Προσομοίωση πολυδιάστατων δεδομένων κίνησης με τεχνικές μηχανικής μάθησης
| dc.contributor.advisor | Πελέκης, Νικόλαος | |
| dc.contributor.author | Γκότσε, Θεόδωρος | |
| dc.date.accessioned | 2026-04-20T06:37:56Z | |
| dc.date.available | 2026-04-20T06:37:56Z | |
| dc.date.issued | 2026-03 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/19174 | |
| dc.description.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. | el |
| dc.format.extent | 123 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| 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 | Προσομοίωση πολυδιάστατων δεδομένων κίνησης με τεχνικές μηχανικής μάθησης | el |
| dc.title.alternative | Simulation of multiple-aspect trajectories with machine learning methods | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Χρηματοοικονομικής και Στατιστικής. Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης | el |
| dc.description.abstractEN | The rapid growth in the collection and utilization of trajectory data, such as data derived from GPS, sensors, and mobile applications, has created the need for the generation of synthetic yet realistic data that represent human or object mobility across space and time. This diploma thesis focuses on the study and experimental evaluation of machine learning techniques for the simulation of multidimensional, semantically enriched movement data. More specifically, it examines methods that aim to generate synthetic trajectory data with realistic characteristics, while preserving both spatial and temporal coherence as well as the semantic properties that often accompany such data, such as entity type, activities, or points of interest. The thesis emphasizes the efficiency, accuracy, and generalizability of simulation models, with the objective of supporting research scenarios, testing procedures, and mobility analysis without relying on real, sensitive, or hard-to-obtain trajectory data. | el |
| dc.contributor.master | Εφαρμοσμένη Στατιστική | el |
| dc.subject.keyword | Machine learning | el |
| dc.subject.keyword | Synthetic Trajectory Generation | el |
| dc.subject.keyword | Generative Adversarial Networks (GANs) | el |
| dc.date.defense | 2026-03-31 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης
Department of Statistics & Insurance Science
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα