için aynı deneysel koşullarda eğitildi. Şekil 3–7 , tüm modeller için eğitim ve doğrulama kaybı ile MAE eğrilerini göstererek, öğrenme dinamikleri ve genelleme davranışları hakkında içgörü sağlar.

Şekil 3. MobileNetV2'nin eğitim performansı. (A) Eğitim dönemleri arasında eğitim ve doğrulama kaybı. (B) Eğitim ve doğrulama, eğitim dönemleri arasında mutlak hata (MAE) anlamına gelir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 4. InceptionV3'ün eğitim performansı. (A) Eğitim dönemleri arasında eğitim ve doğrulama kaybı. (B) Eğitim ve doğrulama, eğitim dönemleri arasında mutlak hata (MAE) anlamına gelir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 5. ResNet101'in eğitim performansı. (A) Eğitim dönemleri arasında eğitim ve doğrulama kaybı. (B) Eğitim ve doğrulama, eğitim dönemleri arasında mutlak hata (MAE) anlamına gelir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 6. VGG16'nın eğitim performansı. (A) Eğitim dönemleri arasında eğitim ve doğrulama kaybı. (B) Eğitim ve doğrulama, eğitim dönemleri arasında mutlak hata (MAE) anlamına gelir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 7. CARE-MIRV-Net'in eğitim performansı. (A) Eğitim dönemleri arasında eğitim ve doğrulama kaybı. (B) Eğitim ve doğrulama, eğitim dönemleri arasında mutlak hata (MAE) anlamına gelir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

MobileNetV2'nin eğitim performansı Şekil 3'te gösterilmiştir. Eğitim ve doğrulama kayıp eğrileri Şekil 3A'da sunulurken, eğitim ve doğrulama MAE eğrileri Şekil 3B'de gösterilmiştir. Eğitim kaybı ve MAE, artan dönemlerle birlikte yavaş yavaş azaldı, bu da istikrarlı öğrenme davranışını gösteriyordu. Doğrulama eğrileri daha fazla çeşitlilik gösterdi ve eğitim eğrilerine göre nispeten daha yüksek kaldı; bu da genelleme performansının azaldığını gösteriyordu. Bu eğilim, MobileNetV2'nin özellikle metrekare tahmini için nispeten daha düşük öngörü performansı gösterdiği nicel sonuçlarla tutarlıdır. InceptionV3'ün eğitim performansı Şekil 4'te gösterilmiştir. Eğitim ve doğrulama kayıp eğrileri Şekil 4A'da sunulurken, eğitim ve doğrulama MAE eğrileri Şekil 4B'de gösterilmiştir. Model, hem eğitim hem doğrulama kaybı hem de MAE'de istikrarlı bir azalma gösterdi, eğriler arasında sadece küçük bir fark vardı. Bu davranış, etkili öğrenme ve nispeten iyi genellemeyi önerir. Kararlı doğrulama eğrileri, modelin çok ölçekli mekânsal özellikleri etkili bir şekilde yakaladığını ve MobileNetV2'ye kıyasla performansın artmasına katkıda bulunduğunu gösteriyor. ResNet101'in eğitim davranışı Şekil 5'te gösterilmiştir. Eğitim ve doğrulama kayıp eğrileri Şekil 5A'da sunulurken, eğitim ve doğrulama MAE eğrileri Şekil 5B'de gösterilmiştir. Model, eğitim kaybı ve MAE'de kademeli bir düşüş gösterdi, doğrulama eğrileri ise benzer bir eğilimi ve küçük dalgalanmaları takip etti. Bazı salınımlar gözlemlenmiş olsa da, genel yakınsamaya devam etti. Bu gözlemler, modelin kalıcı öğrenme yoluyla hiyerarşik mekânsal temsilleri öğrenme yeteneğiyle tutarlıdır. VGG16'nın eğitim performansı Şekil 6'da gösterilmiştir. Eğitim ve doğrulama kayıp eğrileri Şekil 6A'da sunulurken, eğitim ve doğrulama MAE eğrileri Şekil 6B'de gösterilmiştir.

VGG16'nın eğitim eğrileri, eğitim boyunca sürekli bir azalma gösterdi ve bu etkili öğrenmeyi gösteriyordu. Doğrulama eğrilerinde salınımlar ve eğitim eğrilerinden hafif bir ayrılık vardı, bu da hafif aşırı uyum olduğunu gösteriyordu. Buna rağmen, model özellikle metrekare ve garaj tahmini açısından rekabetçi kalmış, öğrenilmiş özellik temsillerinin etkili ve istikrarlı kaldığını gösteriyor.

CARE-MIRV-Net'in eğitim performansı Şekil 7'de gösterilmiştir. Eğitim ve doğrulama kayıp eğrileri Şekil 7A'da sunulurken, eğitim ve doğrulama MAE eğrileri Şekil 7B'de gösterilmiştir. Eğitim ve doğrulama kaybı ile MAE eğrileri akıcı ve tutarlı bir şekilde azaldı, aralarında sadece küçük bir fark vardı. Bu davranış güçlü bir yakınsamayı ve iyi genellemeyi gösterir. Bireysel modellerle karşılaştırıldığında, meta-topluluk çerçevesi daha kararlı öğrenme davranışı ve daha az değişkenlik üretti. Genel olarak, eğitim eğrilerinin karşılaştırılması, bireysel modellerin farklı yakınsamama ve genelleştirme özellikleri göstermesine rağmen, değerlendirilen modeller arasında en tutarlı eğitim davranışını CARE-MIRV-Net'in sergilediğini göstermektedir.

MobileNetV2, InceptionV3, ResNet101, VGG16 ve önerilen CARE-MIRV-Net modelinin öngörücü performansının ayrıntılı bir karşılaştırması Tablo 2'de sunulmaktadır. Performans, MAE ve R² kullanılarak dört hedef değişken üzerinde değerlendirildi: metrekare, yatak odası sayısı, banyo sayısı ve garaj sayısı. Bu metrikler, tahmin doğruluğu ve açıklayıcı performansın tamamlayıcı ölçütlerini sağlar.

Model	Metrekare		Yataklar		Hamamlar		Garajlar
	MAE	R²	MAE	R²	MAE	R²	MAE	R²
MobileNetV2	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 (Önerilen)	432.488	0.7053	0.4343	0.6837	0.3689	0.7605	0.1697	0.6958

Tablo 2: Temel modeller ile CARE-MIRV-Net'in performans karşılaştırması. MobileNetV2, InceptionV3, ResNet101, VGG16 ve önerilen CARE-MIRV-Net modeli için dört mimari özellik üzerinde tahmin performansının karşılaştırılması: metrekare, yatak odası sayısı, banyo sayısı ve garaj sayısı. Performans, ortalama mutlak hata (MAE) ve belirleme katsayısı (R²) kullanılarak bildirilir. Daha düşük MAE değerleri daha düşük tahmin hatasını gösterirken, daha yüksek R² değerleri tahmin edilen ve gerçek değerler arasında daha güçlü uyumu gösterir.

Bireysel modeller, hedef değişkenler arasında farklı performans seviyeleri gösterdi. MobileNetV2, özellikle metrekare tahmini için genel olarak en düşük performansı gösterdi; MAE 881.6530 ve R² değeri 0.1327 oldu. Banyolar ve garajlar için performans da nispeten düşüktü; bu da bağımsız model olarak kullanıldığında karmaşık mekansal ilişkileri yakalamada sınırlamalar olduğunu gösteriyor.

InceptionV3, özellikle banyolar ve yatak odaları olmak üzere çoğu hedef değişkende güçlü performans gösterdi; R² değerlerinde sırasıyla 0.7459 ve 0.6708 oldu. Bu sonuçlar, çok ölçekli mekânsal özelliklerin etkili şekilde yakalandığını gösteriyor. ResNet101 ayrıca, hiyerarşik mekânsal temsillerin öğrenilmesini kolaylaştıran derin kalıntı mimarisiyle rekabetçi performans göstermiştir. Ancak, performans bazı değişkenlerde, örneğin metrekare tahmini için InceptionV3'e göre biraz daha düşük kaldı. VGG16, tüm hedef değişkenlerde nispeten dengeli performans sağladı ve bireysel modeller arasında en yüksek R² metrekare değerini (0.7256) elde etti.

Önerilen CARE-MIRV-Net çerçevesi, çoğu değerlendirilen görevde bireysel modelleri geride bırakmıştır. CARE-MIRV-Net, en düşük metrekare MAE (432.488) ile R² değerini 0.7053 olarak korudu. Yatak odası tahmini için model 0.6837 R² değeri elde etti. Banyo tahmini için CARE-MIRV-Net, değerlendirilen tüm modeller arasında en yüksek R² değerini (0.7605) elde etti. Benzer şekilde, garaj tahmini için model en düşük MAE (0.1697) ve en yüksek R² değerini (0.6958) elde etti. Bu sonuçlar, meta-ensemble çerçevesinin bireysel mimarilerin tamamlayıcı güçlü yönlerini etkili bir şekilde birleştirdiğini göstermektedir. Sonuçlar ayrıca, birden fazla modelden alınan tahminlerin entegre edilmesinin modele özgü sınırlamaları azalttığını ve genel tahmin performansını iyileştirdiğini göstermektedir. Bulgular, CARE-MIRV-Net'in tüm değerlendirilen hedef değişkenlerde dengeli öngörücü performans sağladığını göstermektedir. Bu çalışmada sunulan sağlık odaklı yatılı değerlendirme, klinik olarak doğrulanmış bir sağlık değerlendirmesi olarak değil, kural temelli karar çerçevesi ve mevcut kat planı özelliklerinden türetilen uygulama odaklı bir kategorilendirme olarak yorumlanmalıdır.

Öngörücü performansı daha iyi değerlendirmek için, metrekare, yatak odaları, banyolar ve garajlar dahil olmak üzere tüm hedef değişkenler için kalıntı hata analizi yapıldı. Kalıntı grafikler, tahmin edilen ve gözlemlenen değerler arasındaki farkları göstererek tahmin hata dağılımlarına dair içgörü sağlar. İdeal olarak, kalıntılar sıfır etrafında rastgele dağıtılmalıdır; bu da sınırlı sistematik yanlılık ve iyi genellemeyi gösterir.

Şekil 8 , metrekare tahmini için kalıntı grafiki göstermektedir. Çoğu kalıntı sıfır civarında kümelenmişti, bu da çoğu örnek için nispeten doğru tahminler olduğunu gösteriyor. Ancak, daha büyük tahmin edilen metrekare değerlerinde daha büyük dağılım ve birkaç istisna değer gözlemlendi. Bu gözlemler, daha büyük konut yerleşimleri için tahmin değişkenliğinin arttığını göstermektedir.

Şekil 8. Metrekare tahmini için kalıntı analizi. Tahmin edilen metrekare değerlerinin bir fonksiyonu olarak kalıntı hataları gösteren dağılma grafiki. Yatay çizgi sıfır kalıntı hata olduğunu gösterir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Yatak odası tahmini için kalıntıların dağılımı Şekil 9'da gösterilmiştir. Kalıntılar genellikle sıfır etrafında merkezlenmiş, diyagonal desen ise yatak odası değişkeninin ayrık doğasını yansıtıyordu. Görece dar kalıntı aralığı, belirgin bir sistematik önyargı gözlemlenmemiş tutarlı tahmin performansını gösterir. Şekil 10 , banyo tahmini için kalıntı grafiki sunmaktadır. Kalıntılar sıfır civarında yoğunlaştı ancak yatak odası tahmininde gözlemlenenlere göre biraz daha fazla dağılım gösterdi. Görünür bantlama desen, hedef değişkenin ayrık doğasıyla tutarlıdır. Daha yüksek tahmin edilen değerlerde birkaç istisna değer de bulundu.

Şekil 9. Yatak odası tahmini için kalıntı analizi. Tahmin edilen yatak odası değerlerinin bir fonksiyonu olarak kalıntı hataları gösteren dağılma grafiki. Yatay çizgi sıfır kalıntı hata olduğunu gösterir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 10. Banyo tahmini için kalıntı analizi. Tahmin edilen banyo değerlerinin bir fonksiyonu olarak kalıntı hataları gösteren dağılma grafiki. Yatay çizgi sıfır kalıntı hata olduğunu gösterir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Garaj tahmini için kalıntı analizi Şekil 11'de gösterilmiştir. Kalıntı değerler sıfır civarında yoğunlaştı ve diğer hedef değişkenlere kıyasla nispeten düşük varyans gösterdi. Garaj değerlerinin ayrık ve sınırlı aralığı, hikaye içinde belirgin doğrusal desenler oluşturuyordu. Dar kalıntı dağılımı, bu değişken için nispeten tutarlı tahmin performansını gösterir.

Şekil 11. Garaj tahmini için kalıntı analizi. Tahmin edilen garaj değerlerinin bir fonksiyonu olarak kalıntı hataları gösteren dağılma grafiki. Yatay çizgi sıfır kalıntı hata olduğunu gösterir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Genel olarak, kalıntı analizler CARE-MIRV-Net'in tüm hedef değişkenler arasında genellikle sıfır etrafında merkezlenen tahminler oluşturduğunu göstermektedir. Özellikle metrekare tahmini için bazı değişkenlik ve istisnalar gözlemlenmiş olsa da, genel kalıntı dağılımlar modelin tahmin performansının değerlendirilen veri seti genelinde tutarlılığını desteklemektedir.

SHAP kullanılarak açıklanabilir yapay zeka analizinin sonuçları

Önerilen CARE-MIRV-Net çerçevesinin yorumlanabilirliğini artırmak için, SHAP kullanılarak açıklanabilir bir yapay zeka yaklaşımı uygulandı. SHAP, Shapley değerlerine dayalı özellik önemi değerleri atayarak model tahminlerini açıklayan oyun teorisi bir yöntemdir. Önerilen meta-topluluk modeline uygulandığında, SHAP her temel modelin meta-öğrenicinin nihai çıktısına katkısını incelemek için kullanıldı. Meta-modele girdi, dört temel modelden — InceptionV3, MobileNetV2, ResNet101 ve VGG16 — birleştirilmiş tahminlerden oluşuyordu ve bu da 16 boyutlu bir özellik alanı ortaya çıktı. Her özellik, belirli bir temel model tarafından üretilen tahmini bir mimari özelliği (metrekare, yatak odaları, banyolar veya garajlar) temsil ediyordu. Bu özelliklerin yorumlanması, meta-eğitim verilerinin rastgele seçilmiş bir alt kümesi arka plan dağılımı olarak seçilerek ve hesaplama verimliliğini artırmak için açıklama üretimi için test örneklerinden daha küçük bir alt küme seçilerek gerçekleştirildi.

Her hedef değişken için özellik katkılarını bağımsız olarak izole etmek ve analiz etmek amacıyla meta-modelin tek çıktılı versiyonları oluşturuldu. SHAP KernelExplainer, daha önce ve Ek Dosya 1'de tanımlandığı gibi özellik katkılarını tahmin etmek ve önerilen çerçevenin tahminlerini yorumlamak için uygulanmıştır. Bu değerler, her bir temel model tahmininin nihai çıktıya olumlu veya olumsuz katkı sağlama derecesini niceltmek için kullanıldı. SHAP analizine dayanarak, CARE-MIRV-Net yalnızca tek bir temel öğreniciye dayanmadı, bunun yerine hedef değişken ve giriş özelliklerine bağlı olarak farklı modellere önem seviyeleri atandı. Bu gözlemler, üst üste yığma tabanlı topluluk yaklaşımının birden fazla temel modelden tamamlayıcı bilgiler kullandığını göstermektedir.

Şekil 12–15 , dört hedef değişken için SHAP özet grafiklerini sunmaktadır: metrekare, yatak odaları, banyolar ve garajlar. Bu grafikler, CARE-MIRV-Net meta-modelinin bireysel temel öğrenenlerden alınan tahminleri nasıl kullandığına dair içgörü sağlar. Her grafikte, yatay eksen SHAP değerlerini (özellik katkılarını) temsil ederken, renk ölçeği özellik büyüklüğünü düşük ve yüksek değerlere gösterir.

Şekil 12. SHAP özet metrekare tahmini için bir gösteri. CARE-MIRV-Net meta-öğrenicisinin temel model tahminlerinin metrekare tahminine katkısını gösteren SHAP özet grafiki. Özellikler önemine göre sıralanır. Nokta rengi özellik değerini, yatay konum ise SHAP tahmine katkısını gösterir. SHAP, SHapley Ekleyici açıklamalar. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 13. Yatak odası tahmini için SHAP özet grafiki. CARE-MIRV-Net meta-öğrenicisinin yatak odası tahminine temel model tahminlerinin katkısını gösteren SHAP özet grafiki. Özellikler önemine göre sıralanır. Nokta rengi özellik değerini, yatay konum ise SHAP tahmine katkısını gösterir. SHAP, SHapley Ekleyici açıklamalar. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 14. Banyo tahmini için SHAP özet kurgusu. CARE-MIRV-Net meta-öğrenicisinin banyo tahminine temel model tahminlerinin katkısını gösteren SHAP özet grafiki. Özellikler önemine göre sıralanır. Nokta rengi özellik değerini, yatay konum ise SHAP tahmine katkısını gösterir. SHAP, SHapley Ekleyici açıklamalar. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 15. Garaj tahmini için SHAP özet kurası. CARE-MIRV-Net meta-öğrenicisinin garaj tahminine temel model tahminlerinin katkısını gösteren SHAP özet grafiki. Özellikler önemine göre sıralanır. Nokta rengi özellik değerini, yatay konum ise SHAP tahmine katkısını gösterir. SHAP, SHapley Ekleyici açıklamalar. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 12 , metrekare tahmini için SHAP özetini göstermektedir. Mob_SF, Res_SF ve Inc_SF gibi özellikler, diğer özelliklere göre nispeten daha büyük SHAP katkıları göstermiştir; bu da MobileNetV2, ResNet101 ve InceptionV3 tarafından üretilen tahminlerin metrekare tahminine önemli ölçüde katkıda bulunduğunu göstermektedir. Daha yüksek özellik değerleri (kırmızı) genellikle artan tahmin edilen metrekare ile ilişkilendirilirken, daha düşük özellik değerleri (mavi) daha düşük tahminlerle ilişkilendirilirdi. Yatak odası ve banyo ile ilgili özellikler nispeten daha küçük katkılar gösterdi; bu da metrekare tahmininin esas olarak temel modeller tarafından üretilen alana bağlı tahminlerden etkilendiğini gösterdi.

Şekil 13 , yatak odası tahmini için SHAP analizini sunmaktadır. Res_Beds, VGG_Beds ve Inc_Beds gibi özellikler, diğer özelliklere kıyasla nispeten daha yüksek katkılar göstermiştir; bu da ResNet101, VGG16 ve InceptionV3 tahminlerinin nihai yatak odası tahmininin belirlenmesinde etkili olduğunu göstermektedir. SHAP değerleri sıfır civarında dağıtılmıştı; bu da meta-modelin tek bir baskın tahminciye dayanmak yerine birden fazla kaynaktan gelen bilgiyi entegre ettiğini gösteriyordu. Garajlar ve metrekare ile ilgili özellikler nispeten daha küçük katkılar gösterdi.

Şekil 14 , banyo tahmini için SHAP özetini sunmaktadır. VGG_Baths, Inc_Baths ve Mob_Baths gibi özellikler nispeten yüksek katkılar gösterdi ve VGG16, InceptionV3 ve MobileNetV2'den alınan tahminlerin banyo tahminine önemli ölçüde katkıda bulunduğunu gösterdi. SHAP değerlerinin dağılımı, bu temel modellerden alınan tahminlerin artmasının nihai tahmin üzerinde daha fazla etkiyle ilişkili olduğunu göstermektedir. Katkılar, bazı diğer hedef değişkenlere göre modeller arasında daha geniş bir şekilde dağılmıştır.

Şekil 15 , garaj tahmini için SHAP analizini sunmaktadır. Mob_Garages, Inc_Garages ve VGG_Garages gibi özellikler nihai tahmine nispeten güçlü katkılar göstermiştir. Grafik, birden fazla temel modelden alınan garaj ile ilgili tahminlerin nihai çıktıya katkıda bulunduğunu, düşük ve yüksek değerli özellik katkıları arasında belirgin bir ayrım olduğunu göstermektedir. SHAP değerlerinin daha geniş yayılması, meta-modelin garaj ile ilgili tahmin özelliklerine karşı artan hassasiyetini gösterir.

Genel olarak, SHAP analizi, önerilen CARE-MIRV-Net çerçevesinin nihai tahminler oluştururken birden fazla temel öğreniciden katkıları entegre ettiğini gösterdi. Sonuçlar, dört mimari hedef değişken üzerindeki bireysel model tahminlerinin göreceli etkisine yorumlanabilir bir bakış sunar ve meta-topluluk karar alma sürecinin anlaşılmasını destekler.

Konut Düzeni Sınıflandırması Sonuçları

Konut yerleşim sınıflandırma sonuçlarının temsilci örnekleri Şekil 16–18'de gösterilmiştir. Bu örnekler, CARE-MIRV-Net çerçevesi tarafından öngörülen mimari özelliklere kural tabanlı karar katmanının uygulanmasını göstermektedir. Şekil 16 , tıbbi bakım düzeni olarak sınıflandırılmış bir örnek sunar, Şekil 17 genel bir konut düzeni olarak sınıflandırılmış bir örnek sunar ve Şekil 18 yaşlı bakım düzeni olarak sınıflandırılmış bir örnek sunar. Örnekler, öngörülen mimari niteliklerin Protokol bölümünde tanımlanan önceden tanımlanmış karar kuralları aracılığıyla uygulama düzeyindeki konut kategorilerine nasıl çevrildiğini göstermektedir. Bu örnekler, öngörülen kat planı özellikleri ve önceden tanımlanmış karar kriterlerinden türetilen kural temelli sınıflandırma çerçevesinin gösterici sonuçları olarak yorumlanmalıdır; bağımsız olarak doğrulanmış klinik veya sağlık sınıflandırmaları olarak değil.

Şekil 16. Tıbbi bakım yatış düzeni olarak sınıflandırılan temsilci örnek. Önerilen çerçeve tarafından değerlendirilmiş ve tahmin edilen mimari özellikler ile kural temelli sınıflandırma kriterlerine göre tıbbi bakım kategorisine atanmış örnek konut kat planı görüntüsü. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 17. Genel bir konut düzeni olarak sınıflandırılan temsil edici örnek. Önerilen çerçeve tarafından değerlendirilmiş ve tahmin edilen mimari özellikler ile kural temelli sınıflandırma kriterlerine göre genel konut kategorisine atanmış örnek konut kat planı görüntüsü. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 18. Yaşlı bakım yahmeti olarak sınıflandırılan temsil edici örnek. Önerilen çerçeve tarafından değerlendirilmiş ve tahmin edilen mimari özellikler ile kural temelli sınıflandırma kriterlerine göre yaşlı bakımı kategorisine atanmış örnek konut kat planı görüntüsü. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 16'da gösterilen temsili bir örnek, modelin gerçek değeri 2268.00 ile karşılaştırıldığında 2233,16 metrekare öngördüğünü ve bunun nispeten küçük bir tahmin hatasını gösterdiğini göstermektedir. Benzer şekilde, yatak odaları (3.23 vs. 3), banyolar (2.65 vs. 2) ve garajlar (1.11 vs. 1) için tahmin edilen değerler karşılık gelen yer-gerçeklik değerlerine yakındı. Bu öngörülen özelliklere dayanarak, kural tabanlı karar katmanı düzeni tıbbi bakım olarak kategorize etti. Bu örnek, çerçevenin tahmin edilen mimari özellikleri uygulama düzeyinde konut sınıflandırmaları oluşturmak için nasıl uyguladığını göstermektedir.

Şekil 17'de gösterilen ikinci bir örnek, genel konut kullanımı olarak sınıflandırılan bir düzeni göstermektedir. Tahmin edilen metrekare (1692.76), gerçek değerden (1879.00) daha düşükken, öngörülen yatak odası, banyo ve garaj sayısı karşılık gelen yer-gerçeklik değerlerine yakın kaldı. Tahmin edilen mimari özelliklere dayanarak, karar katmanı yerleşimi genel konut kategorisine atar. Bu örnek, bireysel tahminlerde küçük sapmalara rağmen sınıflandırma çerçevesinin orta büyüklükte bir konut düzenine uygulandığını göstermektedir.

Şekil 18 , gerçek 981.00 metrekare ve tahmini 1076.17 metrekare ile kompakt bir konut düzenini sunmaktadır. Yatak odaları (1,99 vs. 2), banyolar (1,75 vs 2) ve garajlar (0,98 vs 1) için tahmin edilen değerler de karşılık gelen yer-gerçeklik değerlerine yakındı. Bu öngörülen özelliklere dayanarak, karar katmanı düzeni yaşlı bakımı olarak kategorize etti. Bu örnek, önceden tanımlanmış sınıflandırma kurallarının daha küçük kat alanları ve daha az odaya sahip düzenlere uygulanmasını göstermektedir.

Genel olarak, temsilci örnekler, mimari özellik tahmini ve kural tabanlı konut düzeni kategorilendirmesinin CARE-MIRV-Net çerçevesinde entegrasyonunu göstermektedir. Şekil 16–18'de gösterilen örneklerde, öngörülen mimari özellikler genellikle karşılık gelen zemin-doğruluk değerleriyle tutarlıydı ve önerilen çerçevenin otomatik konut kat planı analizi ve uygulama düzeyinde sınıflandırma için kullanılmasını destekledi.

Veri Erişilebilirliği:

Bu çalışmada kullanılan veri seti, "Kat Planı Görüntüleri ve Detayları" başlıklı Kaggle^{deposu 28} üzerinden halka açık olup, şu adresten erişilebilir: https://www.kaggle.com/datasets/adilmohammed/floor-plan-images-and-their-details. Bu çalışmada bildirilen tüm analizler, bu halka açık kaynaktan elde edilen veriler kullanılarak gerçekleştirilmiştir. Raporlanan sonuçların yeniden üretilmesi için gereken kaynak kodu, uygulama dokümantasyonu ve ortam yapılandırma bilgileri, Ek Dosya 1'de sağlanmıştır.

Ek Dosya 1. CARE-MIRV-Net uygulama paketi. Bu dosya, kaynak kodu, README dokümantasyonu, yazılım bağımlılığı spesifikasyonları, ortam bilgileri ve CARE-MIRV-Net iş akışını yeniden üretmek için gereken uygulama betiklerini içerir. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Dosya 2. CARE-MIRV-Net konut kat planı analizi için algoritma. Bu dosya, çalışmada kullanılan veri ön işlemesi, temel model tahmini, meta-özellik birleştirme, meta-topluluk tahmini, karar katmanı sınıflandırması, SHAP tabanlı açıklanabilirlik ve değerlendirme-metrik iş akışını içeren Algoritma 1'i sağlar. Bu dosyayı indirmek için lütfen buraya tıklayın.

Tartışma

Bu çalışma, konut kat planı imgelerinin otomatik analizi için üst üste bir meta-topluluk DL çerçevesi olan CARE-MIRV-Net'i sunmaktadır. Çerçeve, dört tamamlayıcı CNN mimarisini entegre eder—MobileNetV2, InceptionV3, ResNet101 ve VGG16—ve temel mimari özellikleri tahmin etmek için, metrekare, yatak odası, banyo sayısı ve garajlar dahil. Bu tahminler daha sonra bir meta-öğrenen aracılığıyla birleştirilir ve kural tabanlı karar katmanında konut düzenlerini yaşlı bakımı, tıbbi bakım veya genel konut kategorilerine kategorize etmek için kullanılır. Öngörücü modelleme, toplu öğrenme ve açıklanabilir yapay zekanın entegrasyonu, konut kat planı^{analizi için birleşik bir çerçeve sağlar} 3,7,17,20.

Temsilci sonuçlar, CARE-MIRV-Net'in birden fazla mimari özellikte bireysel baz modellere kıyasla daha iyi öngörü performansı elde ettiğini göstermektedir. Toplu çerçeve genellikle tahmin hatalarını azaltmış ve R^2'yi geliştirmiştir; bu da heterojen CNN mimarilerinin birleştirilerek öngörücü dayanıklılığı artırabileceğini^{öne sürmektedir 12,20}. Ayrıca, SHAP'ın dahil edilmesi, bireysel baz modellerinin nihai tahminlere göreceli katkılarının yorumlanmasını mümkün kıldı ve böylece model şeffaflığını^11,17 artırdı. Bu nedenle, çerçeve hem öngörücü performans hem de model yorumlanabilirliği gerektiren çalışmalar için faydalı bir yaklaşım sağlayabilir.

Önerilen çerçeve, otomatik mimari analiz, konut tasarımı değerlendirmesi ve veri odaklı karar destek sistemlerini içeren araştırmaların ilerlemesine katkıda bulunabilir. Çok çıkışlı tahmini uygulama düzeyinde kategorilendirme ile entegre ederek, çerçeve geleneksel kat planı tanıma veya özellik çıkarma yaklaşımlarının ötesine geçer. Metodoloji, konut planlaması, akıllı konut ortamları ve mekânsal düzen değerlendirmesi ^1,2,8,22 içeren çalışmalarda da uygulanabilir. Ancak, birkaç sınırlama göz önünde bulundurulmalıdır. İlk olarak, çerçeve tek bir halka açık veri seti kullanılarak geliştirildi ve değerlendirildi, bağımsız veri setlerinde harici doğrulama yapılmadı. Bu çalışmada herhangi bir dış doğrulama yapılmadı ve model değerlendirmesi, kamuya açık veri setinden türetilen belirlenmiş test alt kümesi kullanılarak gerçekleştirildi. İkinci olarak, çerçeve tarafından oluşturulan konut kategorileri, bağımsız olarak doğrulanmış sağlık tasarımı etiketlerinden ziyade önceden tanımlanmış kural temelli kriterlerden türetilmiştir. Çerçeve tarafından oluşturulan yaşlı bakımı, tıbbi bakım ve genel yatılı kategorileri, önceden tanımlanmış kural temelli kriterlerden türetilmiştir ve klinik olarak doğrulanmış sağlık tasarımı değerlendirmeleri olarak yorumlanmamalıdır. Üçüncü olarak, çerçeve esas olarak kat planı görüntülerinden türetilen mimari özelliklere dayanır ve sağlık hizmetlerine özgü tasarım standartları, erişilebilirlik kriterleri veya sakin odaklı sonuç ölçümlerini içermez. Sınıflandırma kurallarını tanımlamak için resmi erişilebilirlik, sağlık tasarımı veya konut tasarımı standartları kullanılmadı. Bunun yerine, mevcut kat planı özellikleri ve uygulama odaklı karar kriterleri kullanılarak kategorize çerçevesi geliştirildi. Gelecekteki çalışmalar, bağımsız veri setlerinde dış doğrulama, resmi erişilebilirlik ve sağlık tasarımı standartlarının dahil edilmesi ve çerçevenin uygulanabilirliğini ve genellenebilirliğini artırmak için ek tasarım ve katılımcı odaklı sonuç ölçümleriyle değerlendirmeyi içerebilir.

Aynı hipotezi incelemek için alternatif yaklaşımlar da kullanılabilir. Örneğin, transformatör tabanlı görme modelleri, grafik tabanlı uzamsal temsiller veya hibrit DL mimarileri, konut düzenleri içinde mekânsal ilişkileri yakalamak^{için uygulanabilir} 13,15,19. Benzer şekilde, uzman etiketli veri setlerine veya sağlık tasarımı standartlarına dayalı sınıflandırma çerçeveleri, konut düzeni değerlendirmesi için alternatif yöntemler^{sunabilir 8,22}. Bu yöntemler tamamlayıcı avantajlar sunabilse de, önerilen CARE-MIRV-Net çerçevesi, çoklu çıkış tahmini ve konut düzeni kategorizasyonu için birden fazla CNN mimarisini biriktirme tabanlı bir topluluk çerçevesinde birleştirmenin mümkünlüğünü göstermektedir.

Gelecekteki çalışmalar, çerçeveyi daha gelişmiş mekânsal akıl yürütmeyi ve daha geniş gerçek dünya uygulanabilirliğini destekleyecek şekilde genişletmeye odaklanabilir. Potansiyel yönler arasında, model odası bağlantısına grafik tabanlı kat planı temsillerinin entegre edilmesi, özellik çıkarımı için vizyon transformatörü (ViT) tabanlı mimarilerin değerlendirilmesi ve çok sınıflı veya çok etiketli sınıflandırma stratejilerinin^{geliştirilmesi yer almaktadır} 13,15,18. Ayrıca, gelecekteki çalışmalar, sağlık odaklı konut ortamlarında çerçevenin uygulanabilirliğini daha iyi değerlendirmek için sağlık hizmetlerine özgü tasarım özellikleri, erişilebilirlik standartları ve bağımsız doğrulama veri setlerini içerebilir ^8,22. Çerçeve ayrıca akıllı şehir platformları ve konut planlaması için karar destek sistemleri ^1,2 entegrasyonu için uyarlanabilir.

Malzemeler

Bu makalede kullanılan malzemelerin listesi

Ad	Şirket	Katalog numarası	Yorumlar
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