Προσομοίωση πολυδιάστατων δεδομένων κίνησης με τεχνικές μηχανικής μάθησης

Abstract

Η ραγδαία αύξηση στη συλλογή και αξιοποίηση δεδομένων κίνησης, όπως δεδομένων από GPS, αισθητήρες και εφαρμογές κινητών συσκευών, έχει δημιουργήσει την ανάγκη για την παραγωγή συνθετικών, αλλά και ρεαλιστικών δεδομένων που αναπαριστούν την ανθρώπινη ή αντικειμενική κινητικότητα στον χώρο και τον χρόνο. Η παρούσα διπλωματική εργασία επικεντρώνεται στη μελέτη και πειραματική αξιολόγηση τεχνικών μηχανικής μάθησης για την προσομοίωση πολυδιάστατων, σημασιολογικά επαυξημένων δεδομένων κίνησης. Συγκεκριμένα, εξετάζονται μέθοδοι που στοχεύουν στη δημιουργία συνθετικών δεδομένων τροχιάς με ρεαλιστικά χαρακτηριστικά, διατηρώντας τόσο τη χωρική και χρονική συνοχή όσο και τις σημασιολογικές ιδιότητες που συχνά συνοδεύουν τέτοια δεδομένα (όπως ο τύπος οντότητας, δραστηριότητες ή σημεία ενδιαφέροντος). Η εργασία εστιάζει στην αποδοτικότητα, την ακρίβεια και τη γενικευσιμότητα των μοντέλων προσομοίωσης, με στόχο την υποστήριξη ερευνητικών σεναρίων, δοκιμών και ανάλυσης κινητικότητας χωρίς εξάρτηση από πραγματικά, ευαίσθητα ή δυσεύρετα δεδομένα τροχιάς.