Αναμενόμενος χρόνος άφιξης και πρόβλεψη τοποθεσίας σε ένα αστικό σενάριο κινητικότητας
| dc.contributor.advisor | Θεοδωρίδης, Ιωάννης | |
| dc.contributor.author | Κατσαδούρου, Ηλιάνα | |
| dc.date.accessioned | 2024-10-16T11:58:59Z | |
| dc.date.available | 2024-10-16T11:58:59Z | |
| dc.date.issued | 2024-10 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/16857 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/4279 | |
| dc.description.abstract | 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. | el |
| dc.format.extent | 43 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
| dc.title | Αναμενόμενος χρόνος άφιξης και πρόβλεψη τοποθεσίας σε ένα αστικό σενάριο κινητικότητας | el |
| dc.title.alternative | Expected time of arrival and location prediction in an urban mobility scenario | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | Machine Learning is a rapidly developing field in computer science that can offer solutions to complex and demanding problems. This thesis aims to develop and compare systems for predicting passenger disembarkation stops using public transportation data from the city of Riga, utilizing machine learning models. Additionally, it thoroughly examines algorithms such as Decision Tree, Random Forest, Bagging, Gradient Boosting, Kernel Ridge Regression, Neural Networks, XGBoost, and LightGBM, analyzing their theoretical foundations, implementation methods, and performance metrics. These algorithms are then applied to the collected transportation data, and the accuracy of their predictions is evaluated and justified. This research highlights the importance of selecting the appropriate model based on the characteristics of the data and the problem's requirements, providing practical insights into the application of machine learning techniques for predicting public transportation disembarkation stops. | el |
| dc.contributor.master | Κυβερνοασφάλεια και Επιστήμη Δεδομένων | el |
| dc.subject.keyword | Machine learning | el |
| dc.subject.keyword | Algorithms | el |
| dc.subject.keyword | Neural network | el |
| dc.subject.keyword | Data | el |
| dc.date.defense | 2024-10-08 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Πληροφορικής
Department of Informatics
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα