Loading projects
Türkiye’deki bir adresi koordinata dönüştürür, sentetik dağıtım ağındaki en yakın operasyon noktasını saniyeler içinde eşleştirir.
Başlamak için en az 3 karakter yaz.
Çalışmanın asıl amacı yalnızca en yakın noktayı bulmak değildi. Gürültülü adres metinlerini normalize edip koordinata dönüştürmek, coğrafi kümeyi belirlemek ve o küme içinde anlamlı bir label tahmini üretmekti.
Serbest yazım, farklı kısaltmalar, tekrarlanan konum ifadeleri ve tahmini zorlaştıran ayrıntılar aynı veri havuzunda bulunuyordu.
Türkçe karakterler, noktalama, boşluklar ve adres bileşenleri standartlaştırılarak aynı yeri anlatan farklı yazımlar yakınlaştırıldı.
Koordinatı çözülebilen kayıtlar kontrol edildi; çalışma alanıyla ilişkili noktalar seçilerek gürültü ve kapsam dışı kayıtlar ayrıldı.
Enlem, boylam ve label ilişkisi modellemeye taşındı. Cluster ise veride hazır gelen değil, analiz sırasında üretilen bir bölge katmanıydı.
Buradaki asıl hikâye kayıt sayısı değil, ham metnin güvenilir bir coğrafi sinyale dönüşmesidir. Gizli satırlar ve gerçek adres örnekleri yayınlanmaz.
Temel kayıt yapısı; serbest biçimli adres metni, hedef label, enlem ve boylam alanlarından oluşuyordu. Adres metni geocode öncesinde Türkçe karakter, kısaltma, noktalama, kat ve daire gibi parçalar için normalize ediliyordu.
İlk aşama koordinatları geniş coğrafi bölgelere ayırarak arama uzayını anlamlı parçalara bölüyordu. Yeni bir nokta, ölçeklenmiş uzayda en yakın bölge merkezine atanıyor; ikinci aşamadaki mesafe ağırlıklı KNN ise daha yerel label tahminini üretiyordu.
Bu sayı evrensel bir doğru olarak seçilmedi. Farklı kümeleme yaklaşımları ve bölge sayıları karşılaştırıldı; coğrafi ayrışmayı okunabilir tutan, çok küçük ve dengesiz bölgeleri sınırlayan deneysel bir çalışma noktası olarak kullanıldı.
Türkçe büyük/küçük harfleri, adres kısaltmalarını ve gürültülü işaretleri standartlaştır.
Adres önerisini seç, koordinatı çöz; numarataj bulunamazsa sokak merkezini kontrollü fallback olarak kullan.
Noktayı ölçekle, 20 merkezle karşılaştır ve en yakın coğrafi cluster’ı belirle.
Yedi komşunun uzaklıklarını ağırlıklandır; label, olasılık ve komşuluk mesafelerini üret.
Cluster ve label noktalarından merkez, yaklaşık yarıçap ve nokta sayısı çıkarıp haritada katmanlaştır.
Deneyler yalnızca “hangi algoritma daha iyi?” sorusuna bakmıyordu. Metin ile koordinatın problemi ne kadar farklı temsil ettiğini de gösteriyordu.
Fiziksel yakınlığı doğrudan taşıdığı için en güçlü yerel sinyali verdi ve ikinci aşama için seçildi.
Hızlı bir referans noktası sağladı; birbirine benzeyen çok sayıdaki label arasında ayrım gücü sınırlı kaldı.
Yorumlanabilir doğrusal bir temel sundu; yakın sınıfların kelime uzayındaki sınırlarını tek başına ayırmakta zorlandı.
Doğrusal olmayan ilişkileri denedi; metni yoğun temsile indirgemek bazı seyrek adres sinyallerini kaybettirdi.
Basit bir karşılaştırma modeli oldu; yüksek boyutlu metin uzayında kararlı bir genelleme üretmedi.
Gerçek adres satırları paylaşılmadan ödevin nasıl çalıştığı incelenebilir. Public paket; normalizasyonu, Ward tarzı kümelemeyi, en yakın merkez atamasını ve mesafe ağırlıklı KNN akışını küçük bir sentetik veri üzerinde yeniden üretir.
Örnek Mh. Veri Sk. No: 1, İzmirörnek mahallesi veri sokagi no 1 izmirlatitude · longitude · demo_merkezBu kayıt ve koordinatlar yalnızca veri biçimini göstermek için üretilmiştir; gerçek kişi veya teslimat verisi değildir.
Girilen metni sayfaya gömülü adres dizinindeki önerilerle eşleştir; kullanıcı doğru kaydı kendisi seçsin.
Seçilen örnek adresin enlem ve boylamını tarayıcı içinde çöz; adresi saklama veya herhangi bir sunucuya gönderme.
Haversine formülüyle sekiz sentetik hub’ı tara; en yakın noktayı ve iki alternatifi sırala.
Mesafeyi, kapsama profilini, bölge kodunu ve ağ yoğunluğunu birlikte göster; sentetik sınırı görünür tut.