| dc.contributor.advisor | Δουλκερίδης, Χρήστος | |
| dc.contributor.author | Κέζιου, Παναγιώτα | |
| dc.date.accessioned | 2021-07-02T08:27:41Z | |
| dc.date.available | 2021-07-02T08:27:41Z | |
| dc.date.issued | 2021 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/13528 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/951 | |
| dc.description.abstract | Η ανάλυση hotspot αποτελεί ένα πρόβλημα αναγνώρισης στατιστικά σημαντικών συστάδων. Στόχος της συγκεκριμένης διπλωματικής εργασίας είναι η ανάδειξη οδικών τμήματων με στατιστικά σημαντικές τιμές κυκλοφοριακής συμφόρησης για διαφορετικά χρονικά παράθυρα ανάλυσης, κάνοντας χρήση μεγάλου όγκου δεδομένων τροχιάς οχημάτων.
Για την αναγνώριση hotspots, χρησιμοποιήθηκε ο τροποποιημένος στατιστικός δείκτης Getis Ord Gi*, καθώς μπορεί να εφαρμοστεί σε τρισδιάστατα δεδομένα ακμών γράφου. Η σχέση γειτνίασης που επιλέχθηκε για τον υπολογισμό του Gi* z-score είναι το Gaussian Kernel.
Για την αναγνώριση hotspots κυκλοφοριακής συμφόρησης, προτείνονται δυο αλγόριθμοι παράλληλοι με δυνατότητα κλιμάκωσης. Στον πρώτο αλγόριθμο, ο δείκτης χωρικής αλληλεξάρτησης υπολογίζεται για κάθε χωρική ενότητα λαμβάνοντας υπόψη το σύνολο της πληροφορίας των μεταγενέστερων ακμών του 3D γράφου που αναπαριστά το οδικό δίκτυο. Αντίθετα, στο δεύτερο αλγόριθμο ο δείκτης χωρικής αλληλεξάρτησης υπολογίζεται για κάθε χωρική ενότητα λαμβάνοντας υπόψη την πληροφορία μόνο των γειτονικών ακμών εντός μιας οριζόμενης από το χρήστη απόστασης. Στόχος είναι η εύρεση της τομής μεταξύ του βέλτιστου χρόνου εκτέλεσης του αλγορίθμου και του αποτελέσματος από άποψη ποιότητας. Οι αλγόριθμοι υλοποιήθηκαν σε Apache Spark και τo deploy του κώδικα πραγματοποιήθηκε μέσω του Google Cloud Platform. Κατά την πειραματική αξιολόγηση του αλγορίθμου, εξάγονται συμπεράσματα για την απόδοση του αλγορίθμου για διαφορετικές παραμέτρους ανάλυσης και το αποτέλεσμα της ανάλυσης για ιστορικά δεδομένα τροχιάς οχημάτων οπτικοποιείται. | el |
| dc.format.extent | 111 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | Ανάδειξη Hot Spot κυκλοφοριακής συμφόρησης σε δεδομένα τροχιάς οχημάτων | el |
| dc.title.alternative | Traffic congestion Hot Spot analysis over vehicle trajectory data | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | Hot spot analysis is the problem of identifying statistically significant spatial clusters. Τhe aim of this thesis is to identify spatio-temporal road segments with statistically significant amount of traffic congestion for massive trajectory data of moving objects.
Hotspots are identified using the modified statistical index Getis Ord Gi*, which is appropriately tailored in order to be implemented on a spatio-temporal graph. The spatial-temporal weight function applied to index Getis Ord Gi* is the Gaussian Kernel.
Two parallel and scalable algorithms are proposed for the identification of traffic congestion hotspots. In the first algorithm, the spatial autocorrelation index is calculated per graph edge, taking into consideration all the successor edges of the spatial unit under examination. In the second algorithm, the index is calculated per graph edge taking into consideration the successor edges within a user-defined distance. The goal is to determine the point where the algorithm’s optimal execution time intersects with the quality of the outcome. The algorithms are developed in Apache Spark and deployed using Google Cloud Platform. The performance of the algorithms is experimentally evaluated for different analysis parameters and the quality of the outcome both analytically and via visualization. | el |
| dc.contributor.master | Πληροφοριακά Συστήματα και Υπηρεσίες | el |
| dc.subject.keyword | Getis-Ord statistic | el |
| dc.subject.keyword | Gaussian kernel | el |
| dc.subject.keyword | Hot Spot analysis | el |
| dc.subject.keyword | Traffic congestion | el |
| dc.subject.keyword | Road network | el |
| dc.date.defense | 2021-06-28 | |
