Ανάλυση οδηγικής συμπεριφοράς με τη χρήση αλγορίθμων μηχανικής μάθησης
| dc.contributor.advisor | Δουλκερίδης, Χρήστος | |
| dc.contributor.author | Θεοδωρόπουλος, Χρήστος | |
| dc.date.accessioned | 2021-03-16T15:44:11Z | |
| dc.date.available | 2021-03-16T15:44:11Z | |
| dc.date.issued | 2021 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/13308 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/731 | |
| dc.description.abstract | Παγκοσμίως ο αυξημένος αριθμός τροχαίων ατυχημάτων αποτελεί πρόβλημα υψίστης σημασίας έχοντας επιπτώσεις στην οικονομία των κρατών αλλά και στην ίδια την κοινωνία. Η πρόβλεψη και η βελτίωση της οδηγικής συμπεριφοράς με τη χρήση αλγορίθμων μηχανικής μάθησης μπορεί να θεωρηθεί ίσως ένα από τα σημαντικότερα εργαλεία που θα συνεισφέρει στον τομέα της οδικής ασφάλειας. Η αναγνώριση του τρόπου οδήγησης ενός οχήματος μπορεί να αποτελέσει ιδιαίτερα πολύτιμη γνώση για τις αυτοκινητοβιομηχανίες, την αυτόνομη οδήγηση, τις ασφαλιστικές εταιρίες αλλά και πληθώρα νέων εφαρμογών. Τα τελευταία χρόνια σημειώνεται σημαντική ανάπτυξη στο επιστημονικό πεδίο της μηχανικής μάθησης κυρίως λόγω της αύξησης της υπολογιστικής ισχύος και του αποθηκευτικού χώρου των υπολογιστικών συστημάτων. Η χρήση της μηχανικής μάθησης δίνει την δυνατότητα στους υπολογιστές να κάνουν προβλέψεις χρησιμοποιώντας πειραματικά δεδομένα χωρίς να έχουν προγραμματιστεί προηγουμένως ρητά. Η χρήση αυτών των σύγχρονων και καινοτόμων μεθόδων τείνει να ξεφεύγει από τα στενά όρια των βιομηχανικών και επαγγελματικών διαδικασιών. Πλέον με τη ανάπτυξη των Internet of Things (IoT) και Internet of Vehicles (IoV) η μηχανική μάθηση χρησιμοποιείται εξίσου και σε καθημερινές δραστηριότητες όπως είναι η οδήγηση ενός οχήματος. Στόχος της παρούσα διπλωματικής εργασία είναι να εξετάσουμε και να διακρίνουμε τους βασικούς διαφορετικούς τρόπους οδήγησης κάνοντας χρήση αλγορίθμων μηχανικής μάθησης. Η παρούσα μελέτη περιλαμβάνει μια προσέγγιση για την αναγνώριση της οδηγικής συμπεριφοράς διάφορων οδηγών σε διαφορετικές διαδρομές χρησιμοποιώντας δεδομένα χρονοσειρών που παράχθηκαν από τους αισθητήρες του CANBUS συστήματος των οχημάτων. Συγκριμένα στην παρούσα έρευνα εφαρμόστηκαν διάφορες τεχνικές συσταδοποίησης πάνω στο σύνολο των δεδομένων που αποτελείτο από χρονολογικές σειρές. Στα αποτελέσματα της έρευνας θα επιχειρήσω να εκτιμήσω την οδηγική συμπεριφορά ενός συνόλου οδηγών χρησιμοποιώντας δεδομένα που συλλέχθηκαν κατά την διάρκεια της οδήγησης σε διάφορες διαδρομές. Κάνοντας χρήση των μεθόδων συσταδοποίησης θα ομαδοποιήσω τα δεδομένα των χρονολογικών σειρών σε συστάδες. Κατόπιν θα διερευνηθούν τα δεδομένα εντός των συστάδων ώστε να κατηγοριοποιηθούν οι ομάδες αναλόγως του τρόπου οδήγησης. | el |
| dc.format.extent | 55 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
| dc.title | Ανάλυση οδηγικής συμπεριφοράς με τη χρήση αλγορίθμων μηχανικής μάθησης | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | Worldwide, the increasing number of road accidents is one of the most serious issues and has an impact, not only on the state economy but also on the society itself. Nowadays, prediction and improvement of driving behaviour are keys to contribute to road safety by using machine learning algorithms. The taken information about driving behaviour can be important data for automotive industries, insurance companies and other new applications. In recent years, due to the increase in computing power and computer systems storage spaces, significant growth has happened in the scientific field of machine learning. The use of machine learning enables computers to make predictions using experimental data without the need for human intervention beforehand. The use of these modern and innovative methods tends to go beyond the narrow confines of industrial and professional processes. Now with the use of Internet of Things (IoT) and Internet of Vehicles (IoV) it is used equally in daily activities such as driving a vehicle. The dissertation aims to examine and distinguish the different ways of driving using machine learning algorithms. This research includes an approach by recognizing the driving behaviour of different drivers and a variety of routes. The time-series data has generated by vehicle sensors. Specifically, in the present study, various clustering techniques applied to the data set. In the end, in the research results, I will attempt to assess the behavioural driving of a set of drivers using collected data, while driving on various routes. I will group their data using the clustering method and then categorize them according to the driving style. | el |
| dc.contributor.master | Ψηφιακά Συστήματα και Υπηρεσίες | el |
| dc.subject.keyword | Driving behaviour | el |
| dc.subject.keyword | Machine learning engineering | el |
| dc.subject.keyword | Accidents | el |
| dc.subject.keyword | Clustering time series | el |
| dc.date.defense | 2021-02-26 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές