Προβλεπτικός Μηχανισμός Βέλτιστου Ανεφοδιασμού Οχημάτων: Συνδυασμός τεχνικών μηχανικής μάθησης με υπολογισμούς βελτιστοποίησης

Δασούλας, Γεώργιος; Dasoulas, Georgios

dc.contributor.author	Δασούλας, Γεώργιος	el
dc.contributor.author	Dasoulas, Georgios	en
dc.date.accessioned	2018-06-21T07:53:04Z
dc.date.available	2018-06-21T07:53:04Z
dc.date.issued	2018-06-21
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/47103
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.15503
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	Μηχανική Μάθηση	el
dc.subject	Ανάλυση Χρονοσειρών	el
dc.subject	Βελτιστοποίηση	el
dc.subject	Δρομολόγηση Οχημάτων	el
dc.subject	Machine Learning	en
dc.subject	Time Series Analysis	en
dc.subject	Vehicle Routing	en
dc.subject	Optimization	en
dc.title	Προβλεπτικός Μηχανισμός Βέλτιστου Ανεφοδιασμού Οχημάτων: Συνδυασμός τεχνικών μηχανικής μάθησης με υπολογισμούς βελτιστοποίησης	el
dc.title	Predictive Refueling: Combining machine learning techniques with optimization calculations	en
heal.type	bachelorThesis
heal.classification	Computer Science	el
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2018-03-22
heal.abstract	Σκοπός αυτής της διπλωματικής εργασίας είναι η σχεδίαση, η υλοποίηση και η πειραματολογία ενός συστήματος είσηγησης, το οποίο αποσκοπεί στη μείωση του συνολικού κόστους ανεφοδιασμού για δρομολόγια οχημάτων. Μέσω αυτής της εργασίας, προτείνουμε ένα σχήμα βελτιστοποίησης βασιζόμενης στην πρόβλεψη, το οποίο συνδυάζει αποδοτικά αλγορίθμους μηχανικής μάθησης με υπολογισμούς βελτιστοποίησης με τελικό στόχο την παροχή στο χρήστη μιας βέλτιστης πολιτικής ανεφοδιασμού. Αυτό το σύστημα μπορεί να χωριστεί σε 3 μέρη: Την ανάπτυξη μοντέλων πρόβλεψης για τιμές καυσίμων, την υλοποίηση του αλγορίθμου βελτιστοποίησης και την ενοποίηση των δύο διαδικασιών. Στο πρόσφατο παρελθόν, αρκετή έρευνα έχει πραγματοποιηθεί στον τομέα της ανάλυσης οικονομικών χρονοσειρών μέσω μηχανικής μάθησης. Αυτό είναι αποτέλεσμα της πρόσφατης ανέλιξης της τεχνητής νοημοσύνης σε πραγματικές εφαρμογές. Επίσης, την τελευταία δεκαετία πολλοί βελτιστοποιητές καυσίμων και αλγόριθμοι βελτιστοποίησης δρομολογίων έχουν αναπτυχθεί. Παρολαυτά, αυτοί οι βελτιστοποιητές καυσίμων απαιτούν τη γνώση της τρέχουσας τιμής καυσίμου, προκειμένου να ελαχιστοποιήσουν το κόστος ανεφοδιασμού. Μέσω του παρόντος έργου, προσπαθούμε να συνδυάσουμε αυτά τα δύο πεδία και προτείνουμε έναν προβλεπτικό βελτιστοποιητή καυσίμων, ο οποίος δεν γνωρίζει a priori τις τιμές καυσίμων, αλλά παραταύτα αξιοποιεί μοντέλα πρόβλεψης, προκειμένου να αποκτήσουμε μια ακριβή εκτίμηση. Στο πρώτο κομμάτι, εστιάζουμε την προσοχή μας ανεξάρτητα στο πρόβλημα της πρόβλεψης τιμών καυσίμων στη χώρα της Γερμανίας. Εξετάζουμε 4 τύπους εκτιμητών με χρήση μηχανικής μάθησης, τις Μηχανές Διανυσματικής Υποστήριξης, τα Νευρωνικά Δίκτυα, τα Τυχαία Δάση και τον αλγόριθμο των K-Κοντινότερων Γειτόνων. Συμπεραίνουμε ότι συγκεκριμένες παραμετροποιήσεις των Μηχανών Διανυσματικής Υποστήριξης και των Τυχαίων Δασών υπερτερούν σε απόδοση των υπολοίπων. Στη συνέχεια, αντιμετωπίζουμε το πρόβλημα της βελτιστοποίησης και τη συνεισφορά της πρόβλεψης στην βελτιστοποίηση. Σημειώνουμε πως με τη χρήση των βέλτιστων μοντέλων πρόβλεψης, μπορούμε να πετύχουμε στο μέγιστο μια ποσοστιαία μείωση 5.20% του κόστους ανεφοδιασμού, που θα είχαμε αν δεν χρησιμοποιούσαμε αυτό το σύστημα εισήγησης.Αυτή η ποσοστιαία μείωση, μάλιστα, είναι μόνο 0.20% μακριά από την μικρότερη τιμή συνολικού κόστους ανεφοδιασμού, που θα μπορούσαμε να πετύχουμε αν γνωρίζαμε a priori τις τιμές καυσίμων.	el
heal.abstract	The purpose of this diploma thesis is the design, the implementation and the experimentation of a recommender system, that aims to minimize the total refueling cost in vehicle routes. Through this work, a prediction-based optimization scheme is suggested, which efficiently combines machine learning algorithms with optimization calculations, in order to provide to the user an optimal refueling policy. This scheme can be divided into three parts. The development of prediction models for fuel prices, the implementation of the optimization algorithm and the unification of the two processes. In the recent past, a lot of research has been made in the field of financial time series modeling through machine learning. This is a result of the recent emergence of artificial intelligence in real world applications. Moreover, the last decade many efficient fuel optimizers and route optimization algorithms have been developed. However, in order to apply an optimization algorithm, that minimizes the refueling cost, the fuel prices should be known. Through this work we try to combine these two fields and propose a fuel optimizer, which does not have a priori the knowledge of fuel prices, but instead exploits prediction models, in order to get an accurate estimation. In the first part, we focus independently on the prediction problem for fuel price data in Germany. We examine 4 types of machine learning estimators, Support Vector Machines, Neural Networks, Random Forests and K-Nearest Neighbors.We conclude that specific configurations of Support Vector Machines and Random Forest outperform the other estimators. Next, we deal with the optimization problem and the contribution of the prediction models into the optimizer. We note that using prediction models, we can achieve at maximum a 5.20% decrease of the refueling cost, that we would have, if we did not use this recommender system. This percentage decrease, indeed, is only 0.20% away from the optimal refueling cost, which we could have if we knew a priori the fuel prices.	en
heal.advisorName	Κοζύρης, Νεκτάριος	el
heal.committeeMemberName	Γκούμας, Γεώργιος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	125 σ.	el
heal.fullTextAvailability	true