Αναμενόμενος χρόνος άφιξης και πρόβλεψη τοποθεσίας σε ένα αστικό σενάριο κινητικότητας
Expected time of arrival and location prediction in an urban mobility scenario
Προβολή/ Άνοιγμα
Λέξεις κλειδιά
Machine learning ; Algorithms ; Neural network ; DataΠερίληψη
Η Μηχανική Μάθηση είναι ένας τομέας της πληροφορικής που αναπτύσσεται ραγδαία, και
μπορεί να προσφέρει λύσεις σε σύνθετα και απαιτητικά προβλήματα. Αυτή η διπλωματική
εργασία στοχεύει στην ανάπτυξη και σύγκριση συστημάτων για την πρόβλεψη των στάσεων
αποβίβασης επιβατών, με χρήση δεδομένων δημόσιων μεταφορών από την πόλη της Ρίγας,
χρησιμοποιώντας μοντέλα μηχανικής μάθησης. Επιπρόσθετα, μελετά εις βάθος αλγορίθμους
όπως οι Decision Tree, Random Forest, Bagging, Gradient Boosting, Kernel Ridge Regression,
Νευρωνικά Δίκτυα, XGBoost και LightGBM, αναλύοντας τη θεωρητική βάση, τους τρόπους
υλοποίησης, και τις μετρικές απόδοσής τους. Στη συνέχεια οι αλγόριθμοι αυτοί εφαρμόζονται
στα δεδομένα που μελετάμε, και η ακρίβεια πρόβλεψης που προσφέρουν αξιολογείται και
αιτιολογείται. Αυτή η έρευνα υπογραμμίζει τη σημασία της επιλογής του κατάλληλου μοντέλου
βάσει των χαρακτηριστικών των δεδομένων και των απαιτήσεων του προβλήματος, παρέχοντας
πρακτικές γνώσεις για την εφαρμογή τεχνικών μηχανικής μάθησης στην πρόβλεψη των
στάσεων αποβίβασης των μέσων δημόσιας συγκοινωνίας.