Geri Dön

Doğal afetlerde çevrimiçi davranış verilerine dayalı ihtiyaç tahmini ve kaynak tahsis optimizasyonu: 2023 kahramanmaraş depremleri uygulaması

Demand prediction and resource allocation optimization based on online behavioral data in natural disasters: An application to the 2023 Kahramanmaraş earthquakes

  1. Tez No: 952951
  2. Yazar: MEHMET DEMİR
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ERDİ DAŞDEMİR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Hacettepe Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 106

Özet

Doğal afetler, ani meydana gelişleri ve yıkıcı etkileriyle toplumların fiziksel, ekonomik ve sosyal yapısını derinden sarsan olaylardır. Deprem, sel ve orman yangını gibi afetler sonrasında, kısa süre içinde arama-kurtarma, sağlık hizmetleri, gıda ve barınma gibi temel ihtiyaçlara yönelik yoğun bir talep oluşur. Bu taleplerin zamanında ve etkili bir şekilde karşılanması, afet yönetimi sürecinin en kritik unsurlarından biridir. Afet sonrası, arama-kurtarma, ekipman, kolluk kuvvetleri, sağlık hizmeti ve gibi temel yardımları ihtiyaç duyulan bölgelere ulaştırmak gerekir. Ancak afetten etkilenen bölgelerdeki ihtiyaç düzeylerini belirlemek bilgiye erişimin kısıtlı olması, iletişim altyapısının zarar görmesi ve talep dinamiklerinin hızlı değişmesi nedeniyle çok zordur. Özellikle afet tek bir merkezle sınırlı kalmayıp geniş bir coğrafi alanda etkili olmuşsa, kaynakların hangi bölgelere ne ölçüde tahsis edileceği sorunu daha karmaşık hâle gelir. Kaynakların harekete geçirilmesi için gerçek taleplerin belirlenmesini beklemek mümkün değildir. Bu nedenle, potansiyel ihtiyaç bölgelerinin ve bu bölgelerdeki tahmini talep düzeylerinin erken ve isabetli bir şekilde öngörülmesi, kaynakların etkin ve zamanında tahsisi açısından kritik bir öneme sahiptir. Bu çalışmada, eş zamanlı müdahale gerektiren doğal afetlerdeki talep belirsizliği ve bu belirsizlik nedeniyle karmaşıklaşan kaynak tahsis problemlerini ele alıyoruz. Çözüm için çevrimiçi davranış verilerine dayalı iki aşamalı bir“tahmin et – optimize et”(predict-then-optimize) yaklaşımı geliştiriyoruz. Yaklaşımımızı, 6 Şubat 2023'te Türkiye'nin güneydoğusunda meydana gelen Kahramanmaraş merkezli depremlerine ait gerçek veriler üzerine uygulamaktayız. İlk aşama,“tahmin et”aşaması, makine öğrenmesi modelleri kullanarak talep belirsizliği problemini adresliyoruz. Bu kapsamda ilk olarak afet sonrası erken dönemde sosyal medya paylaşımları (X, eski adıyla Twitter, gönderileri) ve arama motoru eğilimlerini (Google arama trendi verileri) kullanan bir talep endeksi geliştiriyoruz. X gönderilerindeki yardım çağrısı içeren verileri belirlemek amacıyla, 5000 adet X gönderisini“yardım çağrısı içeriyor”(1) veya“içermiyor”(0) şeklinde manuel olarak etiketliyoruz. Veri kümesini eğitim, test ve doğrulama olarak ayırıyoruz; bu yapı üzerinden BERT (Bidirectional Encoder Representations From Transformers) tabanlı bir metin sınıflandırma modeli geliştiriyoruz. Öncelikle, metin verileri üzerindeki noktalama işaretleri, özel karakterler, kullanıcı etiketlerini temizliyoruz, metinleri küçük harfe dönüştürerek standardize ediyoruz. Bu ön işlem adımlarının ardından, hem geleneksel makine öğrenmesi algoritmaları (Destek Vektör Makineleri, Lojistik Regresyon, Rastgele Orman) hem de bağlamsal anlam öğrenme yeteneğine sahip BERT tabanlı derin öğrenme modeli kullanarak performans karşılaştırması yapıyoruz. Sonrasında X gönderileri ve Google arama trendi verilerini birleştirerek bölgesel ölçekte bir talep popülerliği endeksi oluşturuyoruz. Ardından, geliştirdiğimiz endeks ve afet bölgelerine ait çeşitli demografik ve yapısal değişkenleri kullanarak afetten etkilenen bölgelerdeki göreli talep düzeylerini belirleyen Ridge regresyon modelleri geliştiriyoruz. Regresyon modellerini geliştirirken talep popülerliği endeksi ile afetten etkilenen illerin çeşitli demografik ve fiziksel değişkenlerine logaritmik, karekök, ters, kare ve küp dönüşümleri ile ikili/üçlü etkileşimler uygulanarak toplamda 113 özellik oluşturuyoruz. Ardından, bu geniş özellik seti içerisindeki çoklu doğrusal ilişkiyi azaltmak amacıyla 0,95 korelasyon eşiği ile hedef odaklı bir değişken eleme süreci yürüterek ve özellik sayısını 33'e düşürüyoruz. Modelleme aşamasında, çoklu hedef değişkenli Ridge regresyon yöntemi kullanarak 7, 8, 9 ve 10 Şubat tarihleri için talep tahminlerini gerçekleştiriyoruz. İkinci aşamada,“optimize et”aşamasında da ise bu tahminlere dayanarak, çoklu kaynakları etkili ve dengeli bir şekilde afet bölgelerine tahsis eden bir ağ akış optimizasyon modeli geliştiriyoruz. Böylece, sınırlı sayıdaki arama-kurtarma, sağlık ve lojistik gibi ekiplerin zamansal ve bölgesel dağıtımın planlarını belirliyoruz. Son yıllarda makine öğrenmesi ve yapay zekâ tabanlı tahmin modelleri, afet gibi belirsizlik içeren ortamlarda karar destek süreçlerinde kullanılmaktadır. Öte yandan, kaynak yönetimi veya tahsisi problemleri, yöneylem araştırması literatüründe kapsamlı uygulama alanına sahip temel problem sınıflarındandır. Bu tez çalışması, tahmine dayalı optimizasyon (predict-then-optimize) paradigmasını benimseyerek deprem özelinde tahmin ve optimizasyon süreçlerinin bütünleşik biçimde çalıştığı bir çözüm yaklaşımı geliştirmekte, bu yöntemi Kahramanmaraş depremine ait gerçek verileri kullanarak uygulamakta ve böylelikle literatür ve pratiğe yönelik katkı sunmaktadır.

Özet (Çeviri)

Natural disasters are events that deeply shake the physical, economic and social structure of societies with their sudden occurrence and devastating effects. After disasters such as earthquakes, floods and forest fires, there is an intense demand for basic needs such as search and rescue, health services, food and shelter in a short time. Meeting these demands in a timely and effective manner is one of the most critical elements of the disaster management process. After a disaster, it is necessary to deliver basic aid such as search and rescue, equipment, law enforcement, health services to the regions in need. However, determining the levels of need in the regions affected by the disaster is very difficult due to limited access to information, damaged communication infrastructure and rapid change in demand dynamics. Especially if the disaster is not limited to a single center but has affected a wide geographical area, the problem of allocating resources to which regions and to what extent becomes more complex. It is not possible to wait for the determination of real demands to mobilize resources. Therefore, early and accurate prediction of potential need regions and estimated demand levels in these regions is of critical importance for the effective and timely allocation of resources. In this study, we address the demand uncertainty in natural disasters that require simultaneous intervention and the resource allocation problems that become complicated due to this uncertainty. For the solution, we develop a two-stage“predict-then-optimize”approach based on online behavioral data. We apply our approach to real data belonging to the earthquake centered in Kahramanmaraş that occurred on February 6, 2023 in the southeast of Turkey. In the first stage, the“predict”stage, we address the demand uncertainty problem using machine learning models. In this context, we first develop a demand index that uses social media shares (X, formerly known as Twitter, posts) and search engine trends (Google search trend data) in the early post-disaster period. In order to identify the data containing calls for help in X posts, we manually label 5000 X posts as“contains calls for help”(1) or“does not contain”(0). We divide the dataset into training, test and validation; We develop a text classification model based on BERT based on this structure. First, we clean the text data from punctuation marks, special characters, and user labels, and standardize the texts by converting them to lowercase. After these pre-processing steps, we compare the performance using both traditional machine learning algorithms (Support Vector Machines, Logistic Regression, Random Forest) and a BERT-based deep learning model capable of learning contextual meaning. Then, we combine X posts and Google search trend data to create a regional demand popularity index. Then, we develop Ridge regression models that determine the relative demand levels in disaster-affected regions using the index we developed and various demographic and structural variables belonging to disaster regions. While developing the regression models, we apply logarithmic, square root, inverse, square and cube transformations and binary/triple interactions to the demand popularity index and various demographic and physical variables of the provinces affected by the disaster, creating a total of 113 features. Then, in order to reduce the multicollinearity within this large feature set, we conduct a target-oriented variable elimination process with a correlation threshold of 0,95 and reduce the number of features to 33. In the modeling phase, we perform demand forecasts for February 07, 08, 09 and 10 using the Ridge regression method with multiple target variables. In the second phase, in the“optimize”phase, we develop a network flow optimization model that allocates multiple resources to disaster areas in an effective and balanced manner based on these forecasts. Thus, we determine the temporal and regional distribution plans of a limited number of teams such as search and rescue, health and logistics. In recent years, machine learning and artificial intelligence-based forecasting models have been used in decision support processes in uncertain environments such as disasters. On the other hand, resource management or allocation problems are among the basic problem classes with extensive application in the operations research literature. This thesis develops a solution approach in which prediction and optimization processes work in an integrated manner by adopting the predict-then-optimize paradigm, and applies this method using real data from the Kahramanmaraş earthquake, thus contributing to literature and practice.

Benzer Tezler

  1. Tez No

    709987

    Türkiye'deki tüketicilerin iklim değişikliği ile ilgili davranışlarının belirlenmesi

    Determining of consumers' climate change behaviors in Turkey

    AHMAD SAMIM POUYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    ZiraatÇanakkale Onsekiz Mart Üniversitesi

    Tarım Ekonomisi Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖZGE CAN NİYAZ

  2. Tez No

    629380

    Sıvılaşma analizi ve sıvılaşma sonucu oluşan yanal yayılma hesap yöntemlerinin karşılaştırılması

    Liquefaction analysis and comparison of lateral spread calculation methods resulting from liquefaction

    MERT ALTINDİŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    İnşaat Mühendisliğiİstanbul Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. AYFER ERKEN

  3. Tez No

    893289

    Tüketicilerin afet bölgesindeki işletmelerden online satın alma niyetlerinin toplumsal pazarlama perspektifinde incelenmesi

    An examination of consumers' online purchase intensions from businesses in disaster-affected areas from a social marketing perspective

    EMSAL ULUÇ

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    İşletmeErciyes Üniversitesi

    İşletme Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HAYRİYE NUR BAŞYAZICIOĞLU

  4. Tez No

    722422

    BİLSEM'lerde uzaktan eğitim ile yapılan öğretim uygulamalarının öğrenci beklentileri ve paydaşlar açısından değerlendirilmesi

    Evaluation of distance education applications at BİLSEM in terms of student expectations and stakeholders

    AHMET KAÇAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Eğitim ve ÖğretimOndokuz Mayıs Üniversitesi

    Eğitim Bilimleri Ana Bilim Dalı

    DOÇ. DR. İSMAİL GELEN

  5. Tez No

    829824

    Sosyal bilgiler öğretmeni adaylarının afet bilinci algı düzeylerinin incelenmesi

    Social studies preservice teachers' investigation of disaster awareness perception levels

    ANIL AKYOL

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Eğitim ve ÖğretimDokuz Eylül Üniversitesi

    Türkçe ve Sosyal Bilgiler Ana Bilim Dalı

    PROF. DR. ALİ EKBER GÜLERSOY

Geri Dön