Safe path planning with machine learning

Abstract

Son yıllarda, suç hacmi birçok ülkede ciddi sorun haline gelmiştir. Günümüz dünyasında, suçlular, suç işlemekle ilgili tüm modern teknolojileri ve yüksek teknoloji yöntemlerini en iyi şekilde kullanmaktadırlar. Aynı zamanda, suç miktarı ve modern suçlular daha fazla arttığı için suç verilerinin analiz edilmesi de zorlaşmıştır. Dolayısıyla hükümetler suçları kontrol ve öngörmek için modern teknolojileri ve yöntemleri kullanmaya başlamıştır. Bu yüzden geçmişteki suç kalıplarını inceleyerek hızlı ve verimli bir şekilde insanların yolculuk edebilmesi için iyi bir güvenli yol planlamasına ihtiyaç vardır. Bu çalışmanın asıl amacı güvenli yolu tespit ederek insanların bir yerden başka bir yere giderken daha güvenli bir şekilde gitmesi sağlamaktır. Önceki çalışmalardan farklı olarak, bu tezde suçları analiz ederken gerçek ortamda harita üzerinde makine öğrenimi yöntemleri kullanılarak güvenli yol planlaması yapılmıştır. Bu çalışmada, K-Means, K-Median, K-Medoid, X-Means, Expectation-Maximization yöntemleri gerçek suç verileri üzerinde kullanılmıştır. Deneysel çalışmalarda tezde kullanılan kümeleme teknikleri, birbirleri ile karşılaştırılmıştır. Kullanılan yöntemlerin hangilerinin güvenli yol planmasında daha iyi sonuçlar verdiği çalışmada gösterilmiştir.

In recent years, crime rate has become a serious problem in many countries. In today's world, criminals use all modern technology and high-techn methods to commit crimes. In addition, the amount of crime and modern criminals has increased, which makes it difficult to analyze crime data. Thus, governments have enforced the use of modern technologies and methods to control and predict crimes. There is a necessity to plan a good, safe route for people to quickly and efficiently travel by examining past criminal patterns. The basic aim of this study is to determine the safe route and make it safer when people go from one place to another. Unlike previous studies, in this thesis, while analyzing crimes, we perform the safe path planning using machine learning methods on maps in real settings. In this study, the K-Means, K-Median, K-Medoid, X-Means, Expectation-Maximization methods are used on actual crime data. The clustering techniques in the thesis are compared with those in experimental studies. The studies show the methods that yield better results in safe path planning.