Përshkrimi
Tashmë projektuesit kanë filluar të rishikojnë pozicionin e tyre kundrejt mjeteve digjitale që ata kanë adoptuar, duke i parë jo më si thjesht mjete për të krijuar, por edhe të afta për të nxitur një mënyrë të re mendimi. Kështu do të shprehej Mario Carpo në librin e tij The Second Digital Turn – Kthesa e dytë digjitale, në vitin 2017. Me të drejtë, gjithkush I vëmendshëm ndaj kërkimit shkencor në arkitekturë, apo më saktë siç gjerësisht referuar dizajn kompjutacional, por edhe të rejave që vijnë nga studiot arkitekturore më të njohura, do të vërejë një afrim të vazhdueshëm të sferave të informatikës dhe arkitekturës.
Motivimi
Aplikimet e inteligjencës artificiale apo më saktë metodave të machine learning në art dhe arkitekturë, shkojnë përtej imazheve të gjeneruar me anë të Midjourney apo modeleve të tjera të ‘stable diffusion’. Ky punim nuk synon të përfaqësojë apo të mbajë një qendrim në lidhje me nevojën apo impaktin që përdorimi I këtyre metodave mund të ketë në proçesin krijues. Duke prezantuar në mënyrë të thjeshtëzuar metodologjinë, rezultatet e arritura dhe hapat e mëtejshëm, gjithkush mundet të njihet më mirë me konceptet bazë të machine learning dhe të krijojë në vazhdimësi mendimin e tij, në lidhje me këtë çeshtje.
Subjekti i kërkimit
Ky punim përfaqëson një përpjekje të analizimit të veçorive gjeometrike të rrjeteve rrugore, duke I enkoduar ato si rrjete rrugore. Rezultatet e kënaqshme sugjerojnë që këto mënyra enkodimi mund të përdoren edhe në raste të tjera kur kërkojmë të parashikojmë veçori të caktuara të këtyre rrjeteve, apo dhe në krijimin e modeleve për gjenerimin tyre.
Metodologjia
Si në çdo rast tjetër të aplikimit të metodave të machine learning, puna filloi me krijimin e një dataseti – një bazë të dhënash e përbërë prej rreth 400 rrjete rrugore. Këto rrjete u zgjodhën manualisht dhe njëkohësisht u etiketuan me tipologjinë përkatëse. Të dhënat u morrën dhe u proçesuan në enkodimin e përshtatshëm nga Open Street Maps me anë të librarisë në python Osmnx.
Enkodimi si grafe u bë në dy mënyra : në aspektin primal dhe dual. Në të parin nyjet e grafeve përfaqësojnë kryqëzimet ndërsa lidhjet rrugët, ndërsa në dytin ndodh e kundërta. Veçoritë gjeometrike të rrjeteve rrugore si kendet ndërmjet rrugëve dhe gjatësia, u enkoduan si veçori të nyjeve të grafeve.
Dy modelet e aplikuara, për të provuar efektshmërinë e enkodimit të grafeve në përcaktimin e tipologjisë së rrjeteve ( e etiketuar që në krijimin e datasetit), ishin UGRAPHEMB dhe DGCNN. Me anë të të parit mund të arrijmë të krijojmë paraqitje dydimensionale kuptimplotë të rrjeteve të grumbulluar, ndërsa me të dytin u arrit të krijohej një model i aftë për të përcaktuar tipologjinë e rrjeteve rrugore.
Hapa të metejshëm
Rezultatet e arritura sugjerojnë se enkodimi i rrjeteve rrugore si grafe është i efektshëm. Hapi i natural i këtij studimi është tashmë krijimi i modeleve që arrijnë të gjenerojnë rrjete rrugore të reja, të ngjashme me ato mbi të cilat modeli trajnohet.
Për më tepër detaje mbi punimin mund të referoheni tek: https://www.iaacblog.com/programs/analyzing-street-networks-through-graph-machine-learning/
Kodi dhe dataseti janë publikuar në github: https://github.com/Eridaa/Analyzing-street-networks-through-graph-machine-learning
