| dc.contributor.advisor | Δουλκερίδης, Χρήστος | |
| dc.contributor.author | Ράμος, Πέτρος - Ιωάννης | |
| dc.date.accessioned | 2026-04-03T10:02:21Z | |
| dc.date.available | 2026-04-03T10:02:21Z | |
| dc.date.issued | 2026-02 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/19126 | |
| dc.description.abstract | Τα συστήματα ανάλυσης οδικής κυκλοφορίας αποτελούν έναν σημαντικό τομέα μελέτης
στην σύγχρονη εποχή. Λόγω της συνεχούς αύξησης του πλήθους των οχημάτων και της
αυξανόμενης πολυπλοκότητας της δομής των οδικών δικτύων σε πυκνοκατοικημένες περιοχές, είναι σύνηθες καθημερινά να εμφανίζονται, ανά χρονικά διαστήματα, περιοχές με
υψηλές τιμές συμφόρησης στο οδικό δίκτυο. Η ανάλυση και ο εντοπισμός αυτών των σημείων παρέχει σημαντική πληροφορία σχετικά με τη δομή και τις αδυναμίες του οδικού
δικτύου. Συνεπώς καθίσταται αναγκαία η εύρεση μεθόδων που μπορούν να εκτελούν στατιστική ανάλυση χωρικά και χρονικά για την εμφάνιση hot-spot περιοχών ενδιαφέροντος.
Παράλληλα, οι μέθοδοι αυτές πρέπει να είναι σε θέση να διαχειρίζονται τον μεγάλο όγκο
δεδομένων που προκύπτει από τροχιές οχημάτων και να εξάγουν χρήσιμη πληροφορία
ακόμη και από τα αραιά δείγματα στον χώρο.
Ο Στόχος της συγκεκριμένης εργασίας είναι η δημιουργία ενός μοντέλου που αναδεικνύει
hot-spot οδικών τμημάτων με στατιστικά σημαντικές τιμές κυκλοφοριακής συμφόρησης
σε διαφορετικά χρονικά παράθυρα ανάλυσης. Το προτεινόμενο μοντέλο εφαρμόζεται σε
δεδομένα τροχιών οχημάτων με αραιή δειγματοληψία και υλοποιείται σε περιβάλλον κατανεμημένων συστημάτων.
Για την ανάλυση των hotspots χρησιμοποιείται ο δείκτης Getis-Ord G∗
i , ο οποίος εκτελεί υπολογισμούς στα χωροχρονικά δεδομένα. Επιπρόσθετα για την σχέση της γειτνίασης των δεδομένων χρησιμοποιείται ως συνάρτηση βάρους απόστασης ένα Γκαουσιανός πυρήνας.
Η προτεινόμενη μεθοδολογία αποτελεί επέκταση προηγούμενων ερευνών. Ο προτεινόμενος αλγόριθμος στοχεύει στην αντιμετώπιση προβλημάτων που εμφανίζονται σε προηγούμενα μοντέλα. Επιδιώκει τον στόχο αυτόν βελτιώνοντας την παραλληλοποίηση των
υπολογισμών μέσω της ομαδοποίησης χωροχρονικά κοντινών δεδομένων, ώστε μα μειωθεί η ανάγκη αναζήτησης των γειτονικών ακμών σε διαφορετικά συστήματα εκτέλεσης.
Οι αναλύσεις και ο προτεινόμενος αλγόριθμος υλοποιήθηκαν στο περιβάλλον Apache
Spark. Τα αποτελέσματα που εξάγονται, εκτελούνται σε κατανεμημένο σύστημα του Okeanos. | el |
| dc.format.extent | 97 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | Ανάλυση hot-spot για οδικά δεδομένα μέσω παράλληλης επεξεργασίας | el |
| dc.title.alternative | Hot-spot analysis on road traffic data using parallel system approach | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | Traffic analysis systems are an important area of study in the modern era. Due to the
continuous increase in number of vehicles and the increasing complexity of the structure
of road networks in densely populated areas, it is common for areas with high levels
of congestion to appear at times on given parts of the road network. The analysis and
identification of these points provides important information about the structure and weaknesses
of the road network. It is therefore necessary to find methods that can perform statistical
analysis spatially and temporally for the appearance of hot-spot areas of interest. At the
same time, these methods must be able to manage the large volume of data resulting
from vehicle trajectories and extract useful information even from sparse samples from
the trajectories.
The objective of this work is to create a model that highlights hot-spot road sections with
statistically significant values of traffic congestion in different analysis time windows. The
proposed model is applied to sparsely sampled vehicle trajectory data and implemented in
a distributed systems environment.
The Getis-Ord index G∗i is used to analyze hotspots, which performs calculations on
spatiotemporal data. Additionally, a Gaussian kernel is used as a distance weight function
for the relationship between data proximity.
The proposed methodology is an extension of previous research. The proposed algorithm
aims to address problems that arise in previous models. It pursues this goal by improving
the parallelization of calculations through the grouping of spatiotemporally close data,
thereby reducing the need to search for neighboring edges in different execution systems.
The analyses and the proposed algorithm were implemented in the Apache Spark environment.
The results obtained are executed on a distributed Okeanos system. | el |
| dc.contributor.master | Πληροφοριακά Συστήματα και Υπηρεσίες | el |
| dc.subject.keyword | Hot-spot | el |
| dc.subject.keyword | Συμφόρηση | el |
| dc.subject.keyword | Κατανεμημένο σύστημα | el |
| dc.subject.keyword | Επεξεργασία γράφους | el |
| dc.date.defense | 2026-03-20 | |
