Prediction and optimization applications in disaster management
Afet yönetiminde tahmin ve optimizasyon uygulamaları
- Tez No: 989034
- Danışmanlar: DOÇ. DR. MEVLÜDE EBRU ANGÜN
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Makine öğrenmesi, Gauss süreci, Olasılıksal kısıtlar, Barınak seçimi problemi, Afet yönetimi, Machine learning, Gaussian process, Chance constraints, Shelter location problem, Disaster management
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Galatasaray Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışma ile felaket yönetiminin hazırlık ve cevap aşamasına katkıda bulunulmaya çalışılmaktadır. Felaket yönetiminde yaşanılan en büyük sorunlardan biri, felaket yaşanmadan önce, yaralı sayısını az hata ile tahmin etmektir. Felaket yönetimi konusunda çalışan çoğu araştırmacı eski felaket verilerini kesin veriler olarak kullanmaktadır. Oysaki bir sonraki felakette bu verilerin gerçekleşme olasılığı sıfırdır. Bu sebeple yeni çalışmalar makine öğrenmesi metotlarını kullanarak yaralı ve ölü sayılarını tahmin etmeye çalışmaktadır. Bu amaçla kullanılan metotlar yapay sinir ağları, destek vektör makinası (support vector machine), destek vektör regresyonu (support vector regression), Gauss süreci ve çoklu doğrusal regresyondur. Bu çalışmada yaralı sayıları Gauss süreci kullanılarak tahmin edilmektedir. Açıklayıcı değişken olarak nüfus yoğunluğu ve hasarsız, az ve orta hasarlı bina sayıları kullanılmıştır ve yaralı sayıları tahmin edilmeye çalışılmıştır. Veriler, 6 şubat 2023 tarihinde Türkiye'nin güneydoğu bölgesinde gerçekleşen deprem verilerinden oluşmaktadır ve farklı kaynaklardan toplanmıştır. Tahmin metodu, literatürden üç metot ile karşılaştırılmıştır. Metotlardan hiçbiri az hatalı tahmin üretememiştir. Hataların hesaplanmasında eğitim-test very seti ayırma (leave-one-out cross-validation) metoduyla yapılmıştır. Bu metot her seferinde bir veri hariç diğer verileri eğitim seti olarak kullanıp, parametreleri tahmin etmekte ve daha sonra eğitimde kullanmadığı bir adet test versini kullanarak hatayı hesaplamaktadır. Bu hesaplama very setindeki tüm veriler için ayrı ayrı yapılmaktadır. Bu çalışmada kullanılan Gauss sürecinin diğer metotlara karşı olan en bariz üstünlüğü sadece tahmin ediciyi değil, tahmin edicinin varyansını da bulmaktadır. Ayrıca, tahmin edici normal dağılıma sahiptir. Bu tahminler, barınak seçimi yapabilmek için kullanılan olasılıksal kısıtları olan bir eniyileme probleminde kullanılmıştır. Bu eniyileme problemi rastlantısal olarak üretilmiş bir veri seti için çözülmüştür. İleride yapılması gereken çalışmalar şu şekilde sıralanabilir: i- Farklı ve daha az hatalı makine öğrenmesi metotlarının dikkate alınması; ii- Olasılıksal kısıtları olan eniyileme probleminin gerçek veri seti ile çözülmesi ve sonuçların tartışılması; iii- Büyük ölçekli ve olasılıksal kısıtları olan problemler için çözüm yöntemlerinin geliştirilmesi.
Özet (Çeviri)
This study considers the preparedness and response phases of a disaster management problem. One of the biggest problems for disaster management is that accurate predictions for the number of death and injured people are not available. Researchers in disaster management usually use data from the historical disasters as if they were the true numbers of death and injured people. However, in a future disaster, the numbers of injured and death people will be different with probability one. Consequently, recent studies focus on predicting these numbers applying different machine learning techniques such as neural networks, support vector machine, support vector regression, Gaussian process, and multiple linear regression. In this study, we use Gaussian processes to predict the numbers of injured people. This prediction method uses only two types of explanatory variables, namely, population density and the number of undamaged, slightly and moderately damaged buildings. We use the data resulting from the two earthquakes occurred on 6 February 2023 in the southeastern region of Turkey, and we collect the data from different sources. We compare our prediction method with three other benchmark prediction methods. None of the methods provide very accurate predictions. However, Gaussian processes have the advantage of estimating the variance of the predictor in addition to the predictor, and the predictor has normal distribution. We further use these predictors and their variances to solve a chance-constrained optimization problem to find shelter locations. We use randomly generated data for the optimization problem. Further research has to be done to provide: i- machine learning method with better prediction capacity; ii- solution of the shelter location problem with real data; iii- solution procedure to solve a large-scale optimization problem for shelter location problem.xii
Benzer Tezler
- Resilient ultra dense networks under UAV coverage for disaster management
Afet yönetiminde İHA'lar ile dayanıklı ultra yoğun ağlar
ELİF BOZKAYA
Doktora
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BERK CANBERK
- 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
GÜZİDE MİRAY PERİHANOĞLU
Doktora
Türkçe
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. HİMMET KARAMAN
- Development of LPV-MPC and LQR control strategıesfor multı-uav formatıon wıth battery-awareweıght matrıx optımızatıon
Batarya farkındalığına sahip ağırlık matrisi optimizasyonuile çoklu iha formasyonu için lpv-mpc ve LQRkontrol stratejilerinin geliştirilmesi
HACI MUHAMMED YILDIZ
Yüksek Lisans
İngilizce
2025
Uçak Mühendisliğiİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HAYRİ ACAR
- Land cover and land use classification of multi-modal high-resolution satellite images using multi-task deep learning approach
Çok görevli derin öğrenme tekniği ile çok kipli yüksek çözünürlüklü uydu görüntülerinin arazi örtüsü ve arazi kullanımı sınıflandırılması
BURAK EKİM
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- Dört rotorlu insansız hava araçları için fizik rehberli artık geri beslemeli sinir ağı ile çok ajanlı dağıtılmış lineer olmayan model öngörülü formasyon kontrolü
Multi-agent distributed nonlinear model predictive formation control for quadrotor UAVs using a physics-guided residual feedback neural network
DENİZ MUHACİR
Yüksek Lisans
Türkçe
2026
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. YAPRAK YALÇIN