| dc.contributor.advisor | Πελέκης, Νικόλαος | |
| dc.contributor.author | Κολάση, Ευτυχία | |
| dc.date.accessioned | 2022-12-06T12:34:23Z | |
| dc.date.available | 2022-12-06T12:34:23Z | |
| dc.date.issued | 2022-11 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/14873 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/2295 | |
| dc.description.abstract | Με την εξέλιξη της τεχνολογίας και την ολοένα και την καθημερινή χρήση συσκευών με πρόσβαση στο διαδίκτυο, δημιουργείται ένας μεγάλος όγκος χωροχρονικών δεδομένων. Αυτό το είδος δεδομένων έχουν απασχολήσει ιδιαίτερα την επιστημονική κοινότητα τα τελευταία χρόνια. Τα δεδομένα κίνησης καταγράφουν την θέση ενός κινούμενου αντικειμένου κάθε χρονική στιγμή και αποτελούν αντικείμενο μελέτης της συμπεριφοράς όχι μόνο των ζώων και ανθρώπων αλλά και επίλυσης προβλημάτων όπως είναι η πρόβλεψη τροχιάς ενός ανεμοστρόβιλου και η επίλυση κυκλοφοριακών προβλημάτων.
Στην παρούσα εργασία επιχειρείται η ταξινόμηση χρηστών Twitter μέσα από τις τροχιές που δημιουργούν, κάνοντας χρήση αλγορίθμων Μηχανικής Μάθησης. Η προεπεξεργασία των δεδομένων βασίστηκε στην μέθοδο MasterMovelets (Ferrero et al., 2020) που ανακαλύπτει σχετικές υποτροχιές με διαφορετικές και ετερογενείς διαστάσεις και ποικίλου μήκους. Το αποτέλεσμα της μεθόδου είναι ένα σύνολο δεδομένων το οποίο χρησιμοποιείται στη συνέχεια ως δεδομένα εισόδου για τους αλγορίθμους ταξινόμησης. Τα δεδομένα που χρησιμοποιήθηκαν προέρχονται από tweets που πραγματοποιήθηκαν στην Σαντορίνη την περίοδο 2018-2019. Η ανάλυση έδειξε ότι ίσως η μέθοδος MasterMovelets να μην ταιριάζει στα δεδομένα μας καθώς οι ταξινομητές έδιναν χειρότερα αποτελέσματα από αυτά της εργασίας των Ferrero et al (2020). Στη συνέχεια επιχειρήθηκε η ταξινόμηση των χρηστών χωρίς να προηγηθεί κάποια περίπλοκη προεπεξεργασία η οποία όμως δεν έχει στόχο την σύγκριση με την μέθοδο MasterMovelets καθώς στην βάση τους διαφέρουν, η μία πραγματοποιεί εξόρυξη τροχιών πάνω στις οποίες γίνεται στη συνέχεια κατηγοριοποίηση ενώ η άλλη περνάει αμέσως στην κατηγοριοποίηση των σημείων. | el |
| dc.format.extent | 52 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | Κατηγοριοποίηση χρηστών κοινωνικών δικτύων θέσης βάσει χωρο-κειμενικών αποτυπωμάτων | el |
| dc.title.alternative | Classification of users of location-based social networks based on spatio-textual footprints | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Χρηματοοικονομικής και Στατιστικής. Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης | el |
| dc.description.abstractEN | With the development of technology and the increasingly daily use of devices with internet access, a large amount of spatiotemporal data are being generated. This type of data has been of particular concern to the scientific community in recent years. Motion data records the position of a moving object at any moment and is the subject of studying the behavior of not only animals and humans but also solving problems such as predicting the trajectory of a tornado and solving traffic problems.
In this work, the classification of trajectories coming from Twitter users is attempted, using Machine Learning algorithms. Data pre-processing was based on the MasterMovelets method (Ferrero et al., 2020) which discovers relevant sub-trajectories with different and heterogeneous dimensions and varying lengths. The result of the pre-processing step is a data set which is then used as an input for the classification algorithms. The data used come from tweets in Santorini during the period 2018-2019. The analysis showed that the MasterMovelets method may not fit our data as the classifiers gave worse results than those in the work of Ferrero et al (2020). We attempted also classifying without having performed previously any complicated pre-processing. Our aim was not to compare the results coming from these methods as they are fundamentally different. MasterMovelts is based on trajectory mining, while the experimental method classifies trajectory points.
| el |
| dc.contributor.master | Εφαρμοσμένη Στατιστική | el |
| dc.subject.keyword | Χωροχρονικά δεδομένα | el |
| dc.subject.keyword | Κοινωνικά δίκτυα | el |
| dc.subject.keyword | Κατηγοριοποίηση χρηστών | el |
| dc.subject.keyword | Τροχιές | el |
| dc.subject.keyword | Εξόρυξη τροχιών | el |
| dc.date.defense | 2022-10-31 | |
