Determining the Best Location for a Religious Build by K-means Clustering Methods

Öz

Point of Interest is expressed as locations that people find interesting and want to interact with. Religious facilities are one of the important points frequently used by people. Since religious facilities are frequently used by people, their location is also of great importance in terms of interaction. Considering the recent pandemic process, it is necessary to reduce or balance the density at religious facility points where people come together in order to reduce the spread of the virus. The k-means algorithm, which is the most widely used and expressed as the simplest algorithm, is used for density-based analysis. For all these reasons, it is very important to distribute the new POI points according to their densities. In this study, a new multidimensional k-means based approach is proposed to consider the distance and the population density of the points where religious establishments will be built. In this study, spatial building and religious facility data belonging to Kayseri Metropolitan Municipality and Meligkazi Municipality were used in the proposed model. In the proposed multidimensional k-means model, the number of independent sections in the building data is taken into account to balance the population density. The performance of the proposed multidimensional k-means model is compared with the performance of the classical two-dimensional k-means method on real data. Experimental results showed that the proposed multidimensional k-means approach produced more successful results in terms of population density than the two-dimensional k-means approach.

Anahtar Kelimeler

• Multidimensional clustering
• K-means
• Spatial data

Dini Tesis Yapılacak En İyi Konumun K-means Kümeleme Yöntemleri ile Tespit Edilmesi

Öz

Önemli noktalar, insanlar tarafından ilgi çekici bulunan ve etkileşim kurulmak istenen konum olarak ifade edilir. Dini tesisler insanlar tarafından sıklıkla kullanılan önemli noktalardan bir tanesidir. Dini tesisler insanlar tarafından sıklıkla kullanıldığından dolayı konumları da etkileşim açısından çok büyük önem arz etmektedir. Son dönemlerde yaşanan pandemi süreci de göz önüne alındığında virüsün yayılma hızını azaltmak için insanların bir araya geldiği dini tesis noktalarında yoğunluğu azaltmak veya dengelemek gerekmektedir. Yoğunluk tabanlı analizleri için en yaygın kullanılan ve en baist algoritma olarak ifade edilen k-means algoritması kullanılmaktadır. Tüm bu nedenlerden dolayı yeni yapılacak POI noktalarının yoğunluklara göre dağıtılması çok büyük önem arz etmektedir. Bu çalışmada, dini tesis yapılacak noktaların sadece mesafeye göre değil aynı zamanda nüfus yoğunluğunu dikkate alması için çok boyutlu k-means tabanlı yeni bir yaklaşım önerilmiştir. Bu çalışmada önerilen modelde Kayseri Büyükşehir Belediyesi ve Melikgazi Belediyesine ait mekânsal bina ve dini tesis verileri kullanılmıştır. Önerilen çok boyutlu k-means modelinde, nüfus yoğunluğunu dengelemek için bina verilerinde buluan bağımsız bölüm sayısı boyut olarak dikkate alınmıştır. Önerilen çok boyutlu k-means modelinin performansı gerçek veriler üzerinde klasik iki boyutlu k-means yönteminin performansı ile karşılaştırılmıştır. Deneysel sonuçlar, önerilen çok boyutlu k-means yaklaşımının iki boyutlu k-means yaklaşımına göre nüfüs yoğunluğu açısından daha başarılı sonuçlar ürettiğini göstermiştir.

Anahtar Kelimeler

• Çok boyutlu kümeleme
• K-means
• Mekansal veri

Kaynakça

1. Anderson, T. K. (2009). Kernel density estimation and K-means clustering to profile road accident hotspots. Accident Analysis & Prevention, 41(3), 359-364.
2. Askarovich, A. B. (2021). Cluster methods for the development of thinking of students of informatics. Academy, (3 (66)), 13-14.
3. Brimicombe, A. J. (2007). A dual approach to cluster discovery in point event data sets. Computers, environment and urban systems, 31(1), 4-18.
4. Caron, M., Misra, I., Mairal, J., Goyal, P., Bojanowski, P., & Joulin, A. (2020). Unsupervised learning of visual features by contrasting cluster assignments. arXiv preprint arXiv:2006.09882.
5. Çolak, B., Durdağ, Z., & Edoğmuş, P. (2016). K-Means Algoritması İle Otomatik Kümeleme. El-Cezeri Fen ve Mühendislik Dergisi, 3(2).
6. Danielsson, P. E. (1980). Euclidean distance mapping. Computer Graphics and image processing, 14(3), 227-248.
7. Deng, Z., Chen, Y., Pan, X., Peng, Z., & Yang, J. (2021). Integrating GIS-based Point of Interest and Community Boundary Datasets for Urban Building Energy Modeling. Energies, 14(4), 1049.
8. El Khediri, S., Fakhet, W., Moulahi, T., Khan, R., Thaljaoui, A., & Kachouri, A. (2020). Improved node localization using K-means clustering for Wireless Sensor Networks. Computer Science Review, 37, 100284.

9. Hamerly, G., & Elkan, C. (2003). Learning the k in k-means. Advances in neural information processing systems, 16, 281-288.
10. Han, J., Lee, J. G., & Kamber, M. (2009). An overview of clustering methods in geographic data analysis. Geographic data mining and knowledge discovery, 2, 149-170.
11. Hashim, R., Ikhmatiar, M. S., Surip, M., Karmin, M., & Herawan, T. (2011). Mosque tracking on mobile GPS and prayer times synchronization for unfamiliar area. International Journal of Future Generation Communication and Networking, 4(2), 37-48.
12. Ke, C. K., Wu, M. Y., Ho, W. C., Lai, S. C., & Huang, L. T. (2018). Intelligent Point-of-Interest Recommendation for Tourism Planning via Density-based Clustering and Genetic Algorithm. In PACIS (p. 140).
13. Kodinariya, T. M., & Makwana, P. R. (2013). Review on determining number of Cluster in K-Means Clustering. International Journal, 1(6), 90-95.
14. Kozinska, D., Tretiak, J., Nissanov, J., & Ozturk, C. (1997). Multidimensional alignment using the Euclidean distance transform. Graphical models and image processing, 59(6), 373-387.
15. Krause, C. M., & Zhang, L. (2019). Short-term travel behavior prediction with GPS, land use, and point of interest data. Transportation Research Part B: Methodological, 123, 349-361.
16. Kuswandi, D., Surahman, E., Thaariq, Z. Z. A., & Muthmainnah, M. (2018, October). K-Means clustering of student perceptions on project-based learning model application. In 2018 4th International Conference on Education and Technology (ICET) (pp. 9-12). IEEE.
17. Likas, A., Vlassis, N., & Verbeek, J. J. (2003). The global k-means clustering algorithm. Pattern recognition, 36(2), 451-461.
18. Long, Y., Song, Y., & Chen, L. (2021). Identifying subcenters with a nonparametric method and ubiquitous point-of-interest data: A case study of 284 Chinese cities. Environment and Planning B: Urban Analytics and City Science, 2399808321996705.
19. Na, S., Xumin, L., & Yong, G. (2010, April). Research on k-means clustering algorithm: An improved k-means clustering algorithm. In 2010 Third International Symposium on intelligent information technology and security informatics (pp. 63-67). Ieee.
20. Sariman, G. (2011). Veri madenciliğinde kümeleme teknikleri üzerine bir çalışma: k-means ve k-medoids kümeleme algoritmalarının karşılaştırılması. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 15(3), 192-202.
21. Selvi, H. Z., & Çağlar, B. (2017). Çok Değişkenli Haritalama İçin Kümeleme Yöntemlerinin Kullanilmasi. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 6(2), 415-429.
22. Shouman, M., Turner, T., & Stocker, R. (2012). Integrating decision tree and k-means clustering with different initial centroid selection methods in the diagnosis of heart disease patients. In Proceedings of the International Conference on Data Science (ICDATA) (p. 1). The Steering Committee of The World Congress in Computer Science, Computer Engineering and Applied Computing (WorldComp).
23. Taşyürek, M. (2021). Mekân-Zamansal Veri Madenciliği Yöntemi ile Otobüs Durak İhlallerinin Tespiti. Avrupa Bilim ve Teknoloji Dergisi, (24), 449-454.
24. Taşyürek, M., & Çelik, M. (2021). FastGTWR: Hızlı coğrafi ve zamansal ağırlıklı regresyon yaklaşımı. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 36(2), 715-726.
25. Wang, H., Shen, H., Ouyang, W., & Cheng, X. (2018, July). Exploiting POI-Specific Geographical Influence for Point-of-Interest Recommendation. In IJCAI (pp. 3877-3883).
26. Yu, L., Yu, T., Wu, Y., & Wu, G. (2020). Rethinking the identification of urban centers from the perspective of function distribution: A framework based on point-of-interest data. Sustainability, 12(4), 1543.
27. Zeng, Q. T., Pratt, J. P., Pak, J., Ravnic, D., Huss, H., & Mentzer, S. J. (2007). Feature-guided clustering of multi-dimensional flow cytometry datasets. Journal of Biomedical Informatics, 40(3), 325-331.