शहरी नियोजन के लिए एक दृश्यात्मक सेमांटिक निर्णय समर्थन प्रणाली में वास्तविक-विश्व शहर डेटा पर रैंडम फ़ॉरेस्ट का उपयोग करना

शहरी डेटा की लगातार बढ़ती मात्रा और उपलब्धता विभिन्न स्रोतों से उत्पन्न होती है जो विभिन्न चुनौतियों का सामना करती है, जिसमें अन्य के बीच डेटा का समेकन, दृश्यता और अधिकतम उपयोग की संभावनाएँ शामिल हैं। शहरी नियोजन को प्रभावित करने वाला एक प्रमुख समस्या यह है कि किसी विशिष्ट गतिविधि (या तो वाणिज्यिक या सामान्य कल्याण सेवा) को स्थान देने के लिए सही स्थान का चयन करना या किसी मौजूदा भवन या ख़ाली स्थान का सही उपयोग करना। इस पत्र में, हम मशीन लर्निंग तकनीकों के साथ इन चुनौतियों को संबोधित करने के लिए एक दृष्टिकोण प्रस्तावित करते हैं। प्रस्तावित प्रणाली विभिन्न स्रोतों से विभिन्न प्रकार के डेटा को मिलाती, फ्यूज़ करती और विलय करती है, उन्हें एक नवीन सेमांटिक मॉडल का उपयोग करके एन्कोड करती है जो निचले स्तर की ज्यामितीय जानकारी और उच्च स्तर की सेमांटिक जानकारी दोनों को कैप्चर और उपयोग कर सकता है और बाद में उन्हें रैंडम फ़ॉरेस्ट वर्गीकर्ता और अन्य पर्यवेक्षित मशीन लर्निंग मॉडल को तुलना के लिए प्रदान करता है। कई वास्तविक-विश्व डेटा सेटों पर हमारे प्रयोगात्मक मूल्यांकन ने विभिन्न वर्गीकर्ताओं (जिनमें फीडफॉरवर्ड न्यूरल नेटवर्क, सपोर्ट वेक्टर मशीन, निर्णय पेड़ों का बैग, के-नजदीकी पड़ोसी और नैव बेज़ शामिल हैं) के प्रदर्शन की तुलना की, रैंडम फ़ॉरेस्ट की प्रयोगात्मक मेट्रिक्स (सटीकता, विशिष्टता, परिशुद्धता, पुनः कॉल, एफ-माप और जी-मत) के मामले में श्रेष्ठता दिखायी।