Μελέτη των ναυτικών ατυχημάτων με χρήση στατιστικών τεχνικών και μηχανικής μάθησης

Ζυγογιάννη, Αθηνά

dc.contributor.advisor	Κούτρας, Μάρκος
dc.contributor.author	Ζυγογιάννη, Αθηνά
dc.date.accessioned	2025-11-03T16:12:51Z
dc.date.available	2025-11-03T16:12:51Z
dc.date.issued	2025-10
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/18294
dc.description.abstract	Η παρούσα διπλωματική εργασία επικεντρώνεται στην πρόβλεψη της ύπαρξης θανάτων σε περιστατικά ναυτικών ατυχημάτων, αξιοποιώντας δεδομένα από το Transportation Safety Board of Canada (TSB). Η μεθοδολογία βασίζεται στη λογιστική παλινδρόμηση, στα δέντρα απόφα σης (CART) και στη συσταδοποίηση. Η επιλογή και η αξιολόγηση των μεταβλητών πραγμα τοποιείται με ANOVA (Deviance χ²), έλεγχο πολυσυγγραμμικότητας (VIF) και ελέγχους λό γου πιθανοφανειών, ενώ η επίδοση αποτιμάται με ROC–AUC, πίνακα σύγχυσης, AIC/BIC και έλεγχο Hosmer–Lemeshow. Τα αποτελέσματα αναδεικνύουν ως σημαντικούς παράγοντες της έκβασης τα χαρακτηριστικά που σχετίζονται με τις συνθήκες πλοήγησης και το πλαίσιο του συμβάντος (π.χ. καιρικές/θαλάσσιες συνθήκες, ορατότητα, άνεμος, τύπος/περιοχή συμβάντος, τύπος πλοίου, αριθμός πλοηγών), βάσει της ερμηνείας και εκτιμήσεων των OddsRatio και της στατιστικής σημαντικότητας τωμ μεταβλητών. Η διερεύνηση μέσω συσταδοποίησης έδειξε πε ριορισμένη διαχωρισιμότητα, υποδεικνύοντας πιθανή χρησιμότητα διαφορετικών αλγορίθμων πχ βάσει πυκνότητας (DBSCAN/OPTICS) σε μελλοντική εργασία. Συνολικά, η εργασία συνει σφέρει στη βαθύτερη κατανόηση των αιτιών των θαλάσσιων ατυχημάτων και στην ενίσχυση της πρόληψής τους.	el
dc.format.extent	76	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
dc.rights	Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
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	Μελέτη των ναυτικών ατυχημάτων με χρήση στατιστικών τεχνικών και μηχανικής μάθησης	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Χρηματοοικονομικής και Στατιστικής. Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης	el
dc.description.abstractEN	This thesis focuses on predicting the occurence of fatalities in maritime accident incidents, utilizing data from the Transportation Safety Board of Canada (TSB).The methodology is based on logistic regression, decision trees (CART), and clustering. Variable selection and evaluation are performed using ANOVA on Deviance (χ²), multicollinearity checks (VIF), and likelihoodratio tests, while model performance is assessed through ROC–AUC, confusion matrix,AIC/BIC, and the Hosmer–Lemeshow goodnessoffit test.The results indicate that significant factors of the outcome are related to navigation conditions and the context of the incident (for example, weather/sea state, visibility, wind, event type/area, vessel type, number of pilots), based on the interpretation of odds ratios and the statistical significance of the variables. Clustering analysis indicated limited separability, suggesting the potential usefulness of alternative algorithms, such as densitybased methods (DBSCAN/OPTICS), in future research. Overall, the study contributes to a deeper understanding of the causes of maritime accidents and and helps strengthening their prevention.	el
dc.contributor.master	Εφαρμοσμένη Στατιστική	el
dc.subject.keyword	Ναυτικά ατυχήματα	el
dc.subject.keyword	Μηχανική μάθηση	el
dc.subject.keyword	Στατιστικές τεχνικές	el
dc.subject.keyword	Λογιστική παλινδρόμηση	el
dc.subject.keyword	Δέντρα απόφασης	el
dc.subject.keyword	Συσταδοποίηση	el
dc.date.defense	2025-10-02

Files in this item

Name:: Zygogianni_23025.pdf
Size:: 4.240Mb
Format:: PDF
Description:: Μεταπτυχιακή διατριβή

View/Open

This item appears in the following Collection(s)

Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης
Department of Statistics & Insurance Science

Show simple item record

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