dc.contributor.advisor | Πελέκης, Νικόλαος | |
dc.contributor.author | Παρρά, Αγάπη | |
dc.date.accessioned | 2021-12-09T13:37:20Z | |
dc.date.available | 2021-12-09T13:37:20Z | |
dc.date.issued | 2021-12 | |
dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/13944 | |
dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/1367 | |
dc.description.abstract | Η ταχεία ανάπτυξη των ασύρματων υποδομών και των τεχνολογιών απόκτησης δεδομένων έχει συμβάλει στην εκθετική αύξηση του όγκου των δεδομένων προς επεξεργασία ειδικά των δεδομένων κίνησης (trajectory data) τα οποία καταγράφουν τις θέσεις κινούμενων αντικειμένων ανά χρονική στιγμή και αποτελεί πλέον ένα σημαντικό μέσο για την μελέτη της ανθρώπινης συμπεριφοράς ή την επίλυση προβλημάτων οδικής κίνησης όπως το κυκλοφοριακό πρόβλημα. Στην μελέτη αυτή βασιστήκαμε σε μια πρόσφατη εργασία που χρησιμοποιεί μεθόδους βαθιάς μάθησης για να κάνει embedding τον αρχικό χώρο των δεδομένων κίνησης και μετά ομαδοποιεί με τον αλγόριθμο K-means. Αφού τον υλοποιήσαμε, τον εξελίξαμε στο κομμάτι της ομαδοποίησης μέσα από 4 αλγορίθμους ομαδοποίησης με διαφορετικά χαρακτηριστικά. Τα αποτελέσματα μας έδειξαν ότι η επιλογή του K-means στην πρωτότυπη εργασία δεν ήταν η βέλτιστη. | el |
dc.format.extent | 88 | 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 | 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 | Συσταδοποίηση δεδομένων κίνησης με χρήση βαθιών νευρωνικών δικτύων | el |
dc.type | Master Thesis | el |
dc.contributor.department | Σχολή Χρηματοοικονομικής και Στατιστικής. Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης | el |
dc.description.abstractEN | The rapid development of wireless infrastructure and data acquisition technologies has contributed to the exponential increase in the volume of data to be processed specifically for trajectory data which records the positions of moving objects by time or period and is now an important means of study of human behavior or solving traffic problems such as traffic problems. In this study we focus on a recent work that uses deep learning methods to embed the original space of motion data and then grouping it with the K-means algorithm. After we implemented it, we developed it in the grouping part through 4 grouping algorithms with different characteristics. Our results showed that the selection of K-means in the original work was not optimal. | el |
dc.contributor.master | Εφαρμοσμένη Στατιστική | el |
dc.subject.keyword | Συσταδοποίηση | el |
dc.subject.keyword | Δεδομένα κίνησης | el |
dc.subject.keyword | Νευρωνικά δίκτυα | el |
dc.subject.keyword | Βαθιά νευρωνικά δίκτυα | el |
dc.subject.keyword | Ομαδοποίηση | el |
dc.subject.keyword | Βαθιά γνώση | el |
dc.date.defense | 2021-10-29 | |