dc.contributor.advisor | Θεοδωρίδης, Ιωάννης | |
dc.contributor.author | Μπούρδας, Αριστείδης Θ. | |
dc.date.accessioned | 2014-11-20T07:12:55Z | |
dc.date.available | 2014-11-20T07:12:55Z | |
dc.date.issued | 2014-11-20T07:12:55Z | |
dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/6136 | |
dc.description.abstract | Σκοπός της διπλωματικής εργασίας είναι να προβλέψει τη θέση σε κινούμενα δεδο¬μένα. Συγκεκριμένα, να προβλέψει τη θέση ενός κινούμενου αντικειμένου με τη βοήθεια των προηγούμενων χωρικών και χρονικών καταγραφών του. Στη συνέχεια, γίνεται επιλογή της μεθόδου με την οποία θα γίνει η πρόβλεψη, με γνώμονα ότι θα έπρεπε να βασιζόταν σε μια στατιστική μέθοδο. Η μέθοδος που επιλέχθηκε ήταν οι χρονοσειρές. Θεωρήθηκε το γεωγραφικό πλάτος και μήκος σαν δύο χρονοσειρές, οπότε χρησιμοποιώντας υποδείγματα χρονοσειρών έγινε η πρόβλεψη για μερικές περιόδους. Τέλος, χρησιμοποιώντας ένα μέτρο απόδοσης που δημιουργήθηκε αξιολογήθηκε η απόδοση της πρόβλεψή. Τα αποτελέσματα ήταν ικανοποιητικά κυρίως για βραχυπρόθεσμες προβλέψεις. | |
dc.language.iso | el | |
dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 4.0 Διεθνές | |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/deed.el | |
dc.subject | Γεωγραφικά Συστήματα Πληροφοριών -- Στατιστικές μέθοδοι | |
dc.subject | Optical pattern recognition | |
dc.subject | Spatial data management | |
dc.subject | Database management | |
dc.subject | Time-series analysis | |
dc.title | Πρόβλεψη θέσης σε δεδομένα κίνησης | |
dc.title.alternative | Prediction of future location in mobility data | en |
dc.type | Master Thesis | |
europeana.isShownAt | https://dione.lib.unipi.gr/xmlui/handle/unipi/6136 | |
dc.identifier.call | 910.285 ΜΠΟ | |
dc.description.abstractEN | The aim of this master thesis was to predict the future position of moving data. Specifically, was to predict the future position of a moving object based on its previous spatiotemporal data. Then we had to choose the method by which we were going to make our prediction, based on the fact that this method must be a statistical method. The method that we have chosen is Time Series Analysis. Supposing that the longitude and the latitude were two time series, we have used a time series model in order to make a prediction for some periods. Furthermore, we have used a performance measure that we have created for testing the accuracy of our pre¬diction. Our results were satisfactory mainly for short-term forecasts. | |