प्रदेश विश्लेषणासाठी थर्मल संभाव्य पद्धतीची तांत्रिक अंमलबजावणी

पहिल्या प्रकाशनात (प्रदेश विश्लेषणासाठी थर्मल क्षमता वापरणे) आम्ही सर्वसाधारणपणे प्रदेशांचे विश्लेषण करण्यासाठी थर्मल पोटेंशिअल्सचा कसा वापर केला जाऊ शकतो याचे वर्णन केले. डेटाबेसमध्ये अवकाशीय वस्तूंची माहिती कशी संग्रहित केली जाते, मुख्य घटकांचे मॉडेल कसे तयार केले जातात आणि सर्वसाधारणपणे प्रदेश विश्लेषणाची कार्ये कोणती असू शकतात याचे वर्णन पुढील प्रकाशनांमध्ये करण्यात आले होते. पण प्रथम गोष्टी प्रथम.

प्रथम थर्मल संभाव्य पद्धतीचा वापर केल्याने आपल्याला स्वारस्य असलेल्या प्रदेशाची सामान्य कल्पना मिळणे शक्य होते. उदाहरणार्थ, बार्सिलोना (कॅटलोनिया) शहरासाठी OSM कडून प्रारंभिक माहिती घेऊन आणि पॅरामीटर्स न निवडता अविभाज्य विश्लेषण करून, आम्ही पहिल्या मुख्य घटकांच्या "थर्मल" प्रतिमा मिळवू शकतो. आम्ही पहिल्या लेखात "उष्णता" नकाशांबद्दल देखील बोललो, परंतु हे लक्षात ठेवणे चुकीचे ठरणार नाही की अविभाज्य विश्लेषणासाठी वापरल्या जाणार्‍या संभाव्यतेच्या भौतिक अर्थामुळे "उष्णता" नकाशा हा शब्द उद्भवला आहे. त्या. भौतिकशास्त्रातील समस्यांमध्ये, क्षमता म्हणजे तापमान आणि प्रादेशिक विश्लेषणाच्या समस्यांमध्ये, संभाव्यता म्हणजे प्रदेशावरील विशिष्ट बिंदूवर सर्व प्रभाव टाकणाऱ्या घटकांचा एकूण प्रभाव.

अविभाज्य विश्लेषणाच्या परिणामी प्राप्त झालेल्या बार्सिलोना शहराच्या “उष्णता” नकाशाचे उदाहरण खाली दिले आहे.

प्रथम मुख्य घटकाचा "उष्णता" नकाशा, पॅरामीटर निवडीशिवाय, बार्सिलोना

आणि एक विशिष्ट पॅरामीटर सेट करून (या प्रकरणात, आम्ही उद्योग निवडला), तुम्ही त्यासाठी थेट "उष्णता" नकाशा मिळवू शकता.

प्रथम मुख्य घटक, उद्योग, बार्सिलोनाचा उष्णता नकाशा

अर्थात, निवडलेल्या प्रदेशाचे सामान्य मूल्यांकन मिळविण्यापेक्षा विश्लेषणाच्या समस्या खूप विस्तृत आणि अधिक वैविध्यपूर्ण आहेत, म्हणून, उदाहरण म्हणून, या लेखात आम्ही नवीन ऑब्जेक्ट ठेवताना सर्वोत्तम स्थान शोधण्याच्या समस्येचा विचार करू आणि तांत्रिक त्याचे निराकरण करण्यासाठी थर्मल संभाव्य पद्धतीची अंमलबजावणी आणि भविष्यातील प्रकाशनांमध्ये आम्ही इतरांकडे पाहू.

नवीन ऑब्जेक्ट ठेवताना सर्वोत्कृष्ट स्थान शोधण्याच्या समस्येचे निराकरण केल्याने हे नवीन ऑब्जेक्ट स्वीकारण्यासाठी प्रदेश किती "तयार" आहे, तो प्रदेशात आधीपासूनच अस्तित्वात असलेल्या इतर वस्तूंशी कसा संबंध ठेवेल, ही नवीन वस्तू किती मौल्यवान असेल हे निर्धारित करण्यात मदत करेल. प्रदेश आणि ते काय मूल्य जोडेल.

तांत्रिक अंमलबजावणीचे टप्पे

तांत्रिक अंमलबजावणी खाली सूचीबद्ध केलेल्या प्रक्रियेच्या क्रमाने दर्शविली जाऊ शकते:

1. माहिती वातावरण तयार करणे.
2. स्रोत माहितीचा शोध, संकलन आणि प्रक्रिया.
3. विश्लेषण केलेल्या प्रदेशात नोड्सच्या ग्रिडचे बांधकाम.
4. प्रदेश घटकांचे तुकड्यांमध्ये विभाजन करणे.
5. घटकांपासून संभाव्यतेची गणना.
6. प्रदेशाची थीमॅटिक अविभाज्य वैशिष्ट्ये तयार करण्यासाठी घटकांची निवड.
7. प्रदेशाचे अविभाज्य निर्देशक प्राप्त करण्यासाठी मुख्य घटक पद्धतीचा वापर.
8. नवीन सुविधेच्या बांधकामासाठी साइट निवडण्यासाठी मॉडेल तयार करणे.

टप्पा १. माहिती वातावरण तयार करणे

या टप्प्यावर, डेटाबेस व्यवस्थापन प्रणाली (DBMS) निवडणे, माहितीचे स्त्रोत, माहिती गोळा करण्याच्या पद्धती आणि गोळा केलेल्या माहितीचे प्रमाण निश्चित करणे आवश्यक आहे.
आमच्या कामासाठी, आम्ही PostgeSql डेटाबेस (DB) वापरला, परंतु हे लक्षात घेण्यासारखे आहे की SQL क्वेरीसह कार्य करणारा कोणताही डेटाबेस करेल.

डेटाबेस प्रारंभिक माहिती संग्रहित करेल - ऑब्जेक्ट्सबद्दल स्थानिक डेटा: डेटा प्रकार (बिंदू, रेषा, बहुभुज), त्यांचे निर्देशांक आणि इतर वैशिष्ट्ये (लांबी, क्षेत्र, प्रमाण), तसेच परिणाम म्हणून प्राप्त केलेली सर्व गणना मूल्ये. केलेले काम आणि स्वतःच कामाचे परिणाम.

सांख्यिकीय माहिती स्थानिक डेटा म्हणून देखील सादर केली जाते (उदाहरणार्थ, या प्रदेशांना नियुक्त केलेल्या सांख्यिकीय डेटासह प्रदेशाचे प्रदेश).

संकलित केलेल्या प्रारंभिक माहितीचे परिवर्तन आणि प्रक्रियेच्या परिणामी, सारण्या तयार केल्या जातात ज्यामध्ये रेखीय, बिंदू आणि क्षेत्र घटक, त्यांचे अभिज्ञापक आणि निर्देशांक यांची माहिती असते.

टप्पा 2. स्रोत माहितीचा शोध, संकलन आणि प्रक्रिया

या समस्येचे निराकरण करण्यासाठी प्रारंभिक माहिती म्हणून, आम्ही प्रदेशाविषयी माहिती असलेल्या खुल्या कार्टोग्राफिक स्त्रोतांकडून माहिती वापरतो. लीडर, आमच्या मते, OSM माहिती आहे, जगभरात दररोज अद्यतनित केली जाते. तथापि, आपण इतर स्त्रोतांकडून माहिती गोळा करण्यास व्यवस्थापित केल्यास, ते आणखी वाईट होणार नाही.
माहिती प्रक्रियेमध्ये ती एकरूपता आणणे, खोटी माहिती काढून टाकणे आणि डेटाबेसमध्ये लोड करण्यासाठी तयार करणे समाविष्ट आहे.

स्टेज 3. विश्लेषण केलेल्या प्रदेशात नोड्सच्या ग्रिडचे बांधकाम

विश्लेषित प्रदेशाची सातत्य सुनिश्चित करण्यासाठी, त्यावर ग्रिड तयार करणे आवश्यक आहे, ज्याचे नोड्स दिलेल्या समन्वय प्रणालीमध्ये समन्वयित आहेत. प्रत्येक ग्रिड नोडवर संभाव्य मूल्य नंतर निर्धारित केले जाईल. हे तुम्हाला एकसंध क्षेत्रे, क्लस्टर्स आणि अंतिम विश्लेषण परिणामांची कल्पना करण्यास अनुमती देईल.

सोडवल्या जाणार्‍या कार्यांवर अवलंबून, ग्रिड तयार करण्यासाठी दोन पर्याय शक्य आहेत:
— नियमित पायरीसह ग्रिड (S1) - संपूर्ण प्रदेशात प्रेक्षणीय आहे. हे घटकांमधून संभाव्यतेची गणना करण्यासाठी, प्रदेशाची अविभाज्य वैशिष्ट्ये (मुख्य घटक आणि क्लस्टर्स) निर्धारित करण्यासाठी आणि मॉडेलिंग परिणाम प्रदर्शित करण्यासाठी वापरले जाते.

हा ग्रिड निवडताना, आपण निर्दिष्ट करणे आवश्यक आहे:

• ग्रिड स्पेसिंग - मध्यांतर ज्यावर ग्रिड नोड्स स्थित असतील;
• विश्लेषण केलेल्या प्रदेशाची सीमा, जी प्रशासकीय-प्रादेशिक विभागाशी संबंधित असू शकते किंवा ते नकाशावरील क्षेत्र असू शकते जे बहुभुजाच्या रूपात गणना क्षेत्र मर्यादित करते.

— अनियमित अंतरासह ग्रिड (S2) प्रदेशाच्या वैयक्तिक बिंदूंचे वर्णन करते (उदाहरणार्थ सेंट्रोइड्स). हे घटकांवरून संभाव्यतेची गणना करण्यासाठी आणि प्रदेशाची अविभाज्य वैशिष्ट्ये (मुख्य घटक आणि समूह) निर्धारित करण्यासाठी देखील वापरले जाते. गणना केलेल्या मुख्य घटकांसह मॉडेलिंग अनियमित पायरीसह ग्रिडवर अचूकपणे चालते आणि सिम्युलेशन परिणामांची कल्पना करण्यासाठी, ग्रिड नोड्समधून अनियमित पायरीसह क्लस्टर क्रमांक समन्वयांच्या समीपतेच्या तत्त्वानुसार नियमित चरणासह ग्रिड नोड्समध्ये हस्तांतरित केले जातात. .
डेटाबेसमध्ये, ग्रिड नोड्सच्या निर्देशांकांची माहिती प्रत्येक नोडसाठी खालील माहिती असलेल्या सारणीच्या स्वरूपात संग्रहित केली जाते:

• नोड आयडी;
• नोड निर्देशांक (x, y).

वेगवेगळ्या प्रदेशांसाठी वेगवेगळ्या अंतरासह नियमित अंतर असलेल्या ग्रिडची उदाहरणे खालील आकृत्यांमध्ये दर्शविली आहेत.

निझनी नोव्हगोरोड (लाल ठिपके) च्या कव्हरेज ग्रिड. निझनी नोव्हगोरोड प्रदेशाचे कव्हरेज ग्रिड (निळे ठिपके).

स्टेज 4 प्रदेश घटकांचे तुकड्यांमध्ये विभाजन करणे

पुढील विश्लेषणासाठी, प्रदेशाचे विस्तारित घटक वेगळ्या घटकांच्या अॅरेमध्ये रूपांतरित केले जाणे आवश्यक आहे जेणेकरून प्रत्येक ग्रिड नोडमध्ये त्यामध्ये उपस्थित असलेल्या प्रत्येक घटकाची माहिती असेल. रेखीय घटक विभागांमध्ये विभागले जातात, क्षेत्र घटक तुकड्यांमध्ये विभागले जातात.

विभाजनाची पायरी प्रदेशाचे क्षेत्रफळ आणि विशिष्ट घटकाच्या आधारे निवडली जाते; मोठ्या क्षेत्रासाठी (प्रदेश) विभाजनाची पायरी 100-150 मीटर असू शकते; लहान क्षेत्रांसाठी (शहर) विभाजनाची पायरी 25-50 मीटर असू शकते. .

डेटाबेसमध्ये, विभाजन परिणामांबद्दल माहिती प्रत्येक तुकड्यासाठी खालील माहिती असलेल्या सारणीच्या स्वरूपात संग्रहित केली जाते:

• घटक ओळखकर्ता;
• परिणामी विभाजन तुकड्यांच्या सेंट्रोइड्सचे समन्वय (x, y);
• विभाजनाच्या तुकड्यांची लांबी/क्षेत्र.

टप्पा 5 घटकांपासून संभाव्यतेची गणना

प्रारंभिक माहितीचे विश्लेषण करण्याच्या संभाव्य आणि समजण्याजोग्या पध्दतींपैकी एक म्हणजे प्रभावाच्या वस्तूंमधून संभाव्य घटकांचा विचार करणे.

द्वि-आयामी केससाठी Laplace च्या समीकरणाचे मूलभूत समाधान वापरू - बिंदूपासून अंतराचा लॉगरिदम.

शून्यावर मर्यादित संभाव्य मूल्याची आवश्यकता आणि मोठ्या अंतरावरील संभाव्य मूल्याची मर्यादा लक्षात घेऊन, संभाव्यता खालीलप्रमाणे निर्धारित केली जाते:

r<r1 साठी (1)

r2>r>=r1 साठी

r>=r2 साठी

पॉइंट ऑब्जेक्टवरून प्रभाव संभाव्यतेचा प्रकार

लॉगरिदमिक फंक्शन शून्यावर बांधलेले असणे आवश्यक आहे आणि घटकांपासून काही अंतरावर वाजवीपणे बांधलेले असणे आवश्यक आहे. जर आम्ही घटकापासून मोठ्या अंतरावर संभाव्यतेवर निर्बंध घातले नाहीत, तर आम्हाला विश्लेषण केलेल्या बिंदूपासून खूप दूर असलेली माहिती विचारात घ्यावी लागेल, ज्याचा विश्लेषणावर व्यावहारिकदृष्ट्या कोणताही परिणाम होणार नाही. म्हणून, आम्ही घटकाच्या क्रियेच्या त्रिज्याचे मूल्य सादर करतो, ज्याच्या पलीकडे घटकातील संभाव्यतेचे योगदान शून्य आहे.

शहरासाठी, घटकाची त्रिज्या अर्ध्या तासाच्या बरोबरीची गृहीत धरली जाते पादचारी प्रवेशयोग्यता - 2 मीटर. प्रदेशासाठी आपण अर्धा तास बोलले पाहिजे वाहतूक प्रवेशयोग्यता - 20 मीटर.

अशा प्रकारे, संभाव्य मूल्यांची गणना करण्याच्या परिणामी, आमच्याकडे नियमित ग्रिडच्या प्रत्येक नोडवर प्रत्येक घटकाची एकूण क्षमता आहे.

स्टेज 6. प्रदेशाची थीमॅटिक अविभाज्य वैशिष्ट्ये तयार करण्यासाठी घटकांची निवड

या टप्प्यावर, प्रदेशाची थीमॅटिक अविभाज्य वैशिष्ट्ये तयार करण्यासाठी सर्वात महत्त्वपूर्ण आणि माहितीपूर्ण घटक निवडले जातात.

घटकांची निवड पॅरामीटर्ससाठी काही सीमा निश्चित करून (सहसंबंध, प्रभावाची टक्केवारी इ.) आपोआप केली जाऊ शकते किंवा समस्येचा विषय जाणून घेऊन आणि प्रदेशाची थोडीशी समज घेऊन ते कुशलतेने केले जाऊ शकते.

सर्वात महत्त्वपूर्ण आणि माहितीपूर्ण घटक निवडल्यानंतर, आपण पुढील चरणांवर जाऊ शकता - मुख्य घटकांचे स्पष्टीकरण.

टप्पा 7 प्रदेशाचे अविभाज्य निर्देशक प्राप्त करण्यासाठी मुख्य घटक पद्धतीचा वापर. क्लस्टरिंग

प्रदेश घटकांबद्दलची प्रारंभिक माहिती, मागील टप्प्यावर प्रत्येक ग्रिड नोडसाठी गणना केलेल्या संभाव्यतेमध्ये रूपांतरित, नवीन अविभाज्य निर्देशकांमध्ये एकत्रित केली जाते - मुख्य घटक.

मुख्य घटक पद्धत अभ्यास क्षेत्रातील घटकांच्या परिवर्तनशीलतेचे विश्लेषण करते आणि या विश्लेषणाच्या परिणामांवर आधारित, त्यांचे सर्वात परिवर्तनीय रेखीय संयोजन शोधते, ज्यामुळे त्यांच्या बदलाचे मोजमाप - क्षेत्रावरील फैलाव मोजणे शक्य होते.

रेखीय मॉडेल फंक्शन दिलेल्या मूल्यांनुसार अंदाजे करण्यासाठी मॉडेल तयार करण्यासाठी एक सामान्य समस्या घेऊ
(2)
जिथे मी घटक क्रमांक आहे,
n - गणनेमध्ये समाविष्ट असलेल्या घटकांची संख्या
j – प्रदेश बिंदूचा नोड इंडेक्स, j=1..k
k - प्रदेश ग्रिडच्या सर्व नोड्सची संख्या ज्यासाठी मुख्य घटकांची गणना केली गेली
— मॉडेलच्या i-th मुख्य घटकासाठी गुणांक
– j-व्या बिंदूवर i-th मुख्य घटकाचे मूल्य
बी - मॉडेलची विनामूल्य मुदत
— ज्या घटकासाठी आपण मॉडेल तयार करत आहोत त्याच्या j-व्या बिंदूवर संभाव्य

समीकरणातील अज्ञात गोष्टी ठरवू (2) मुख्य घटकांचे गुणधर्म वापरून किमान चौरस पद्धत:
(3)
जेथे i आणि i2 घटक संख्या आहेत, i<>i2
j — प्रदेश नोड निर्देशांक
k ही सर्व प्रदेश नोड्सची संख्या आहे
(4)

(3) म्हणजे घटकांमधील परस्परसंबंध नाही
(4) – कोणत्याही घटकाचे एकूण मूल्य शून्य आहे.

आम्ही मिळवा:

(5)
येथे नोटेशन Eq प्रमाणेच आहे. (2), म्हणजे सरासरी संभाव्य मूल्य

या परिणामाचा खालीलप्रमाणे अर्थ लावला जाऊ शकतो:
मॉडेल ही एक साधी अभिव्यक्ती आहे ज्यामध्ये सिम्युलेटेड मूल्याचे सरासरी मूल्य आणि प्रत्येक घटकासाठी त्यामध्ये साध्या सुधारणा असतात. कमीतकमी, परिणामामध्ये डमी टर्म B आणि प्रथम मुख्य घटक समाविष्ट करणे आवश्यक आहे. खाली निझनी नोव्हगोरोड प्रदेशासाठी प्रथम मुख्य घटकांच्या उष्णतेच्या नकाशेची उदाहरणे आहेत.

गणना केलेल्या मुख्य घटकांवर आधारित, एकसंध प्रदेश तयार केले जाऊ शकतात. हे सर्व पॅरामीटर्ससाठी आणि उदाहरणार्थ, केवळ किंमतींसाठी दोन्ही केले जाऊ शकते - म्हणजे. क्लस्टरिंग पार पाडणे. या साठी, आपण वापरू शकता K- म्हणजे पद्धत. प्रत्येक एकसंध प्रदेशासाठी, प्रदेशाच्या विकासाची पातळी दर्शविणारे, 1ल्या मुख्य घटकाचे सरासरी मूल्य मोजले जाते.
निझनी नोव्हगोरोड प्रदेशासाठी किंमती पॅरामीटर्सद्वारे क्लस्टरिंगचे उदाहरण खाली दिले आहे.

तसेच, प्राप्त केलेले मुख्य घटक खर्च मॉडेलचे मापदंड म्हणून वापरून, आम्ही प्रदेशाची किंमत पृष्ठभाग मिळवू शकतो.

निझनी नोव्हगोरोडची किंमत पृष्ठभाग

टप्पा 8. नवीन सुविधेच्या बांधकामासाठी साइट निवडण्यासाठी मॉडेल तयार करणे

नवीन ऑब्जेक्टच्या स्थानासाठी सर्वात आकर्षक ठिकाण निवडण्यासाठी (यापुढे "ऑब्जेक्ट" म्हणून संदर्भित), "ऑब्जेक्ट" च्या स्थानाची आसपासच्या पायाभूत सुविधांशी तुलना करणे आवश्यक आहे. "ऑब्जेक्ट" कार्य करण्यासाठी, त्याचे कार्य सुनिश्चित करण्यासाठी पुरेशी संसाधने असणे आवश्यक आहे; मोठ्या संख्येने घटक, "ऑब्जेक्ट" वर सकारात्मक आणि नकारात्मक प्रभाव दोन्ही विचारात घेणे आवश्यक आहे. या घटकांचा संपूर्ण संच "वस्तू" च्या कार्यासाठी "पोषक" वातावरण म्हणून परिभाषित केला जाऊ शकतो. क्षेत्राच्या संसाधनांच्या संख्येशी ऑब्जेक्ट्सच्या संख्येचा पत्रव्यवहार हा “ऑब्जेक्ट” च्या स्थिर कार्याचा आधार आहे.

या तुलनेचा परिणाम म्हणजे प्रदेशाच्या प्रत्येक बिंदूसाठी गणना केलेली संभाव्यता आणि नवीन "ऑब्जेक्ट" ठेवण्यासाठी स्थानाच्या निवडीचे दृश्य आणि विश्लेषणात्मक विश्लेषण करण्यास अनुमती देणे.

व्यापारासाठी, उदाहरणार्थ, इतर गोष्टींबरोबरच, खरेदीदारांचा सतत प्रवाह महत्त्वाचा आहे, याचा अर्थ असा की व्यापाराच्या वस्तूंसाठी विचारात घेतलेल्या घटकांच्या यादीमध्ये हे प्रवाह सुनिश्चित करणारे घटक देखील समाविष्ट केले पाहिजेत (उदाहरणार्थ, सामाजिक पायाभूत सुविधा, कामाची ठिकाणे, राहण्याची ठिकाणे, वाहतूक मार्ग इ.).

दुसरीकडे, जेव्हा किरकोळ सुविधांचे कार्य सुनिश्चित करण्यासाठी सर्व अटी पूर्ण केल्या जातात, तेव्हा किरकोळ सुविधांची घनता लक्षात घेणे आवश्यक आहे, कारण पर्यावरणाच्या "उपभोग" मुळे खरेदीची शक्यता कमी होते. लोकांचा प्रवाह अमर्यादित नाही आणि तेच त्यांच्या आर्थिक संसाधनांवर आणि भौतिक क्षमतांवर लागू होते.

ऑब्जेक्टसाठी सर्वोत्तम स्थान निवडण्याच्या समस्येचे निराकरण करण्याचा अल्गोरिदम या वस्तुस्थितीवर येतो की मुख्य घटकांचे कार्य म्हणून प्राप्त केलेली संभाव्यता "ऑब्जेक्ट" प्रकारच्या ऑब्जेक्ट्सच्या संचाच्या संभाव्यतेच्या शक्य तितक्या जवळ आहे; नंतर मॉडेलची क्षमता आणि "ऑब्जेक्ट" प्रकारच्या वस्तूंच्या संभाव्यतेमधील फरक मोजला जातो; एका "ऑब्जेक्ट" च्या योगदान क्षमतेचे मूल्य परिणामी फरकातून वजा केले जाते; या प्रकरणात प्राप्त केलेली नकारात्मक मूल्ये शून्याने बदलली जातात, म्हणजेच, ज्या ठिकाणी नवीन "ऑब्जेक्ट" च्या कार्यासाठी पुरेशी संसाधने नाहीत ते काढून टाकले जातात.

केलेल्या कृतींचा परिणाम म्हणून, आम्ही सकारात्मक संभाव्य मूल्यासह प्रदेशाचे गुण प्राप्त करतो, म्हणजेच आमच्या "वस्तू" च्या अनुकूल स्थानाची ठिकाणे.

दुस-या शब्दात सांगायचे तर, आमच्याकडे सर्व घटकांची गणना केलेली क्षमता आहे आणि ज्या घटकांसाठी आम्ही मॉडेल तयार करू इच्छितो आणि निवडलेल्या थीमॅटिक क्षेत्राचे (व्यापार, उद्योग, संस्कृती, सामाजिक क्षेत्र इ.) विश्लेषण करू इच्छितो.

हे करण्यासाठी, पर्यावरणीय चल तयार करण्यासाठी घटक निवडणे आवश्यक आहे - मुख्य घटक - आणि नंतर त्यांच्यावर आधारित मॉडेल्सची गणना करा.
आम्ही थीमॅटिक क्षेत्राच्या संदर्भ घटकासह सर्व घटकांच्या सहसंबंधांचे विश्लेषण करून घटक निवडण्याचा प्रस्ताव देतो. उदाहरणार्थ, संस्कृतीसाठी ते थिएटर, शिक्षण प्रणाली, शाळा इत्यादी असू शकतात.

आम्ही सर्व घटकांच्या संभाव्यतेसह मानक संभाव्यतेच्या सहसंबंधाची गणना करतो. आम्ही ते घटक निवडतो ज्यांचे परिमाणातील सहसंबंध गुणांक एका विशिष्ट मूल्यापेक्षा जास्त आहेत (अनेकदा किमान सहसंबंध गुणांक = 0 चे मूल्य घेतले जाते).
(6)
जेथे — मानकासह i-th घटकाच्या सहसंबंध गुणांकाचे परिपूर्ण मूल्य.

प्रदेश व्यापणाऱ्या सर्व ग्रिड नोड्सवर सहसंबंध मोजला जातो.

मॉडेलची क्षमता आणि समीकरणातील नवीन ऑब्जेक्ट सारख्याच प्रकारच्या वस्तूंच्या संभाव्यतेमधील फरक (2) प्रदेशाची क्षमता दर्शविते, ज्याचा वापर नवीन सुविधा शोधण्यासाठी केला जाऊ शकतो.

परिणामी, आम्हाला संभाव्य मूल्य प्राप्त होते, जे अभ्यास क्षेत्रातील "ऑब्जेक्ट" च्या स्थानाच्या फायद्याची डिग्री दर्शवते.

तुम्ही नवीन “ऑब्जेक्ट” साठी शिफारस केलेली स्थाने ग्राफिक पद्धतीने कशी प्रदर्शित करू शकता याचे उदाहरण खाली दिले आहे.

अशा प्रकारे, नवीन ऑब्जेक्टसाठी सर्वोत्तम स्थान निवडण्याच्या समस्येचे निराकरण करण्याच्या परिणामास प्रत्येक बिंदूवर प्रदेशाचे मूल्यांकन म्हणून प्रस्तुत केले जाऊ शकते, ज्यामुळे गुंतवणूक ऑब्जेक्ट शोधण्याच्या संभाव्यतेची कल्पना दिली जाऊ शकते, उदा. स्कोअर, ऑब्जेक्ट शोधणे अधिक फायदेशीर आहे.

शेवटी, हे सांगण्यासारखे आहे की या लेखात आम्ही केवळ एका समस्येचा विचार केला आहे जो प्रदेश विश्लेषणाचा वापर करून सोडवला जाऊ शकतो, खुल्या स्त्रोतांकडील डेटा हाताशी आहे. खरं तर, बर्याच समस्या आहेत ज्या त्याच्या मदतीने सोडवल्या जाऊ शकतात, त्यांची संख्या केवळ आपल्या कल्पनेद्वारे मर्यादित आहे.

स्त्रोत: www.habr.com