Εξόρυξη δεδομένων σε μεγάλα δεδομένα κίνησης

Abstract

Τα δεδομένα κίνησης που παράγονται από συστήματα όπως το AIS, το GPS και το ADS-B προσφέρουν πρωτοφανείς δυνατότητες για την ανάλυση και την πρόβλεψη της κίνησης πλοίων, οχημάτων και αεροσκαφών. Ταυτόχρονα, τα δεδομένα αυτά συνοδεύονται από σημαντικές προκλήσεις, που σχετίζονται με τον μεγάλο όγκο τους, τη μη κανονική δειγματοληψία, την ετερογένειά τους και την επιχειρησιακή χρονική κρισιμότητά τους. Η παρούσα διατριβή πραγματεύεται το ευρύτερο πρόβλημα της εξόρυξης γνώσης από μεγάλα δεδομένα κίνησης, μέσα από ένα συνεκτικό σύνολο συνεισφορών που καλύπτουν την πρόβλεψη τροχιών, την πρόβλεψη συγκεντρωτικών ροών, την κλιμακώσιμη μάθηση, τη μεθοδολογική ενίσχυση της βαθιάς μάθησης και την αναπαράσταση τροχιών. Αρχικά, η διατριβή μελετά την πρόβλεψη κίνησης σε επίπεδο μεμονωμένου κινούμενου αντικειμένου μέσω του προβλήματος της Πρόβλεψης Πορείας Πλοίων (Vessel Route Forecasting, VRF). Για τον σκοπό αυτό αναπτύσσεται ένα συστηματικό πειραματικό πλαίσιο σύγκρισης, με στόχο την αξιολόγηση στατιστικών, μεθόδων μηχανικής μάθησης και νευρωνικών προσεγγίσεων υπό ρεαλιστικές συνθήκες που προκύπτουν από δεδομένα AIS, με έμφαση στην προεπεξεργασία των δεδομένων, στον σχεδιασμό της αξιολόγησης και στη συγκρισιμότητα των αποτελεσμάτων. Στη συνέχεια, η διατριβή μεταβαίνει στη συγκεντρωτική πρόβλεψη μέσω της Πρόβλεψης Ροής Θαλάσσιας Κυκλοφορίας (Vessel Traffic Flow Forecasting, VTFF), όπου το ζητούμενο είναι η πρόβλεψη της εξέλιξης της κυκλοφορίας σε έναν χωρικό διαμερισμό. Στο πλαίσιο αυτό πραγματοποιείται μια συστηματική σύγκριση μεταξύ άμεσων προσεγγίσεων, οι οποίες προβλέπουν απευθείας μελλοντικές τιμές ροής από ιστορικές παρατηρήσεις κυκλοφορίας, και έμμεσων προσεγγίσεων, οι οποίες προβλέπουν πρώτα τροχιές πλοίων και στη συνέχεια τις συγκεντρώνουν σε μελλοντικές ροές. Με βάση αυτή τη διάκριση, η διατριβή εισάγει το UA-VTFF, ένα ενοποιημένο πλαίσιο πρόβλεψης που συνδυάζει πληροφορία πρόβλεψης σε επίπεδο πλοίου και σε επίπεδο ροής, με στόχο τη βελτίωση της ευρωστίας και της προγνωστικής επίδοσης. Η ενοποιημένη αυτή κατεύθυνση επεκτείνεται περαιτέρω μέσω του dUA-VTFF, ενός κατανεμημένου πλαισίου βασισμένου σε αρχιτεκτονική Transformer, το οποίο σχεδιάστηκε ώστε να ανταποκρίνεται στις απαιτήσεις κλιμάκωσης μεγάλων συνόλων δεδομένων AIS και να αντιμετωπίζει την υπολογιστική εφικτότητα ως κεντρική διάσταση της πρόβλεψης κίνησης και όχι ως απλή λεπτομέρεια υλοποίησης. Πέρα από τις ίδιες τις αρχιτεκτονικές πρόβλεψης, η διατριβή συνεισφέρει και στη μεθοδολογία της βαθιάς μάθησης μέσω του KANB, μιας οικογένειας παραμετρικών συναρτήσεων ενεργοποίησης με εκπαιδεύσιμες παραμέτρους, βασισμένων σε κυβικές καμπύλες Bézier. Η οικογένεια KANB αξιολογείται ως αρθρωτή αντικατάσταση κλασικών συναρτήσεων ενεργοποίησης σε δίκτυα πρόβλεψης. Τέλος, η διατριβή εξετάζει την αναπαράσταση τροχιών και τη συσταδοποίηση σε μη επιβλεπόμενα περιβάλλοντα. Προτείνεται ένα πλαίσιο αναφοράς για τη διανυσματοποίηση τροχιών, τη μείωση διαστασιμότητας και τη συσταδοποίηση, το οποίο επιτρέπει τη συστηματική σύγκριση διαφορετικών οικογενειών αναπαράστασης σε πολλαπλά σύνολα δεδομένων κίνησης. Η συνεισφορά αυτή αναδεικνύει ότι η αναπαράσταση δεν αποτελεί απλώς στάδιο προεπεξεργασίας, αλλά κεντρικό παράγοντα που επηρεάζει την ποιότητα της συσταδοποίησης, τη δομή ομοιότητας και τη δυνατότητα αξιοποίησης τυποποιημένων, κλιμακώσιμων εργαλείων ανάλυσης για δεδομένα τροχιών. Συνολικά, οι συνεισφορές της διατριβής διαμορφώνουν μια ενιαία θεώρηση της ανάλυσης δεδομένων κίνησης ως πρόβλημα αναπαράστασης, πρόβλεψης, σχεδιασμού συστημάτων και μεθοδολογικής ευρωστίας. Τα αποτελέσματα δείχνουν ότι η ακριβής και κλιμακώσιμη πρόβλεψη κίνησης απαιτεί όχι μόνο αποτελεσματικά προγνωστικά μοντέλα, αλλά και αυστηρές διαδικασίες αξιολόγησης, κατάλληλα επίπεδα αφαίρεσης, επαναχρησιμοποιήσιμα συστατικά βαθιάς μάθησης και αναπαραστάσεις που υποστηρίζουν τόσο τη μάθηση όσο και την ανάλυση σε μεγάλη κλίμακα. Παρότι ο κύριος εμπειρικός πυρήνας της διατριβής εστιάζει κυρίως στη θαλάσσια κινητικότητα, η ευρύτερη μεθοδολογική της οπτική είναι συναφής με την εξόρυξη γνώσης από δεδομένα κίνησης σε θαλάσσια, αστικά και αεροπορικά περιβάλλοντα.