Urban shared mobility demand forecasting

Tziorvas, Antonios; Τζιόρβας, Αντώνιος

dc.contributor.advisor	Theodoridis, Ioannis
dc.contributor.advisor	Θεοδωρίδης, Ιωάννης
dc.contributor.author	Tziorvas, Antonios
dc.contributor.author	Τζιόρβας, Αντώνιος
dc.date.accessioned	2025-07-09T10:49:55Z
dc.date.available	2025-07-09T10:49:55Z
dc.date.issued	2025-06
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/17928
dc.description.abstract	Η πρόβλεψη της αστικής ζήτησης διαδραματίζει κρίσιμο ρόλο στη βελτιστοποίηση της δρομολόγησης, της αποστολής και της διαχείρισης της κυκλοφοριακής συμφόρησης στα Έξυπνα Συστήματα Μεταφορών. Αξιοποιώντας τεχνικές συγχώνευσης και ανάλυσης δεδομένων, η εκτίμηση της κυκλοφοριακής πυκνότητας χρησιμεύει ως βασικό ενδιάμεσο μέτρο για τον εντοπισμό και την πρόβλεψη αναδυόμενων προτύπων ζήτησης. Σε αυτή τη διατριβή, προτείνουμε δύο παραλλαγές του μοντέλου gradient boosting, μία για ταξινόμηση και μία για παλινδρόμηση, και οι δύο ικανές να παράγουν προβλέψεις ζήτησης σε διάφορους χρονικούς ορίζοντες, από 5 λεπτά έως μία ώρα. Η προσέγγισή μας ενσωματώνει αποτελεσματικά χωρικά και χρονικά χαρακτηριστικά, επιτρέποντας ακριβείς προβλέψεις που είναι απαραίτητες για τη βελτίωση της αποτελεσματικότητας των υπηρεσιών της διαμοιραζόμενης (μικρο-)κινητικότητας. Για να αξιολογήσουμε την αποτελεσματικότητα της προσέγγισής μας, χρησιμοποιούμε ανοιχτά δεδομένα κοινής κινητικότητας που προέρχονται από δίκτυα ηλεκτρικών σκούτερ και ηλεκτρικών ποδηλάτων σε δύο μητροπολιτικές περιοχές της Ολλανδίας. Αυτά τα πραγματικά δεδομένα μας επιτρέπουν να επικυρώσουμε την προσέγγισή μας και να αποδείξουμε την αποτελεσματικότητά της στην καταγραφή των πολυπλοκοτήτων της σύγχρονης αστικής κινητικότητας. Εν τέλει, η μεθοδολογία μας προσφέρει νέες πληροφορίες σχετικά με τη διαχείριση της αστικής μικρο-κινητικότητας, βοηθώντας στην αντιμετώπιση των προκλήσεων που προκύπτουν από την ταχεία αστικοποίηση και συμβάλλοντας έτσι σε πιο βιώσιμες, αποδοτικές και κατοικήσιμες πόλεις.	el
dc.format.extent	38	el
dc.language.iso	en	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by/3.0/gr/	*
dc.title	Urban shared mobility demand forecasting	el
dc.title.alternative	Πρόβλεψη ζήτησης για αστική κινητικότητα	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής	el
dc.description.abstractEN	Urban demand forecasting plays a critical role in optimizing routing, dispatching, and congestion management within Intelligent Transportation Systems. By leveraging data fusion and analytics techniques, traffic density estimation serves as a key intermediate measure for identifying and predicting emerging demand patterns. In this thesis, we propose two gradient boosting model variations, one for classification and one for regression, both capable of generating demand forecasts at various temporal horizons, from 5 minutes up to one hour. Our approach effectively integrates spatial and temporal features, enabling accurate predictions that are essential for improving the efficiency of shared (micro-)mobility services. To evaluate the effectiveness of our approach, we utilize open shared mobility data derived from e-scooters and e-bikes networks in two Dutch metropolitan areas. These real-world datasets enable us to validate our approach and demonstrate its effectiveness in capturing the complexities of modern urban mobility. Ultimately, our methodology offers novel insights on urban micro-mobility management, helping to tackle the challenges arising from rapid urbanization and thus, contributing to more sustainable, efficient, and livable cities	el
dc.contributor.master	Κυβερνοασφάλεια και Επιστήμη Δεδομένων	el
dc.subject.keyword	XGBoost	el
dc.subject.keyword	Urban data analytics	el
dc.subject.keyword	Shared mobility	el
dc.subject.keyword	Time series forecasting	el
dc.date.defense	2025-06-27

Files in this item

Name:: Tziorvas_MPKED2342.pdf
Size:: 1.933Mb
Format:: PDF
Description:: Μεταπτυχιακή διατριβή

View/Open

This item appears in the following Collection(s)

Τμήμα Πληροφορικής
Department of Informatics

Show simple item record

Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού 3.0 Ελλάδα