Please use this identifier to cite or link to this item: http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/17719
Title: Πρόβλεψη κυκλοφοριακής ροής αυτοκινήτων με χρήση επαναληπτικών νευρωνικών δικτύων
Authors: Κολαΐτης, Άγγελος
Σταφυλοπάτης Ανδρέας-Γεώργιος
Keywords: Μηχανική Μάθηση
Βαθιά Μηχανική Μάθηση
Νευρωνικά Δίκτυα
Επαναληπτικά Νευρωνικά Δίκτυα
Ευφυή Συστήματα Διαχείρισης Κυκλοροφορίας
Ανίχνευση Έκτοπων Τιμών
Μηχανές Διανυσμάτων Υποστήριξης
Μηχανές Διανυσμάτων Υποστήριξης Μίας Κλάσης
Issue Date: 14-Oct-2020
Abstract: Ο σκοπός της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη ενός ευφυούς συ- στήματος πρόβλεψης και ελέγχου του όγκου της κίνησης οχημάτων, όπως αυτή παρατη- ρείται στους διάφορους σταθμούς μέτρησης ενός αυτοκινητόδρομου. Για τις ανάγκες της εργασίας χρησιμοποιήθηκαν δεδομένα κίνησης που συλλέχθηκαν από την εταιρία παρα- χώρησης αυτοκινητοδρόμων ΟΛΥΜΠΙΑ ΟΔΟΣ Α.Ε. κατά το έτος 2018. Πιο συγκεκριμένα, η εργασία επικεντρώνεται σε τρεις βασικούς άξονες. Αρχικά, λαμ- βάνονται τα πρωτογενή δεδομένα κίνησης από τους αισθητήρες μέτρησης και μετατρέπο- νται σε μία αξιοποιήσιμη συλλογή δεδομένων. Στη συνέχεια, δοκιμάζονται αρχιτεκτονικές μοντέλων μηχανικής μάθησης ικανών να πραγματοποιήσουν αξιόπιστες προβλέψεις του επιπέδου της κίνησης και συγκρίνεται η επιτυχία τους σε άγνωστα δεδομένα κίνησης. Τέ- λος, αναπτύσσεται ένα σύστημα ανίχνευσης έκτοπων τιμών για την συλλογή δεδομένων που κατασκευάστηκε, και γίνονται δοκιμές για την επιτυχία του σε άγνωστα δεδομένα. Για την πρόβλεψη της κίνησης, χρησιμοποιούνται αρχιτεκτονικές νευρωνικών δικτύων που βασίζονται σε βαθιά και επαναληπτικά νευρωνικά δίκτυα. Για την ανίχνευση έκτοπων τιμών, χρησιμοποιούνται Ιsolations Forests και μηχανές διανυσμάτων υποστήριξης μίας κλάσης σε μετασχηματισμούς χρονικού παραθύρου των δεδομένων.
URI: http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/17719
Appears in Collections:Διπλωματικές Εργασίες - Theses

Files in This Item:
File Description SizeFormat 
thesis.pdf3.25 MBAdobe PDFView/Open


Items in Artemis are protected by copyright, with all rights reserved, unless otherwise indicated.