İstatistikçi Olmayanlar için Zaman Serileri Tahmini

İstatistikçi Olmayanlar için Zaman Serileri Tahmini

Zaman serisi tahmini nedir, neden kullanılmalı ve nasıl başlayabilirsiniz? Bu blogda, ArcGIS Pro ile zaman serisi tahmininin karar verme sürecinize nasıl değer katabileceğini anlatacağız. İlk olarak zaman serisi tahminine kısa bir giriş yaparak kullanım alanlarını aktarılarak veri hususundan bahsedeceğiz. Sonrasında da sizi Esri’nin zaman serisi tahmini araç setleri ile tanıştıracağız.

 

Temeller

Bir zaman serisi, karşılık gelen bir zamana (örneğin saat, gün, ay, yıl, vb.) bağlı bir dizi veri noktasıdır. Zaman serisi verileri, yalnızca aralıklı veya rastgele değil, belirli bir süre boyunca tutarlı aralıklarla toplanan veri noktalarını içerir. Bu da toplanan verilerdeki eğilimleri daha etkin bir şekilde belirlemek ve benzer veri noktalarının gelecekte kendilerini nasıl gösterebileceğine ilişkin daha doğru tahminler yapmak için gerçekleştirilen herhangi bir zaman serisi analizine olanak tanır. 

Zaman serisi tahmini, gelecekteki olayların benzer kalıpları takip etmeye devam edeceği varsayımıyla geçmiş eğilimleri yorumlayarak gelecekteki olayları tahmin etmek için kullanılan bir tekniktir. Yani geçmiş zaman serisi verilerinde gözlemlenen trendlere benzeyen en uygun modeller oluşturulur daha sonra bu modeller gelecekteki değerleri tahmin etmek kullanılır. 

Zaman serisi tahmini, gelecekle ilgili kesin bir tahmin değildir, sadece en iyi tahmindir. Ayrıca model ne kadar kapsamlı zaman serisi verileri ile beslenirse tahmin o kadar iyi olur.

 

Zaman Serisi Tahmini Kullanım Alanları

Zaman serisi analizi, kuruluşların zamansal verilerindeki temel eğilimleri açıklamalarına yardımcı olabilir. Zaman serisi tahmini, gelecekteki olası sonuçları tahmin etmek için verilerdeki zamansal kalıpları (mevsimsellik veya döngüsel davranış gibi) kullanarak bunu bir adım daha ileri götürür.  Gelecekteki olayların bu şekilde nasıl gelişebileceğini bilmek, insanların güvenlik, verimlilik ve maliyetler gibi önemli standartları en üst düzeye çıkarmak için daha iyi önleyici kararlar almasına yardımcı olabilir. 

Zaman serisi tahmininin kullanıldığı yaygın gerçek dünya örnekleri şunları içerir:

Perakende, tedarik ve dinamik fiyatlandırma için talep tahmini

  • Personel programlarını optimize etmek için müşteri yoğunluğunu tahmin etme
  • Envanterin depolanmasını optimize etmek için bir ürünün talebini tahmin etme
  • Bir mağaza için ürün satışlarını tahmin etme

Sağlık hizmetlerinde pandemik yayılma, teşhis ve ilaç planlamasının tahmin edilmesi

  • İhtiyacı optimize etmek için farklı konumlardaki enfeksiyon oranlarını tahmin etme

Anormallik tespiti

  • Mevsimlerin ve trendlerin görünümünden önemli ölçüde sapan düzensiz yükselmeleri veya inişleri tespit etme
  • Denizcilik endüstrisi, kömür madenciliği, ATM’lerin çalışması ve daha fazlası dahil olmak üzere sensör okumalarında anormallikler bularak, bu tür sistemlerde arızaya yol açan daha büyük olayların önüne geçme

Veri Hususları

Kullanmayı planladığınız verilerin tahmin edilmeye uygun olup olmadığını kontrol etmek önemlidir. Aşağıda, verileriniz için kullanabileceğiniz beş genel noktayı listeledik. 

Gözlem Sayısı

Zaman serisi tahmini, büyük ölçüde mevcut veri miktarına dayanır.  Dolayısıyla “daha fazla veri daha iyi analize eşittir” kavramı zaman serisi tahmini için de geçerlidir. Ne kadar çok gözlem noktamız olursa, modellerimiz verilerimize o kadar iyi uyacaktır.

Zaman Ufku

Zaman ufku, gelecek için ne kadar uzak bir tahmin ürettiğinizdir. Ne kadar ileri gitmeye çalışırsanız, tahminleriniz o kadar güvenilmez olacaktır. Veri kümeniz çok miktarda kısa vadeli veri içeriyorsa, uzun zaman ufku içeren tahminler oluşturmaktan kaçınmalısınız.

Rastgele Veri

Rastgele olaylar asla doğru bir şekilde tahmin edilemez. Dolayısı ise rastgele olaylarda ne kadar veri topladığımız veya bu verileri ne kadar tutarlı bir şekilde topladığımız önemli değildir. Örneğin, piyango numaraları her hafta kaydedilebilir, ancak bir sonraki kazanan numaraları tahmin edemezsiniz. Piyango rastgele olacak şekilde tasarlanmıştır. Bu nedenle tarihi örüntüler gelecekteki örüntüleri yansıtmayacak ve gözlemlenen benzerlikler tesadüfi olacaktır.

Veri Kalitesi

Kaliteli verilerin kullanılması herhangi bir veri analizi tekniği için standart bir gerekliliktir. Veri kalitesi için tipik yönergeler, verilerin kopyalanmamasını, geçerli bir biçimde, tutarlı bir şekilde toplanmasını ve düzenli aralıklarla toplanmasını içerir. Bunlar arasında, zaman serisi verilerinin analiz edilen zaman periyodu için düzenli aralıklarla toplanmış olması özellikle önemlidir.

Durağanlık

Durağan veriler zamanla değişebilir, ancak bazı temel özellikler her zaman aynı kalır. Gelecekteki değerleri güvenilir bir şekilde tahmin edebilen bir zaman serisi modeli oluşturmak için kullandığımız verilerin durağan olması gerekir. Verilerinizin durağan olup olmadığını öğrenmek için veri kümenizde çalıştırabileceğiniz testler vardır. Dickey-Fuller testi yaygın bir testtir. Ayrıca verilerinizi durağan olmayandan durağan hale getirebilen ve bir zaman serisi tahmini gerçekleştirmek için gerekli özellikleri koruyan dönüşümler de mevcuttur.

 

Esri’nin Zaman Serisi Tahmin Araç Seti

Esri’nin zaman serisi tahmin araç setinde tahmin edilen veri tipine ve kullanıcının ihtiyaç duyduğu çıktı tipine bağlı olarak dört farklı tahmin aracı vardır. Ayrıca araç setleri mekansal karar vermeye yardımcı olmak için tahminlerin dağılımını mekansal olarak görselleştirmek için tasarlanmıştır. 

Esri’nin zaman serisi tahmin araç setindeki her araç için belgeleri burada bulabilirsiniz.

Curve Fit Forecast

Zaman serisi verileri tüm şekil ve boyutlarda gelir. Bazıları doğrusal bir eğilime sahip olabilirken, diğerleri daha S-şekilli bir eğriyi takip edebilir. Bu araç seti, zaman serisi verileri arasındaki bu çeşitlilik düzeyiyle başa çıkmanıza yardımcı olmak için tasarlanmıştır. Çalışma alanınızı en iyi tanımlayan eğriyi bilmiyorsanız, “otomatik algılama”yı seçebilirsiniz. Böylece araç tahminleriniz için kullanabileceğiniz en uygun istatistiksel modeli otomatik olarak önerecektir.

Dört Farklı Eğri Türü

Exponential Smoothing Forecast

Hem üstel düzeltme hem de rastgele orman tabanlı yaklaşım, verilerimizdeki mevsimsel veya döngüsel eğilimler de dahil olmak üzere karmaşık zaman serileriyle başa çıkmakta iyidir.

Exponential Smoothing Forecast tool illustration

Döngüsel Eğilim Grafiği

Her bir aracın en önemli çıktılarından biri açılır pencereler şeklindedir. Otomatik olarak oluşturulan her açılır pencerede, ölçülen verilerimizi mavi, tahminimizi turuncu görebilirsiniz.

Exponential Smoothing Forecast pop-up chart

Tahmin Açılır Penceresi

Ayrıca pencerede tahminin etrafındaki belirsizliği de görebiliriz. Modelin, çalışma alanı boyunca konuma nasıl uyduğu konusunda bize değerli bir fikir verir. Bir tahmin modeli çalıştırdığınız her alan için açılır pencereler mevcuttur ve haritanızdaki çalışma alanına tıklanarak görüntülenebilir.

Tahmin Açılır Penceresi Animasyon Gösterimi

Forest-Based Forecast

Orman Tabanlı Tahmin aracı, bir uzay-zaman küpünün gelecekteki zaman dilimlerini tahmin etmek için orman tabanlı gerileme kullanır. Bu araç, regresyon için kullanıldığında Orman Tabanlı Sınıflandırma ve Regresyon aracıyla aynı temel algoritmayı kullanır.

Orman regresyon modelleri, veriler hakkında çok az varsayımda bulunur, bu nedenle birçok bağlamda kullanılırlar. Veriler karmaşık eğilimler veya mevsimlere sahip olduğunda veya polinomlar, üstel eğriler veya sinüs dalgaları gibi yaygın matematiksel işlevlere benzemeyen şekillerde değişiklikler olduğunda diğer tahmin yöntemlerine kıyasla en etkilisidir.

Orman Tabanlı Tahmin Aracını Kullanarak Tahmin Zaman Serisi

Evaluate Forecasts by Location

Tüm çalışma alanınızda tek bir model kullanabilirken, aynı zamanda mekana göre modellerinizin değişmesine de izin verebilirsiniz. Araç, uzay-zaman küpünün her konumu için çoklu tahmin sonuçları arasından en doğru olanı seçer. Bu Zaman Serisi Tahmini araç seti aynı zaman serisi verileriyle birden fazla aracı kullanmanıza ve her konum için en iyi tahmini yapmanıza olanak tanır. 

Bu nedenle, çalışma alanınızı daha küçük konumlara böldüyseniz, bazı konumlarda bu araç bir eğri tahmini seçebilir çünkü bu konumlardaki zaman serileri bu ortak kalıpları takip eder. 

Göstergede vurgulanan en doğru tahminle birden fazla tahmininin görüntülenmesi

Göstergede Vurgulanan En Doğru Tahminle Birden Fazla Tahmininin Görüntülenmesi

Bu araç, her bir konuma ne kadar iyi uyduklarına bağlı olarak, çalışma alanımız boyunca farklı tahmin modellerini haritalandırmamıza olanak tanır. Dolayısıyla, aynı modelin geçerli olduğu farklı konumlar gördüğümüzde, bu konumların da büyük olasılıkla benzer özellikleri paylaştığı konusunda bize değerli bir fikir verir.

Tahminlerin Konum Çıktısına Göre Değerlendirmesi

Zaman serisi tahmini araç setleri Basic, Standard ve Advanced olmak üzere tüm ArcGIS Pro lisans türleri için mevcuttur.

 

Yapılandırılmamış Metinden Konumları Eşleme

Yapılandırılmamış Metinden Konumları Eşleme

Veriler, yapılandırılmış bir mekansal veri dosyasında yer alıyorsa bir haritaya yerleştirilebilir. Hatta elektronik tablo gibi mekansal olmayan yapılandırılmış bir veri dosyasındaki özellikleri, x,y koordinatları veya adres bilgileri gibi konum açıklamalarını kullanarak eşleyebilirsiniz. Ancak, e-posta veya başka bir metin formu gibi yapılandırılmamış mekansal olmayan verileriniz varsa ne olur?

Siz de metin tabanlı bir not veya e-postadaki koordinatlar gibi yapılandırılmamış konum açıklama metnini ayıklayabilir ve buradan mekansal veri dosyaları oluşturabilirsiniz.

Yapılandırılmamış metin, haritaya yerleştirilebilecek konum referansları içerebilir.

Yapılandırılmamış metin kaynakları nelerdir?

Veri kaynakları genellikle yapılandırılır, ancak yarı yapılandırılmış veya yapılandırılmamış da olabilirler.

Yapılandırılmış veriler, veri tabanları, elektronik tablolar veya CSV dosyaları gibi verileri düzenlemek için tasarlanmış biçimlerde depolanan metin veya diğer verileri ifade eder. Yapılandırılmış veriler son derece organizedir ve genellikle nicel olarak kategorize edilir.

Diğer veri kaynakları ise yarı yapılandırılmış veya yapılandırılmamıştır. Örneğin, yarı yapılandırılmış metni veri tabanı veya elektronik tablodan daha az yapılandırılmış bir raporda bulabilirsiniz. Fakat yapılandırılmamış verilerin önceden tanımlanmış bir veri modeli veya tanınabilir bir yapısı yoktur. Yapılandırılmamış veriler düzenlenmemiş ve daha nitelikseldir. Metin veya multimedya içeriğinden oluşur.

Yapılandırılmamış metin, verileri düzenlemek ve ayıklamak için tasarlanmamış bilgi kaynaklarından gelebilir. Aşağıda yapılandırılmamış metin kaynaklarına bazı örnekler verilmiştir:

  • Word belgeleri, metin dosyaları veya PDF dosyaları, ArcGIS LocateXT bileşeni tarafından ayıklanabilen konum bilgilerini içerebilen yapılandırılmamış metin kaynaklarına örnektir.
  • PowerPoint veya diğer sunu dosyaları bir analistin ayıklayabileceği ve eşleyebileceği konum bilgilerini içerir.
  • Raporlar, konum bilgilerinin ortak bir kaynağıdır ve yapılandırılmamış veya yarı yapılandırılmış olabilir.
  • E-postalar, yarı yapılandırılmış veya yapılandırılmamış metinlerin yaygın bir biçimidir. E-postaların bazı dahili yapıları vardır, ancak geleneksel analiz yazılımları tarafından alınamaz.
  • Web siteleri veya bloglar için XML ve HTML dosyaları, konuma göre özellik listeleri veya trafik kazaları gibi olay konumlarının dinamik güncelleştirmeleri gibi yapılandırılmamış konum bilgileri içerebilir.
  • Fotoğraflar veya diğer görüntüler konum açıklaması içerebilir. Fotoğraflar, koordinat bilgileri de dahil olmak üzere bir dizi ayarda meta verileri saklamış olabilir.
  • Facebook, Twitter ve LinkedIn gibi sosyal medya platformlarından üretilen veriler yapılandırılmamıştır. Sohbetlerden, forumlardan ve anlık iletilerden gelen iletişimler de yararlı konum bilgileri için taranabilir.

Yukarıda bahsedilen örneklerdeki gibi yapılandırılmamış veri kaynaklarından gelen bilgileri ArcGIS LocateXT bileşeni ile yeni bir mekansal veri katmanına getirebilir, haritalayabilir ve raporlar için birer birer öznitelik bilgileri ekleyebilirsiniz.

Yapılandırılmamış veri kaynaklarından bir haritaya konum eklemek

Yerel klasörlerinizde çeşitli biçimlerde kaydedilmiş bir dizi yapılandırılmamış belgeniz olabilir. Bu belgeler içerisinden de mekansal verileri çıkarmanız gerekebilir. Örneğin bir eğlence parkurunun büyük bir bölümünde bakım yapmak istiyorsunuz. Bisikletçilerden, yürüyüşçülerden ve koşuculardan parkur sorunlarına dair düzenli olarak tarih, konum, bakım sorunu ve sorunun kısa açıklamasını içeren e-posta alıyorsunuz ve bu şekilde parkur bakım raporları topluyorsunuz.

Bu raporları mekansal veri katmanı haline getirmek için ArcGIS Pro içerisinde ArcGIS LocateXT bileşenini kullanabilirsiniz. Bunun için ArcGIS Pro’yu başlatarak bir şablon oluşturmanız gerekir.

Özel bir şablon dosyası oluşturun

Map sekmesinin Layer grubunda Add Data Extract Locations’a tıklayın ve şablon oluşturmaya başlayın. Şablonlar, yapılandırılmamış metin belgelerinden konumları ve diğer bilgileri çıkarmak için kullanılan ayar ve özellikler koleksiyonlarıdır.

Açılan Extract Location panelinden yeni detay sınıfınızın kaynağını belirterek yapılandırılmamış metinden çıkarmak istediğiniz özel nitelikleri ayarlayın.

Yol sorunları için özel öznitelik oluşturun

LocateXT’nin taranan belgelerdeki anahtar kelimeleri tanımasına ve ilgili bilgileri çıkarmasına izin verecek özel bir öznitelik dosyası oluşturun. Tanınacak ve ayıklanacak sözcükleri tanımlayın ve ardından bu sözcükleri çıktı detay sınıfının öznitelik tablosunda saklayın.

Yapılandırılmamış metinden konumları çıkarın

Extract Locations bölmesinin altında Extract’i tıkladığınızda katmanınız Contents bölmesinin en üstünde görünecek ve dosyada bulunan konumlar haritaya yerleştirilecektir.

Extract Locations aracı, taranan her bir rapor hakkında faydalı öznitelik bilgileri sağlar.  Extracted Text alanı, çıktıyı tetikleyen girdi koordinatlarını içerir. Stand. Coord. alanı, verileri çıkardığınız belgenin DD, UTM ve MGRS koordinatlarında koordinat türleri olmasına rağmen, varsayılan olarak DD’ye dönüştürülmüş koordinatları içerir. Extract Locations aracı özelliklerinde koordinat türünü diğer biçimlerle değiştirebilirsiniz.

Diğer kaynaklardan konumlar ekleyin

Bakım raporlarının metin dosyasına ek olarak çeşitli koordinat biçimlerine sahip bir PDF, bir PowerPoint sunumu ve birden çok Word belgesini içeren bir klasörünüz olabilir. Bu ek raporları yeni oluşturduğunuz bakım katmanınıza dahil edebilirsiniz.

Böylece e-postalar klasörünün, Rapor PDF’inin ve PowerPoint belgesinin içeriğinin tümü taranacak ve çıktılar mevcut bakım özelliği sınıfınıza eklenecektir. Bu eylem, yapılandırılmamış bilgileri aynı koordinat tipine sahip tek bir dosyada birleştirmeniz ve yeniden biçimlendirmeniz gerekmediği için size zaman kazandıracaktır.

 

Araç Rotalama Problem Analizi (Vehicle Routing Problem Analysis)

Araç Rotalama Problem Analizi (Vehicle Routing Problem Analysis)

Araç Rotalama Problem Analizi (Vehicle Routing Problem Analysis)

ArcGIS Network Analyst ile sektörünüzün kurallarına göre araçlarınız için günlük rotalar oluşturabilirsiniz. Böylece müşterilerin düzenli olarak periyodik bir şekilde ziyaret edilmesini sağlayabilir, günlük dağıtım faaliyetlerinizi optimize edebilir ve optimum rotalar ile operasyonlarınızda kullanılan araç sayısını, yol ve zaman maliyetlerini azaltabilirsiniz.

Vehicle Routing Problem (VRP) analizinin ilk adımı yeni bir VRP katmanı oluşturmaktır. Bunun için Analysis sekmesinde, Network Analysis simgesini bularak açılır menüye tıklayabilirsiniz. Burada Vehicle Routing Problem’e tıkladığınızda bu açılır menünün altında, katmanı oluşturmak için kullanılacak ağ veri kaynağı bulunur. Vehicle Routing Problem’i seçmeden önce bunun doğru yerel ağ veri kaynağını veya portal konumunu gösterdiğinden emin olmalısınız.

Yeni oluşturulan VRP katmanını Contents bölmesinde Vehicle Routing Problem olarak görebilirsiniz.

Vehicle Routing Problem’in üzerine tıkladığınızda Network Analysis altında yer alan VRP şeridi açılacaktır. Bu şeritte birçok seçenek bulunmaktadır, bu yüzden soldan sağa bölümlere ayırarak inceleyeceğiz.

Analysis

Burada Run adlı tek bir düğme bulacaksınız. Run düğmesi, katman verileri ve tüm parametre ayarlarıyla rotayı oluşturmayı başlatan bir seçenektir.

Eğer ağ veri kümesi katmanı olarak ArcGIS Online’ı gösteriyorsa bu aracı çalıştırmak ArcGIS Online Servis Kredisi tüketecektir.

Input Data

VRP şeridinin sonraki bölümü girdi verilerini içeren Input Data bölümüdür. Bu bölüm, Import Orders, Import Depots, Import Routes ve Import Breaks’ten oluşan çok sayıda alt katmanı ve tabloları içeren 4 ana kısımdan oluşmaktadır.

Her VRP katmanında siparişler, depolar ve rotalar tanımlanmalıdır. Siparişler, depolar ve rotalar bir detay sınıfından veya tablodan veri eklenmesine izin veren bir yapıdan oluşmaktadır.

Orders: Bu detay katmanı, belirli bir araç rotalama problem analizi katmanının parçası olan siparişleri içermektedir. Sipariş, müşteriye teslimat, müşteriden teslim alma veya başka bir iş türü olabilir.

  • Siparişlerin alınması veya siparişlerin teslim edilmesi gereken ürünler olabilir. Ürünlerin ağırlık, hacim veya birim sayısı gibi istenilen herhangi bir form ya da ölçüm kombinasyonuna dayalı olabilen bir veya daha fazla kapasitesi olabilir.
  • Bir siparişin, siparişteki işi tamamlamak için gereken süre olan bir hizmet süresi olabilir.
  • Bir sipariş, bir aracın siparişi ne zaman ziyaret etmesine izin verildiğini gösteren bir veya iki zaman penceresine sahip olabilir.
  • Spesiyaller bir siparişle ilişkilendirilebilir. Yani bir sipariş, belirli becerilere sahip bir teknisyen (örneğin bir elektrikçi) veya belirli yeteneklere sahip bir araç (asansör) gerektirebilir.

Depots: Bu ağ analiz sınıfı belirli bir araç rotalama problem analiz katmanının parçası olan depoları içermektedir. Depo, bir aracın iş gününün başında hareket ettiği ve iş gününün sonunda geri döndüğü yerdir.

Routes: Bu ağ analizi sınıfı belirli bir araç rotalama problem analizi katmanının parçası olan rotaları içermektedir. Rota, araç ve sürücü özelliklerini belirtir ve depolar ile siparişler arasındaki geçişi temsil eder. Network Analyst’te araçlar, rotalar ve sürücüler eş anlamlıdır ve rota terimi üçünü de kapsamak için kullanılır.

Breaks: Bu ağ analiz sınıfı bir araç rotalama problemindeki rotalar için dinlenme sürelerini veya molaları içermektedir. Bir mola bir rota ile ilişkilidir ve bir sipariş tamamlandıktan sonra, bir siparişe giderken veya bir siparişe hizmet vermeden önce tanımlanabilir.

Import Barrier ve Import Route Zone, her ikisi de içe aktarma veya ekleme şeklinde açılır menüleri içermektedir.

Route Zone: Belirli bir rota için bir çalışma bölgesi belirtmektedir. Route Zone bir çokgen detayıdır ve rotaları yalnızca bir alanın içinde veya yakınında bulunan siparişlere hizmet verecek şekilde kısıtlamak için kullanılır.

Barrier: Bariyerler ağın bölümlerinde geçici olarak kısıtlamak, empedans eklemek ve empedansı ölçeklendirmek için kullanılmaktadır.

Bu bölümdeki son düğme ise detay oluşturmaya yarayan Create Feature düğmesidir. Bu, haritadaki konumları manuel olarak dijitalleştirmek için kullanılan Create Feature bölmesini açmaktadır.

Travel Settings

Burada araç tarafından kullanılacak seyahat modunu ayarlanmaktadır.

Mode açılır listesi yayaların, arabaların, kamyonların veya başka bir seyahat modunun hareketini modelleyen bir seyahat modu seçmenize olanak tanır. Ayrıca modeliniz için seyahat modu ayarlarını Travel Settings grubunun altındaki küçük başlatıcı düğmesi ile Layer Properties Travel Mode sayfasından da değiştirebilirsiniz.

Buna ek olarak bu bölümde tüm analiz adına zaman ve mesafe tabanlı alanlar için kullanılan birimler ayarlanmaktadır.

  • Time Field Units tarafından kullanılan zaman birimleri saniye, dakika, saat ve günden oluşmaktadır.
  • Distance Field Units tarafından kullanılan uzaklık birimleri ise metre, kilometre, feet, mil ve deniz milinden oluşmaktadır.

Default Date

Şeridin sonraki bölümü Default Date’tir. Bu grupta, aracın rotalama için hangi günü kullanması gerektiğini belirtirsiniz.

Ayrıca, bu grupta tüm araçlar için ArcGIS Pro şeridinde yeni olan bir parametre ayarı olan referans zaman dilimi bulunur. Bu, zaman pencerelerinin UTC’ye mi yoksa konumdaki saat dilimine mi dayalı olduğunu belirtmenize olanak tanır. Bu ayar, tek bir model içindeki konumlar birden çok zaman dilimine yayıldığında çok önemlidir.

Output Geometry

Output Geometry rota şekillerinin harita üzerinde nasıl çizileceğini belirlemenizi sağlamaktadır.

  • No Lines: Doğrusal çizgileri oluşturmaktadır.
  • Along Network: Harita üzerinde ağ boyunca gerçek yollar oluşturmaktadır.

Advanced

Advanced bölümündeki ayarlar, aracın çözümünü etkilemenize izin vermektedir.

Time Window Important, aracın zaman pencerelerini karşılamaya karşı en düşük maliyetli (toplam süre, toplam mesafe vb.) çözüme sahip olmaya ne kadar önem verdiğini belirlemektedir.

Transit Time Importance, yalnızca sorunda sipariş çiftleri varsa yararlı bir parametredir ve fazla taşıma süresinin azaltılmasının önemini değerlendirmenize olanak tanımaktadır. Fazla taşıma süresi, doğrudan eşleştirilmiş siparişler arasında seyahat etmek için gereken süreyi aşan süreyi ifade etmektedir.

Cluster, siparişleri aynı coğrafi alandaki (hepsi aynı mahalledeki gibi) rotalarda kümeleyen bir çözümü mü yoksa rotaların coğrafi bölgelerden geçmesine izin veren en düşük maliyetli çözümü mü tercih edeceğinize karar vermenize olanak tanımaktadır.

Directions and Share As

VRP şeridinin son iki bölümü, Directions ve Share As, sürücülere rota yönü bilgilerini almakla ilgilidir. Directions, rotalar için adım adım yol tarifi yazdırmanıza olanak tanımaktadır. Share As bölümü ise rota katmanlarını paylaşmanız için kullanılmaktadır.

 

Daha fazla bilgi için yardım sayfamıza göz atabilirsiniz.

ArcGIS uygulamaları ve güncellemeleriyle ilgili daha fazla bilgiye ulaşmak için blog sayfamızı takip edebilirsiniz.

Esri Türkiye 2022

 

Coğrafi Kodlama (Geocoding) Nedir?

Coğrafi Kodlama (Geocoding) Nedir?

Geocoding, bir konumun tanımını (bir koordinat çifti, bir adres veya bir yer adı gibi) dünya yüzeyindeki bir konuma dönüştürme işlemidir. Bir seferde bir konum açıklaması girerek veya bir tablodan toplu geocoding yapabilirsiniz. Ortaya çıkan konumlar, haritalama veya konumsal analiz için kullanılabilen niteliklere sahip coğrafi detaylardır.

Geocoding işleminde adresler, konum açıklamasını alan ve detayı bir haritaya yerleştiren bir süreç olarak kullanılabilir. Adres, basitçe bir konumu tanımlamak için kullanılan bir yöntemdir. Adres veya diğer verilere göre bir varlık bulmak için onu coğrafi olarak kodlayabilirsiniz.

Geocoding, Girdi Verisi (Input Data), Adres Konumlandırıcı (Locator) ve Referans Verisi (Reference Data) olmak üzere üç ana bileşene sahiptir.

Girdi Verisi (Input Data)

Girdi verileri, geocoding için gereken ilk bileşendir. Girdi verileri, konum açıklamasını içermekte ve kullanıcı tarafından sağlanmaktadır. Geocoding işlemi, detayı bir haritaya yerleştirmek veya haritayı/harita kullanıcısını yönlendirmek için girdi verilerini kullanmaktadır.

Adres Konumlandırıcı (Locator)

Geocoding ayrıca bir adres konumlandırıcı gerektirir. Adres konumlandırıcı detayları bir haritaya yerleştirmek için girdi verilerindeki konum açıklamalarını coğrafi koordinatlara bağlayan bir araçtır.

Adres konumlandırıcı, bir adresin nasıl ayrıştırıldığı, olası eşleşmeler için arama yöntemlerinin nasıl kullanıldığı ve eşleşme çıktı bilgilerinin nasıl döndürüldüğü hakkında bilgiler içerir.

Adres konumlandırıcılar, geçerli bir adresin olası birçok varyasyonunu işlemek için tasarlanmıştır. Bir adreste yanlış veya yetersiz bilgi verilirse, adres eşleşmelerini inceleyebilir ve adresleri düzeltebilir, adres bulma kurallarını iyileştirebilir ve memnun olduğunuz adres eşleşmelerini elde edene kadar referans verilerini iyileştirebilirsiniz.

Adres konumlandırıcı yerel olarak saklanabilir, ArcGIS Enterprise kullanılarak bir servis olarak yayınlanabilir veya ArcGIS Online’da bir konum belirleme paketi (Locator Package) olarak paylaşılabilir. Ayrıca ArcGIS Online, herhangi bir ArcGIS Desktop veya ArcGIS Online kullanıcısının erişebileceği World Geocoding Service sunmaktadır.

Referans Verisi

Adres konumlandırıcı detayları haritalandırmak için referans verileri gerektirir.

Referans verileri olarak bilinen bir adres konumlandırıcı oluşturmak için kullandığınız katmanların, bulmak istediğiniz belirli noktanın ayrıntılarına sahip olması gerekir. Adres ararken, birincil referans verileri genellikle bir sokak ağından oluşur, ancak bir parsel haritası da kullanılabilir. Önemli olan, verilerin bulmak istediğiniz ayrıntıya sahip olmasıdır.

Girdi verilerindeki adres öğelerini tanımladıktan sonra, adres konumlandırıcı girdi verilerinden adres ögelerini referans verilerle karşılaştırmak için bir dizi kural kullanır. Adres konumlandırıcı, girdi ve referans verileri arasındaki eşleşmeleri bulur ve detayları bir haritaya yerleştirir. Arama sonuçlarınızın kalitesi, girdi verilerinin yanı sıra referans verilerinin kalitesine ve doğruluğuna bağlıdır. Referans verileriniz her güncellendiğinde adres konumlandırıcıyı da yenileyebilirsiniz.

Geocoding ne için kullanılabilir?

Basit veri analizinden iş/müşteri yönetimine ve dağıtım operasyonlarına kadar, geocoding işleminin kullanılabileceği çok çeşitli uygulamalar vardır. Geocode yapılmış adreslerle, adres konumlarını konumsal olarak görüntüleyebilirsiniz.

Geocoding ile adreslere dayalı veri analizi yapabilirsiniz. Örneğin, suç önleme planlamasına yardımcı olmak için geocoding yapılmış adreslerin zamana, mevsime ve haftanın günlerine göre nasıl dağıldığını inceleyebilirsiniz.

Ayrıca geocoding, müşteri veri yönetimi için de kullanılabilir. Neredeyse her kuruluş müşteri adres bilgilerini tutar. Bu genellikle müşteri adını, adresini, satın alma alışkanlıklarını ve topladığınız diğer bilgileri içeren tablo biçiminde olur. Geocoding, müşterilerinizin bilgilerini almanıza ve konumlarının bir haritasını oluşturmanıza olanak tanır. Daha sonra konum bilgileri ile ilgili çeşitli uygulamaları kullanarak, bu bilgileri pazarlama stratejileri oluşturmaktan belirli müşteri kümelerini hedeflemeye, rota haritaları ve yol tarifleri oluşturmaya kadar birçok şekilde kullanabilirsiniz.

ArcGIS Insights ile Regresyon Analizi ve Tahminleme

ArcGIS Insights ile Regresyon Analizi ve Tahminleme

İşletme veya kuruluşunuz için regresyon tekniklerini kullanarak ham verileri alıp eyleme dönüştürülebilecek bilgiler haline getirebilir ve ileriye yönelik daha iyi kararlar alabilirsiniz.

Bu blog yazısında 2020 yılına ait ATM sayılarının kendisini etkileyen faktörlerle birlikte değerlendirildiğinde 2025 yılında ilçeler bazında nasıl bir dağılım sergilemesi beklendiği üzerine çalışılmıştır. Bu kapsamda öncelikli olarak üretilen veriler ile birlikte regresyon analizi yapılmıştır. Regresyon analizi ile seçilen değişkenler arasındaki ilişki modellenmiş ve daha sonra modele dayalı olarak 2025 yılının değerleri tahmin edilmiştir.

Bir regresyon denkleminin doğruluğu, regresyon analizinin önemli bir parçasıdır. Tüm modeller bir miktar hata içerecektir ancak istatistikleri anlamak modelin analizinizde kullanılıp kullanılamayacağını veya ayarlamalar yapılması gerekip gerekmediğini belirlemenize yardımcı olacaktır. Bundan dolayı regresyon modelinizi belirlemeden önce hangi veriler arasında nasıl bir ilişkinin olduğunu anlamak faydalı olacaktır.

Dağılım grafiği matrisleri, histogramlar ve nokta grafikleri gibi grafikler, ilişkileri analiz etmek ve varsayımları test etmek için regresyon analizinde kullanılabilmektedir. Bu çalışmada da analiz öncesi grafikler yardımı ile bir keşif yapıldığında 2020 yılına ait ATM verileri ile 2020 yılına ait ortalama hane büyüklüğü veya kişi başı gelir arasındaki ilişkinin düşük olduğu fakat 2020 yılı nüfus sayısı, 2020 yılı müşteri sayısı ve 2020 yılında yapılan işlem sayısı ile ilişkisinin yüksek olduğu görülmüştür.

Daha sonra ilişkinin yüksek olduğu veriler ile birlikte bir regresyon modeli oluşturulmuştur. Oluşturulan model içerisinde doğrulayıcı analizin bir parçası olarak F istatistiği ve ilişkili p değeri, t istatistikleri ve bunlarla ilişkili p değerleri ve güvenilirlik aralığı gibi istatistiksel çıktılar kullanılmıştır.

Oluşturulmuş olan regresyon modeli yeni değerleri tahmin etmek için kullanılmaktadır. Bu kapsamda “Değişkeni Tahmin Et” seçeneği ile oluşturulan regresyon modeli seçilmekte ve 2025 yılına ait projeksiyon verileri girilerek 2025 yılında ATM sayılarının ilçeler bazında dağılımı görüntülenebilmektedir.

Analizin anlatımının güçlü olması için iki yıl arasındaki ATM sayısının farklı haritalarda karşılaştırması yapılacak şekilde tablolar ve grafiklerle ilişkisi kurulabilmektedir.

Siz de işletme veya kuruluşunuzda ArcGIS Insights ile regresyon teknikleri kullanarak analizler yapmak için ürün sayfasını bağlantıya tıklayarak inceleyebilirsiniz.