Show simple item record

Κατηγοριοποίηση κινούμενων αντικειμένων βάσει σημασιολογικά επαυξημένων συνόψεων

dc.contributor.advisorΠελέκης, Νικόλαος
dc.contributor.authorΜαρκάκης, Γεώργιος
dc.date.accessioned2021-12-17T12:44:16Z
dc.date.available2021-12-17T12:44:16Z
dc.date.issued2021-10
dc.identifier.urihttps://dione.lib.unipi.gr/xmlui/handle/unipi/13975
dc.identifier.urihttp://dx.doi.org/10.26267/unipi_dione/1398
dc.description.abstractΗ ανάπτυξη στον τομέα της τεχνολογίας της πληροφορίας και της επικοινωνίας, ιδίως στην ανίχνευση κινητής τηλεφωνίας και στην ασύρματη επικοινωνία, μας πλημμυρίζει δεδομένα που περιέχουν γεωγραφικές θέσεις που ποικίλλουν χρονικά. Αν και αυτό το είδος δεδομένων σχετίζεται επίσης με προκλήσεις όπως η εξάντληση της χωρητικότητας αποθήκευσης και το εύρος ζώνης μετάδοσης δεδομένων, οι ερευνητές έχουν δείξει ότι αυτά τα σύνολα δεδομένων αποτελούν πολύτιμο πόρο. Η ανάλυσή τους μπορεί να οδηγήσει σε λύσεις για σημαντικά ερευνητικά προβλήματα σε διάφορους τομείς, όπως πολεοδομικός σχεδιασμός, μεταφορά, οικολογική συμπεριφορά, ανάλυση αθλητικών σκηνών, παρακολούθηση και ασφάλεια. Στην εργασία επιχειρείται η προσπάθεια να αναλυθούν και να κατηγοριοποιηθούν δεδομένα κίνησης με την συνδρομή αλγορίθμων Μηχανικής Μάθησης. Παρουσιάζονται τεχνικές που ασχολούνται με το εν λόγω ζήτημα, καθώς και ορισμοί και τρόποι χειρισμού δεδομένων που είναι σημαντικοί για τον αναγνώστη ώστε να μπορέσει να του δώσει πληροφορίες σχετικά με το εν λόγω ζήτημα. Επιπλέον, παρουσιάζεται η μέθοδος MasterMovelets (Ferrero et al., 2020) η οποία χρησιμοποιήθηκε και για τις ανάγκες του πειραματικού μέρους της εργασίας.el
dc.format.extent88el
dc.language.isoelel
dc.publisherΠανεπιστήμιο Πειραιώςel
dc.rightsΑναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/gr/*
dc.titleΚατηγοριοποίηση κινούμενων αντικειμένων βάσει σημασιολογικά επαυξημένων συνόψεωνel
dc.title.alternativeClassification of moving objects based on semantically enriched synopsesel
dc.typeMaster Thesisel
dc.contributor.departmentΣχολή Χρηματοοικονομικής και Στατιστικής. Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμηςel
dc.description.abstractENDevelopment in the field of information and communication technology, especially in mobile telephony detection and wireless communication, floods us with data containing geographical locations that vary over time. Although this type of data is also associated with challenges such as depletion of storage capacity and data bandwidth, researchers have shown that these data sets are a valuable resource. Their analysis can lead to solutions to important research problems in various fields, such as urban planning, transportation, ecological behavior, sports scene analysis, monitoring and security. This thesis attempts to analyze and classify kinetic data with the help of Machine Learning algorithms. Bibliographic techniques dealing with this issue are presented, as well as definitions and handling of data that is important to the facilitator so that he can provide information on the issue. In addition, the MasterMovelets (Ferrero et al., 2020) method is presented which was used for the needs of the experimental part of the work.el
dc.contributor.masterΕφαρμοσμένη Στατιστικήel
dc.subject.keywordΚατηγοριοποίηση κινούμενων αντικειμένωνel
dc.date.defense2021-10-29


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα

Βιβλιοθήκη Πανεπιστημίου Πειραιώς
Contact Us
Send Feedback
Created by ELiDOC
Η δημιουργία κι ο εμπλουτισμός του Ιδρυματικού Αποθετηρίου "Διώνη", έγιναν στο πλαίσιο του Έργου «Υπηρεσία Ιδρυματικού Αποθετηρίου και Ψηφιακής Βιβλιοθήκης» της πράξης «Ψηφιακές υπηρεσίες ανοιχτής πρόσβασης της βιβλιοθήκης του Πανεπιστημίου Πειραιώς»