| dc.contributor.advisor | Φιλιππάκης, Μιχαήλ | |
| dc.contributor.author | Αποστολάκης, Αντώνιος | |
| dc.date.accessioned | 2026-03-05T07:33:40Z | |
| dc.date.available | 2026-03-05T07:33:40Z | |
| dc.date.issued | 2025 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/18961 | |
| dc.description.abstract | Η εργασία παρουσιάζει ένα ολοκληρωμένο σύστημα ανάλυσης δεδομένων για τη βελτίωση της ενεργειακής αποδοτικότητας στις θαλάσσιες μεταφορές μέσω intelligent route planning. Ο πυρήνας της μεθόδου είναι η ενοποίηση πραγματικών δεδομένων AIS με μετεωρολογικές μετρήσεις (ταχύτητα ανέμου και ύψος κύματος), ώστε να προβλεφθεί με ακρίβεια η ταχύτητα πλεύσης (SOG) και να υπολογιστεί ο απαιτούμενος χρόνος ταξιδιού σε ρεαλιστικές θαλάσσιες διαδρομές. Το σύνολο δεδομένων καλύπτει την δεκαετή περίοδο 2015 έως 2024 στη περιοχή με γεωγραφικό μήκος 35° έως 42° και γεωγραφικό πλάτος από −77° έως −70° (περιοχή ΒΑ Αμερικής). Η προεπεξεργασία περιλαμβάνει τον καθαρισμό των δεδομένων, τον έλεγχο ακραίων τιμών καιρού, τη χαρτογράφηση των τύπων των πλοίων σε κατηγορίες και την επιλογή των πλοίων που έχουν τουλάχιστον την ταχύτητα των 4 κόμβων.
Για την πρόβλεψη της ταχύτητας των πλοίων χρησιμοποιείται ένα ενιαίο μοντέλο Random Forest για όλα τα έτη, με χαρακτηριστικά εισόδου το γεωγραφικό μήκος και πλάτος (θέση), την ταχύτητα και τον τύπο των πλοίων, την ταχύτητα του ανέμου και το ύψος του κύματος στην περιοχή, αποκλείοντας τα πλοία με πολύ χαμηλή ταχύτητα και στόχο την εύρεση της ταχύτητας. Η εκπαίδευση και η αξιολόγηση του μοντέλου πρόβλεψης δείχνει μεγάλη ακρίβεια στην ταχύτητα (ΜΑΕ περίπου 1 κόμβος) και σε υψηλό ποσοστό ακρίβειας (R2 = 85%). Παράγονται επίσης αναλυτικά αποτελέσματα ανά κατηγορία πλοίου, αναδεικνύοντας τη σταθερή συμπεριφορά του μοντέλου. Στη συνέχεια, υλοποιήθηκε δρομολογητής (Route Planner) για την εύρεση διαδρομής μεταξύ δύο λιμανιών με τη χρήση γράφου κόμβων/ακμών, ο οποίος αποφεύγει τη ξηρά. Το σύστημα αποδίδει συνολικά την απόσταση του δρομολογίου δια θαλάσσης, υπολογίζοντας τον εκτιμώμενο χρόνο άφιξης και τη μέση ταχύτητα για την πλήρη διαδρομή, ενώ παρέχει χαρτογραφικές απεικονίσεις με χρωματική κωδικοποίηση της προβλεπόμενης ταχύτητας ανά σκέλος.
Η συμβολή της εργασίας είναι διττή:
(α) αποδεικνύει ότι η αξιοποίηση πραγματικών δεδομένων AIS και μετεωρολογίας (σε συνδυασμό με μοντέλο μηχανικής μάθησης) επιτρέπει ακριβείς και χρηστικές εκτιμήσεις ταχύτητας πλοίων και (β) ενσωματώνει τις εκτιμήσεις αυτές σε έναν πρακτικό δρομολογητή που αποτυπώνει ρεαλιστικές θαλάσσιες διαδρομές, προσφέροντας μετρήσιμα μεγέθη (απόσταση, χρόνος άφιξης και μέση ταχύτητα) για την τεκμηριωμένη λήψη αποφάσεων.
Η υλοποίηση είναι σε γλώσσα προγραμματισμού Python, με ξεκάθαρη δομή φακέλων και αποθήκευση του εκπαιδευμένου μοντέλου, διευκολύνοντας την αναπαραγωγή και την ενσωμάτωση σε επιχειρησιακά περιβάλλοντα. | el |
| dc.format.extent | 70 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | Ενεργειακή αποδοτικότητα στις θαλάσσιες μεταφορές χρησιμοποιώντας intelligent route planning και ανάλυση με Python | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | The thesis presents a comprehensive data analysis system for improving energy efficiency in maritime transport through intelligent route planning. The core of the method is the integration of real AIS data with meteorological measurements (wind speed and wave height) in order to accurately predict the speed of travel (SOG) and calculate the required travel time on realistic sea routes. The dataset covers the period from 2015 to 2024 in the region with a longitude of 35° to 42° and a latitude of −77° to −70° (NE America region). The preprocessing includes data cleaning, checking for extreme weather values, mapping ship types into categories, and selecting ships that have a speed of at least 4 knots. To predict ship speed, a single Random Forest model is used for all years, with input features including geographical longitude and latitude (location), ship speed and type, wind speed, and wave height in the area, excluding ships with very low speeds and aiming to find the speed. The training and the evaluation of the model show high accuracy (MAE = approximately 1 knot) and a high accuracy rate (R2 = 85%). Detailed results are also produced per ship category, highlighting the stable behavior of the model. Next, a router was implemented to find a route between two ports using a node/edge graph, which avoids land. Based on the date of the route, local meteorological values are obtained for each leg of the route and fed into the trained Random Forest model to predict the speed, from which the travel time for each leg is calculated. The system calculates the total distance of the sea route, estimating the arrival time and average speed for the entire route, while providing color-coded maps of the predicted speed for each leg. The contribution of this work is twofold:
It demonstrates that the use of real AIS and meteorological data, in combination with a machine learning model, allows for accurate and useful speed estimates, and
(b) integrates these estimates into a practical route planner that maps realistic sea routes, providing measurable quantities (distance, arrival time, and average speed) for informed decision-making. The implementation is in the Python programming language, with a clear folder structure and storage of the trained model, facilitating reproduction and integration into operational environments. | el |
| dc.contributor.master | Πληροφοριακά Συστήματα και Υπηρεσίες | el |
| dc.subject.keyword | AIS | el |
| dc.subject.keyword | Μετεωρολογικά δεδομένα | el |
| dc.subject.keyword | Random Forest | el |
| dc.subject.keyword | Θαλάσσια δρομολόγηση | el |
| dc.subject.keyword | Python | el |
| dc.subject.keyword | ETA | el |
| dc.date.defense | 2026-02-13 | |
