Afet yönetimi odaklı hücresel ağ kapsama performansı için mekansal yapay zeka tabanlı model önerisi
Geospatial artificial intelligence (GeoAI) based model proposal for cellular network coverage performance with a focus on disaster management
- Tez No: 948939
- Danışmanlar: PROF. DR. HİMMET KARAMAN
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Jeodezi ve Fotogrametri, Şehircilik ve Bölge Planlama, Electrical and Electronics Engineering, Geodesy and Photogrammetry, Urban and Regional Planning
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Geomatik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Geomatik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 142
Özet
Doğal afetler, yalnızca fiziksel tahribata neden olmakla kalmaz, aynı zamanda iletişim ağlarında ciddi kesintilere yol açarak afet yönetimini yürütülmesini sekteye uğratabilir. Özellikle mobil iletişim sistemlerinin yoğun olarak kullanıldığı afet sonrasında yaşanan sinyal kayıpları, hem müdahale ekiplerinin koordinasyonunu hem de halkın bilgiye erişimini zorlaştırmaktadır. Bu nedenle, afet öncesi hazırlık sürecinde mobil iletişim altyapısının doğru planlanması ve sinyal zayıflamasının etkili biçimde modellenmesi kritik bir gerekliliktir. Mobil iletişim ağlarının planlanması ve optimize edilmesi açısından, özellikle arazi yapısı ve yapılaşmanın sinyal yayılımını önemli ölçüde etkilediği kentsel ortamlarda, doğru sinyal yol kaybı tahmini büyük önem taşımaktadır. Bu çalışma, sinyal yol kaybı tahminini geliştirmeyi amaçlamakta; bu doğrultuda çeşitli deneysel ve makine öğrenmesi tabanlı modellerin karşılaştırmalı analizini sunarak, mobil iletişim altyapısındaki kapasite aşımı gibi zayıf noktaların belirlenmesine ve karar destek süreçlerine katkı sağlamayı hedeflemektedir. Türkiye'nin Van ve İstanbul illerinde yürütülen uygulamalar üzerinden yapılan değerlendirmeler, özellikle makine öğrenimi algoritmalarının geleneksel yayılım modellerine kıyasla daha yüksek doğruluk sunduğunu ortaya koymuştur. Van ili genelinde yapılan analizlerde, bu sorunu ele almak amacıyla, bu çalışma hücresel iletişim ağlarında yol kaybı tahmini için mekânsal verilerin entegrasyonuna odaklanan Mekansal Zeka (GeoAI) tabanlı bir yöntem önerilmiştir. Çalışmada Destek Vektör Regresyonu (SVR), En Yakın Komşu (KNN), Rastgele Orman (RF) ve çok katmanlı algılayıcı (MLP) yapay sinir ağı modelleri, kentsel ve birçok farklı arazi yapısında çeşitli frekanslarda yapılan saha ölçümleri kullanılarak değerlendirilmiştir. Uygulanan modeller arasında, üç gizli katmana, dokuz giriş değişkenine, hiperbolik tanjant aktivasyon fonksiyonuna ve Adam optimizasyon yöntemine sahip MLP modeli en iyi performansı göstermiştir. 900 MHz frekansında MLP modelinin sırasıyla Hata kareler ortalaması (MSE) 0.22 dB, Hata kareler ortalamasının karekökü (RMSE) 0.47 dB, hatanın mutlak ortalaması(MAE) 0.46 dB gözlemlenmiştir. Son olarak, geliştirilen modelin Serbest Uzay (Free Space), COST 231, Ericsson ve SUI modelleriyle karşılaştırılması sonucunda, GeoAI tabanlı yol kaybı modellerinin tahmin doğruluğu ve genelleme açısından deneysel modellere göre üstün performans sergilediği belirlenmiştir. Bu çalışma, özellikle çeşitlilik gösteren kentsel ve banliyö ortamlarında hücresel iletişim ağlarının optimizasyonu açısından, mekânsal verilerin yol kaybı tahminine entegrasyonunun önemini vurgulamaktadır. ANN ve Rastgele Orman algoritmaları en başarılı sonuçları verirken, Van uygulama alanına ait bir kentsel alandaki bir diğer çalışmada topluluk modellerini test edebilmek için üç topluluk öğrenme modeli (Gradient Boosting Machine (GBM), Extreme Gradient Boosting (XGBoost) ve Categorical Boosting (CatBoost)) değerlendirilmiştir. Karşılaştırmalı analizler, 900 MHz, 1800 MHz ve 2100 MHz frekanslarında gerçekleştirilen gerçek saha ölçümlerine dayanmaktadır. Elde edilen sonuçlar, topluluk öğrenme modellerinin geleneksel deneysel modellere kıyasla daha yüksek tahmin doğruluğu sağladığını göstermektedir; en yüksek doğruluk oranına ise CatBoost modeli ulaşmıştır. CatBoost modeli kategorik verilerle çalışmadaki üstünlüğü sayesinde öne çıkmıştır. Van uygulama alanına ait Van Yüzüncü Yıl Üniversitesi kampüs ortamında 900 MHz bandı için Alınan Sinyal Gücü (Received Signal Strength - RSS) tahmini amacıyla, Coğrafi Bilgi Sistemleri ile birlikte K-En Yakın Komşu (K-Nearest Neighbours - KNN) ve Destek Vektör Regresyonu (Support Vector Regression - SVR) gibi makine öğrenmesi regresyon yöntemlerinin kullanıldığı bir model önerilmiştir. Modelin temel hedefi, RSS değerlerini doğru bir şekilde tahmin etmek, tahmin edilen sinyal gücünü görselleştirmek ve sinyal gücü analizini gerçekleştirmektir. SVR modelinde Polinom ve Sigmoid gibi farklı çekirdek fonksiyonları denenmiştir. KNN modelinde ise farklı mesafe metriklerin başarısı test edilmiştir. Model başarısını artırmak amacıyla SVR ve KNN yöntemlerine uygun parametre değerleri seçilmiş ve yapılandırılmıştır. 900 MHz bandı için SVR ve KNN modellerinin performansları karşılaştırılmış ve modellerin sonuçları RMSE kullanılarak doğrulanmıştır. Ölçülen veriler arasında en düşük tahmin başarısı KNN Manhattan yöntemi ile elde edilmiştir. Simülasyon sonuçlarına göre, mekânsal verilerle oluşturulan SVR modelinin sinyal gücü tahmininde daha iyi performans gösterdiği gözlemlenmiştir. En iyi sinyal gücü tahmini SVR modelinde, Sigmoid çekirdeği ile elde edilen en düşük RMSE değeri 1.71 dB olarak bulunmuştur. Bu doğrultuda, sinyal gücünün en uygun parametrelerle tahmini edilebileceği gözlemlenmiştir. İstanbul verisi kapsamında ise topluluk öğrenme algoritmaları ile bu modellerin ikili, üçlü ve dörtlü kombinasyonları test edilmiş; özellikle GBM, AdaBoost, XGBoost ve CatBoost'tan oluşan dörtlü model, yol kaybı tahmininde en yüksek performansı göstermiştir. İstifleme (Stacking) temelli bu topluluk yaklaşımı, farklı modellerin güçlü yönlerini birleştirerek doğruluk, verimlilik ve ölçeklenebilirlik açısından önemli avantajlar sunmuştur. Coğrafi özniteliklere dayalı geliştirilen bu yöntemlerin, yalnızca mevcut 5G ağları için değil, aynı zamanda gelecekteki 6G planlamaları için de stratejik katkılar sağlayacağı değerlendirilmektedir. Ayrıca, İstanbul genelinde gerçekleştirilen mekânsal analizler, sinyal yol kaybı tahminlerine dayalı olarak mobil iletişim altyapısındaki yetersizliklerin belirlenmesine katkı sunmuştur. Özellikle Adnan Kahveci, Kayabaşı ve Atakent mahallelerinde mevcut baz istasyonu sayılarının kullanıcı yoğunluğu ve trafik yükünü karşılamada yetersiz kaldığı tespit edilmiştir. Bu mahallelerde görülen yüksek sinyal kaybı değerleri ve kapasite aşımı, altyapının iyileştirilmesine yönelik acil planlama ihtiyacını ortaya koymaktadır. Çalışma, hem sayısal hem de mekânsal veriler üzerinden gerçekleştirilen analizlerle, hücresel ağ planlamasında karar destek süreçlerine katkı sağlayacak bütüncül bir yaklaşım sunmaktadır. Bu çerçevede, çalışmanın literatüre sağladığı katkılar şu şekilde sıralanabilir: (I) Arazi yükseltisi ve bina yükseklikleri gibi 3B coğrafi özniteliklerle çalışma alanının Dijital İkizi'ni (DT) içerecek şekilde deneysel ve makine öğrenimi tabanlı sinyal yol kaybı modellerine entegre edilen CBS tabanlı bir çerçeve geliştirilmiştir. (II) Çalışmada dört deneysel model (Serbest Uzay, COST-231, Ericsson 9999 ve SUI) ile üç topluluk öğrenme modeli (GBM, XGBoost, CatBoost) ve bu modellerin dinamik olarak ikili üçlü dörtlü istifleme (stacking) modelleri değerlendirilmiştir. Karşılaştırmalı analizler, 900 MHz, 1800 MHz ve 2100 MHz frekanslarında gerçekleştirilen gerçek saha ölçümlerine dayanmaktadır. Elde edilen sonuçlar, topluluk öğrenme modellerinin geleneksel deneysel modellere kıyasla daha yüksek tahmin doğruluğu sağladığını göstermektedir; en yüksek doğruluk oranına ise dörtlü algoritmada modelinde ulaşılmıştır. Bu açıdan, 3D mekânsal verilerin ve topluluk öğrenme algoritmalarının entegrasyonu, sinyal zayıflamasının daha hassas tahmin edilmesini mümkün kılarak mobil ağ tasarımında önemli iyileşmeler sağlamaktadır. (III) Elde edilen sinyal kaybı haritaları, mahalle düzeyinde trafik yoğunluğu verileriyle entegre edilerek, mevcut baz istasyonu sayısının kapasite ihtiyacını karşılayıp karşılamadığını değerlendirmeye olanak tanıyan analitik bir çerçeve sunulmuştur. Bu yaklaşım, mobil iletişim altyapısındaki mekânsal yetersizliklerin tespiti ve önceliklendirilmesi açısından karar vericilere önemli girdiler sağlamaktadır. (IV) Son olarak, bu çalışma Coğrafi Bilgi Sistemleri (CBS) ile desteklenen makine öğrenimi yaklaşımlarının, Dijital İkiz (DT) entegrasyonu aracılığıyla 5G ve ötesi hücresel ağların yerel topoğrafya, yapı yoğunluğu ve kullanıcı yoğunluğu gibi parametrelere duyarlı biçimde optimize edilmesinde yüksek potansiyel taşıdığını ortaya koymaktadır. Bu kapsamda geliştirilen metodoloji, yeni nesil ağ planlamalarında adaptif ve veri odaklı bir karar destek mekanizması olarak katkı sunabileceği vurgulanmaktadır
Özet (Çeviri)
Natural disasters not only cause physical destruction, but can also cause serious disruptions in communication networks, disrupting the execution of disaster management. Signal losses, especially in the aftermath of disasters where mobile communication systems are used intensively, complicate both the coordination of response teams and the public's access to information. Therefore, accurate planning of mobile communication infrastructure and effective modelling of signal attenuation is a critical requirement in pre-disaster preparedness. Accurate signal path loss estimation is of crucial importance for the planning and optimisation of mobile communication networks, especially in urban environments where terrain and development significantly affect signal propagation. This study aims to improve signal path loss estimation and provides a comparison of various empirical and machine learning based modelling techniques in order to contribute to the identification of vulnerabilities such as overcapacity in mobile communication infrastructure and decision support processes. The evaluations conducted on the applications in Van and Istanbul provinces of Turkey have revealed that machine learning algorithms offer higher accuracy compared to traditional propagation models. In the analyses conducted across Van Province, In this study, a geospatial artificial intelligence (GeoAI)-based approach is introduced to predict path loss within mobile communication networks, emphasizing the use of spatial data to tackle this challenge. The performance of Support Vector Regression (SVR), Random Forest (RF), K-Nearest Neighbour (KNN), and Multi-layer Perceptron (MLP) neural network algorithms was assessed through real-world field measurements across a range of frequencies and diverse urban and terrain environments. Among the models implemented, the MLP model - configured with nine input features, three hidden layers, a hyperbolic tangent activation function, and algorithm of Adam optimization performed the best. At a frequency of 900 MHz, the mean square error (MSE) was recorded as 0.22 dB, the root mean square error (RMSE) as 0.47 dB, and the absolute mean square error (MAE) as 0.46 dB for the multi-layer perceptron (MLP) model. Following a comprehensive analysis of the established model in comparison with Free Space, SUI, Ericsson and COST 231 empirical models, it was determined that Geospatial intelligence (GeoAI) based path loss models achieved superior performance in terms of prediction accuracy and generalisation capability. It highlights the importance of incorporating spatial information into path loss prediction, especially for the optimisation of cellular communication networks in diverse urban and suburban environments. ANN and Random Forest algorithms gave the best results. In another study in an urban area in Van study area, three ensemble learning models (Categorical Boosting (CatBoost),Gradient Boosting Machine (GBM) and Extreme Gradient Boosting (XGBoost) were evaluated to test ensemble models. The comparative analyses are based on real field measurements performed at three frequencies: 900, 1800, and 2100 MHz. The results show that ensemble learning models provide higher prediction accuracy compared to traditional empirical models, with the CatBoost model achieving the highest accuracy. The CatBoost model stands out thanks to its superiority in working with categorical data. A model is proposed to predict Received Signal Strength (RSS) in 900 MHz band within the campus environment of Van Yüzüncü Yıl University, utilizing Geographic Information Systems (GIS) together with regression-based machine learning techniques, including K Nearest Neighbours (KNN) and the Support Vector Regression (SVR), for the Van research area. The main objective of the model is to accurately estimate RSS values, visualise the predicted signal strength, and perform signal strength analysis. A range of kernel functions, including Polynomial and Sigmoid, were evaluated within the SVR model. In the KNN model, the success of different distance metrics was tested. Appropriate parameter values for the SVR and KNN methods were selected and configured in order to improve the performance of the model. A comparative analysis of the SVR and KNN models' performance in the 900 MHz band is conducted and the results are validated using RMSE. The lowest prediction success among the measured data was obtained with the KNN Manhattan method. The simulation results indicated that the SVR model, configured with spatial data, demonstrates superior performance in signal strength estimation. In the best signal power estimation SVR algorithm, the lowest RMSE value obtained with the Sigmoid kernel was found to be 1.71 dB. Accordingly, it is observed that the signal power can be accurately estimated using the optimal parameters. Within the scope of Istanbul data, ensemble learning algorithms and binary, ternary and quadruple combinations of these models were tested; especially the quadruple model consisting of GBM, AdaBoost, XGBoost and CatBoost showed the highest performance in path loss prediction. This stacking-based ensemble approach combines the strengths of different models and offers significant advantages in terms of accuracy, efficiency and scalability. It is evaluated that these methods developed based on geographical attributes will provide strategic contributions not only for existing 5G networks, but also for future 6G planning. In addition, spatial analyses conducted across Istanbul contributed to the identification of inadequacies in mobile communication infrastructure based on signal path loss estimates. Especially in Adnan Kahveci, Kayabaşı and Atakent neighbourhoods, the number of existing base stations is insufficient to meet the user density and traffic load. The high signal path loss values and overcapacity in these neighbourhoods indicate the urgent need for planning to improve the infrastructure. The study presents a comprehensive approach that will contribute to decision support processes in cellular network planning by analysing both numerical and spatial data. In this framework, the contributions of the study to the literature can be listed as follows: (I) A GIS-based framework is developed to integrate 3D geographic attributes such as terrain elevation and building heights with a Digital Twin (DT) of the study area, which is integrated into empirical and machine learning-based signal path loss models. (II) The present study evaluates empirical models, namely Free Space, COST-231, Ericsson 9999 and SUI, as well as three ensemble learning models, namely GBM, XGBoost and CatBoost as well as their dynamic stacking models. The comparative analyses are based on real field measurements performed at 900, 1800 and 2100 MHz frequencies. Results obtained show that ensemble learning models provide higher prediction accuracy compared to traditional empirical models; the highest accuracy rate was achieved in the quadruple algorithm model. In this respect, the integration of 3D spatial data and ensemble learning algorithms enables more accurate estimation of signal attenuation, leading to significant improvements in mobile network design. (III) The resulting signal path loss maps are integrated with active user data at the neighbourhood level to provide an analytical framework to assess whether the number of available base stations meets the capacity requirement. This approach provides important inputs to decision makers in terms of identifying and prioritising spatial deficiencies in mobile communication infrastructure. (IV) In conclusion, this study demonstrates that machine learning approaches supported by Geographic Information Systems (GIS) have high potential for optimising 5G and beyond cellular networks through Digital Twin (DT) integration in a way that is sensitive to parameters such as local topography, building density and user density. It is emphasised that the methodology developed in this context can contribute as an adaptive and data-driven decision support mechanism in next generation network planning.
Benzer Tezler
- Türkiye'de afet yönetim sisteminin mevcut durumu ve stratejik iyileştirme önerileri
Current status of disaster management system in Turkey and strategic improvement suggestions
ZÜMRAL ERDEM
Yüksek Lisans
Türkçe
2025
Kamu YönetimiSakarya ÜniversitesiAfet Yönetimi Ana Bilim Dalı
DOÇ. DR. CEM KIRLANGIÇOĞLU
- Türkiye'de afet yönetimi: Risk yönetimi ekseninde bir model önerisi
Disaster management in Turkey: A model proposal on the axi̇s of ri̇sk management
FIRAT EROL
- İTÜ kampüsü afet bilgi sistemi, afet yönetimi obje modelinin oluşturulması ve ilişkili sorgulamaların yapılandırılması
İTÜ campus disaster information system, constition of the emergency manegement based object model and construction of the related queries
HİMMET KARAMAN
Yüksek Lisans
Türkçe
2003
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiJeodezi ve Fotogrametri Ana Bilim Dalı
PROF. DR. MUHAMMED ŞAHİN
- Effects of building collapse direction and bridge functionality on road networks following an earthquake
Bina yıkılma yönlerinin ve köprü hasarlarının deprem sonrasında yol ağlarına etkisi
BETÜL ERGÜN KONUKCU
Doktora
İngilizce
2016
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. MUHAMMED ŞAHİN
DOÇ. DR. HİMMET KARAMAN
- Afet odaklı kriz yönetimi: AFAD örneği
Crisis management based on disaster: AFAD example
ÖMER KIZILOVA
Yüksek Lisans
Türkçe
2014
Kamu Yönetimiİnönü ÜniversitesiSiyaset Bilimi ve Kamu Yönetimi Ana Bilim Dalı
DOÇ. DR. S. MUSTAFA ÖNEN