Geri Dön

Coğrafi bilgi sistemi tabanlı banka şubesi ve ATM lokasyon optimizasyonu: İstanbul örneği

Geographical information system based bank branch and ATM location optimization:Istanbul example

PDF İndir

  1. Tez No: 928335
  2. Yazar: ERKAN ATABEY
  3. Danışmanlar: PROF. DR. ERGİN TARI
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilim ve Teknoloji, Science and Technology
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Geomatik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Geomatik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 114

Özet

İstanbul'un karmaşık coğrafi yapısını dikkate alarak, banka şubeleri ve ATM'lerin stratejik konumlandırılması için yapay zeka ve coğrafi bilgi sistemleri (CBS) tabanlı bir analitik yaklaşım geliştirilmiştir. Bu çalışma, İstanbul genelindeki lokasyonların ticari yoğunluk, ulaşım altyapısına yakınlık ve yerleşim alanları gibi konumsal özelliklere dayanarak, banka şubesi veya ATM açılması için uygun lokasyonları belirlemeyi hedeflemiştir. Hedef değişken olarak, bir lokasyonun uygun olup olmadığını belirten ikili bir değişken kullanılmıştır. Mevcut şubeler 1 (uygun) olarak, diğer potansiyel lokasyonlar ise 0 (uygun değil) olarak işaretlenmiştir. Bu çalışmanın yenilikçi model yaklaşımı, farklı makine öğrenmesi algoritmalarının (Random Forest ve XGBoost) CBS ile entegrasyonunu içermektedir. Bu entegrasyon, ticari alan yoğunluğu, ulaşım mesafesi ve yerleşim alanları gibi mekansal verileri analiz ederek, modelin tahmin doğruluğunu artırmaktadır. İki algoritmanın tahminleri arasındaki uyum, doğruluk metrikleriyle kontrol edilmiş ve çakışan tahminler algoritmaların öğrenme kabiliyetlerinin uyumluluğunu göstermiştir. Bu çalışmanın farklılaşan bir yönü, verilerin işlenmesi ve standart hale getirilmesi sürecindeki otomatikleştirme adımlarıdır. Veri ön işleme aşamasında hatalı veya eksik veriler tespit edilerek temizlenmiş, ayrıca farklı veri formatları CBS sistemine uygun hale getirilmiştir. Coğrafi verilerin doğrudan analiz edilmesini sağlamak için küresel koordinat sisteminden düzlem koordinat sistemine otomatik dönüşüm gerçekleştirilmiş ve bu sayede farklı kaynaklardan gelen verilerin standart yapıya dönüştürülmesi sağlanmıştır. Bu çalışma ayrıca, literatürde yaygın olarak görülen mesafeye dayalı analizlerden farklı olarak, mekansal parametreleri belirlemek için 500 metre eşiği kullanmış ve kriterlere yakınlık işaretleri oluşturarak bu bilgileri model girdisi haline getirmiştir. Bu sayede, modelin daha esnek ve farklı coğrafi bölgelerde uygulanabilir olması sağlanmıştır. Tahmin edilen yeni konumlar, CBS yazılımlarıyla doğrudan entegre edilebilecek şekilde GeoJSON formatında dışa aktarılmıştır. Bu durum, model çıktılarının görselleştirilmesini ve karar alma süreçlerinde etkin bir şekilde kullanılmasını sağlamıştır. Ayrıca, model yalnızca İstanbul özelinde değil, ticaret, nüfus ve ulaşım verilerine dayalı genelleştirilebilir altyapısıyla farklı şehirlerde ve sektörlerde de uygulanabilecek bir yapıya sahiptir. Bu çalışma, bankacılık sektöründe CBS ve yapay zeka entegrasyonunun yalnızca yer seçimi stratejilerinde değil, aynı zamanda müşteri analitiği, hizmet alanlarının genişletilmesi, risk yönetimi ve veri odaklı karar alma süreçlerinde de büyük fırsatlar sunduğunu göstermektedir. Çift algoritma kullanımı ile sektörel bazda en etkili yöntemin belirlenmesi sağlanmış ve bu sayede hem akademik hem de sektörel uygulamalar için yenilikçi bir çözüm sunulmuştur.

Özet (Çeviri)

Considering the complex geographical structure of Istanbul, an analytical approach integrating Artificial Intelligence (AI) and Geographic Information Systems (GIS) has been developed to optimize the strategic placement of bank branches and ATMs. As Istanbul is a megacity with a highly dynamic and diverse urban structure, financial institutions must carefully evaluate various spatial and demographic factors before determining the most suitable locations for service points. This study aims to determine the optimal locations for financial service points by analyzing multiple spatial characteristics, including commercial density, proximity to transportation infrastructure, residential distribution, and socioeconomic factors. The target variable in this study is defined as a binary classification, where existing bank branches and ATMs are labeled as suitable (1), while other potential locations that do not currently host a financial service point are marked as unsuitable (0). By adopting this classification, the model can effectively distinguish between areas with high banking demand and those that may not yet justify an additional financial service point. This approach allows financial institutions to gain insights into potential expansion opportunities while minimizing redundancy in locations that may already be saturated. The proposed methodology employs machine learning techniques, specifically Random Forest and XGBoost, to enhance predictive accuracy through GIS-based spatial analysis. These algorithms have been selected due to their ability to handle complex, non-linear relationships among spatial data points. By leveraging key input variables such as commercial activity density, transportation accessibility, population density, and land use patterns, the model achieves a more precise estimation of optimal locations for bank branches and ATMs. To assess the reliability of the predictions, standard accuracy metrics, including precision, recall, and F1-score, have been used. A comparative evaluation of the predictions generated by both machine learning models was conducted to identify the most effective predictive framework. The use of multiple machine learning models ensures that the analytical approach remains robust, reducing the risk of overfitting to specific spatial patterns and improving the generalizability of the results across different urban contexts. A key innovation of this study lies in the automation of data preprocessing and standardization. The data preprocessing phase involved multiple steps, including the identification and correction of missing or erroneous values, ensuring the integrity and consistency of the dataset. Additionally, spatial data from diverse sources, such as satellite imagery, census records, and commercial activity reports, were integrated into a unified GIS-compatible structure. This transformation facilitated seamless spatial analysis and improved the overall efficiency of location-based decision-making. Another methodological enhancement implemented in this study is the automated transformation from the global coordinate system (WGS 84) to a planar coordinate system, ensuring accuracy in distance-based spatial computations. Standardizing datasets obtained from multiple sources in this manner eliminates inconsistencies that could arise from variations in data projection methods, ultimately improving the precision of spatial modeling and analysis. Unlike conventional distance-based spatial analysis methods commonly found in the literature, this study employed a 500-meter spatial threshold to generate proximity indicators for model inputs. This threshold was determined based on empirical analysis of pedestrian accessibility, public transportation coverage, and customer behavior patterns. By systematically generating proximity indicators within this predefined spatial range, the model achieves greater adaptability across different urban environments. This flexibility allows financial institutions to apply the approach in cities with varying levels of commercial activity, population density, and transportation accessibility. The predicted optimal locations were exported in GeoJSON format, allowing for direct integration with GIS software. This enables financial institutions to visualize the model outputs and incorporate them into their strategic decision-making processes. The ability to overlay predictive insights with existing banking infrastructure, demographic distributions, and commercial activity zones further enhances the practical application of the study. Furthermore, the model has been designed with a scalable and generalizable architecture, making it applicable beyond Istanbul. By adapting input parameters to reflect local urban characteristics, the methodology can be extended to different cities and industries that rely on spatial and commercial data for location-based decision-making. The findings of this study highlight the significant potential of integrating AI and GIS in the banking sector. Beyond optimizing location selection strategies, this approach offers broader applications, including improving customer analytics, supporting service area expansion, and enhancing risk management practices. By utilizing a dual-algorithm framework, this research ensures the identification of the most effective predictive model for sector-specific applications, thereby contributing to both academic research and practical implementations in the financial industry. The results demonstrate that AI-driven spatial analysis can significantly improve the efficiency of financial service placement strategies. By combining machine learning models with GIS-based spatial analytics, this study provides a data-driven and scalable approach to optimizing the placement of bank branches and ATMs. Future research could explore additional enhancements, such as integrating real-time economic indicators, mobile banking usage statistics, and customer behavior analytics to refine predictive accuracy. Moreover, the applicability of this methodology could be expanded to other sectors where location-based decision-making plays a critical role, such as retail store placement, healthcare facility planning, and urban infrastructure development. By offering a replicable and adaptable model, this research establishes a foundation for the broader application of AI and GIS in financial services. The integration of advanced predictive models with spatial data analysis contributes to more efficient resource allocation and enhanced accessibility to financial services, ultimately supporting data-driven decision-making in the banking sector.

Benzer Tezler

  1. Tez No

    392915

    A web mapping infrastructure design and implementation with open source geo information technology: A case study of ITU Smart Campus

    Web haritalama alt yapı tasarımı ve açık kaynak kodlu coğrafi bilgi teknolojileri ile İTÜ Akıllı Kampüs uygulaması çalışması

    ROUHOLLAH NASIRZADEHDIZAJI

    Yüksek Lisans

    İngilizce

    İngilizce

    2015

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Coğrafi Bilgi Teknolojileri Ana Bilim Dalı

    PROF. DR. RAHMİ NURHAN ÇELİK

  2. Tez No

    501865

    Utilising web-based gis application for spatial centrographic analysis of earthquake data

    Web cbs uygulamasıyla deprem verileri üzerinde centrography analizi

    BORAN ŞİMŞEK

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilişim Uygulamaları Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ CANER GÜNEY

  3. Tez No

    619697

    Spatial temporal dimensions of accessibility in İstanbul, Turkey

    İstanbul Türkiye'de erişilebilirliğin zamansal-mekansal boyutu

    WASIM SHOMAN

    Doktora

    İngilizce

    İngilizce

    2020

    Coğrafyaİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. HANDE DEMİREL

  4. Tez No

    711994

    Beyond digitalisation: Designing a roadmap for Block-chain embedded performance management systems

    Dijitalleşmenin ötesinde: Block-chain gömülü performans yönetim sistemleri için yol haritası tasarımı

    FURKAN AYRANCI

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    İşletmeİstanbul Teknik Üniversitesi

    İşletme (İngilizce) Ana Bilim Dalı

    PROF. DR. HÜR BERSAM BOLAT

  5. Tez No

    664930

    GEOAKOM: A smart geocasting protocol for vehicular networks

    GEOAKOM: Araç ağları için konuma göre akıllı yönlendirme yöntemi

    EZGİ TETİK SAĞLAM

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. SEMA FATMA OKTUĞ

Geri Dön