Πρότυπα με και χωρίς επίβλεψη για την αυτόματη αναγνώριση οδηγικών συμβάντων κατά την οδήγηση

Μπόρας, Γεώργιος; Μπόρας, Γεώργιος

dc.contributor.author	Μπόρας, Γεώργιος	el
dc.contributor.author	Μπόρας, Γεώργιος	en
dc.date.accessioned	2018-06-14T08:14:54Z
dc.date.available	2018-06-14T08:14:54Z
dc.date.issued	2018-06-14
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/47052
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.15497
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.subject	Ακραίο γεγονός	el
dc.subject	Οδηγική συμπεριφορά	el
dc.subject	Πληθοπορισμός	el
dc.subject	Εντοπισμός ακραίων παρατηρήσεων	el
dc.subject	Ευφυή συστήματα μεταφορών	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Μηχανική των χαρακτηριστικών	el
dc.title	Πρότυπα με και χωρίς επίβλεψη για την αυτόματη αναγνώριση οδηγικών συμβάντων κατά την οδήγηση	el
dc.contributor.department	Τομέας Μεταφορών και Συγκοινωνιακής Υποδομής	el
heal.type	bachelorThesis
heal.classification	Κυκλοφοριακή Τεχνική	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2018-03-19
heal.abstract	Η σημαντική επιρροή του κλάδου των μεταφορών στην οικονομία και την κοινωνία χρίζει αναγκαία την προσπάθεια για βελτίωση και εκσυγχρονισμό της διαχείρισης των μεταφορών. Η παρούσα διπλωματική εργασία αποσκοπεί στην ανάπτυξη προτύπων μηχανικής μάθησης για την αναγνώριση των ακραίων οδηγικών γεγονότων, όπως η απότομη επιτάχυνση ή επιβράδυνση. Η ανίχνευση των ακραίων συμβάντων βασίζεται σε δεδομένα από αισθητήρες έξυπνων κινητών, που έχουν υποστεί επεξεργασία, λόγω της ύπαρξης θορύβου. Για τη επίλυση του ζητήματος του εντοπισμού αναπτύσσονται δυο μεθοδολογίες. Η πρώτη προσέγγιση αποτελείται από δυο στάδια: το πρώτο στάδιο αφορά στον εντοπισμό της πιθανής επικίνδυνης οδήγησης, μέσω του στατιστικού αλγόριθμου εντοπισμού ακροτάτων, S-H-ESD, και το δεύτερο στάδιο τον καθορισμό των επικίνδυνων οδηγικών χειρισμών και τoν τύπο τους, χρησιμοποιώντας νευρωνικά δίκτυα. Η δεύτερη προσέγγιση υπολογίζει την μετρική απόσταση Mahalanobis για τα δεδομένα των επιταχύνσεων. Στη συνέχεια, αναπτύσσεται, βελτιστοποιείται ως προς τη δομή και τις παραμέτρους και εκπαιδεύεται ένα νευρωνικό δίκτυο για τον εντοπισμό των οδηγικών συμβάντων. Και στις δυο προσεγγίσεις το δείγμα είναι μη ισορροπημένο, οπότε εφαρμόζονται στρατηγικές υποδειγματοληψίας. Η πρώτη προσέγγιση αποτελεί ένα ολοκληρωμένο σύστημα εντοπισμού οδηγικών συμβάντων με ακρίβεια της τάξης του 90%. Η δεύτερη προσέγγιση χαρακτηρίζεται ως ένα επιεικές σύστημα αναγνώρισης της οδηγικής συμπεριφοράς, με ακρίβεια εντοπισμού των οδηγικών γεγονότων και της κανονικής οδήγησης 98%. Τέλος, σχολιάζονται οι περιορισμοί της μεθοδολογίας και διατυπώνονται προτάσεις για περαιτέρω έρευνα.	el
heal.abstract	The significant influence of the transport industry on the economy and society calls for an effort to improve and modernize transport management. This diploma thesis aims at developing machine learning models to identify harsh driving events, such as harsh acceleration or deceleration. The detection of harsh events is based on data from smart mobile sensors that have been processed due to the presence of noise. Two methodologies are developed to solve the problem of detection. The first approach consists of two tasks: the first task is to identify the possible dangerous driving through the S-H-ESD statistical algorithm, and the second task is to identify dangerous driving patterns and their type, using neural networks. The second approach calculates the metric distance of Mahalanobis for acceleration data. Then, a neural network is developed, optimized with respect to the structure and parameters, and trained to identify harsh driving events. In both approaches, the sample is unbalanced, so undersampling strategies are implemented. The first approach is an integrated system for detecting driving events, with accuracy of 90%. The second approach is characterized as a gentle recognition system for driving behavior, 98% accurately identifying driving events and normal driving. Finally, the limitations of the methodology and directions for further research are discussed.	en
heal.advisorName	Βλαχογιάννη, Ελένη	el
heal.committeeMemberName	Βλαχογιάννη, Ελένη	el
heal.committeeMemberName	Γκόλιας, Ιωάννης	el
heal.committeeMemberName	Γιαννής, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Πολιτικών Μηχανικών. Τομέας Μεταφορών και Συγκοινωνιακής Υποδομής	el
heal.academicPublisherID	ntua
heal.numberOfPages	117 σ.	el
heal.fullTextAvailability	true