dc.contributor.author | Πελέκης, Σωτήριος![]() |
el |
dc.date.accessioned | 2019-07-01T11:07:03Z | |
dc.date.available | 2019-07-01T11:07:03Z | |
dc.date.issued | 2019-07-01 | |
dc.identifier.uri | https://dspace.lib.ntua.gr/xmlui/handle/123456789/48952 | |
dc.identifier.uri | http://dx.doi.org/10.26240/heal.ntua.16697 | |
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 | Μοντέλα μηχανικής μάθησης | el |
dc.subject | Υπολογιστική ομίχλη | el |
dc.subject | Μεγάλα γεγονότα | el |
dc.subject | Επιτηρούμενη μάθηση | el |
dc.subject | Machine learning models | en |
dc.subject | Fog Computing | en |
dc.subject | Large events | en |
dc.subject | Supervised learning | en |
dc.subject | Πρόβλεψη κατανομής επισκεπτών | el |
dc.subject | Prediction of visitor distribution | en |
dc.subject | Smart Cities | en |
dc.subject | Έξυπνες πόλεις | el |
dc.subject | Ταξινόμηση | el |
dc.subject | Παλινδρόμηση | el |
dc.subject | Classification | en |
dc.subject | Regression | en |
dc.title | Πρόβλεψη τοποθεσίας με χρήση τεχνικών μηχανικής μάθησης για τη βελτιστοποίηση υπηρεσιών υπολογιστικής ομίχλης σε μεγάλα γεγονότα έξυπνων πόλεων | el |
dc.contributor.committeemember | Pelekis, Sotirios | en |
heal.type | bachelorThesis | |
heal.classification | Προχωρημένη μηχανική μάθηση | el |
heal.classificationURI | http://data.seab.gr/concepts/d5cf140063d31fceb414be6c8dcb4654ffd3efcf | |
heal.language | el | |
heal.access | free | |
heal.recordProvider | ntua | el |
heal.publicationDate | 2018-01-14 | |
heal.abstract | Η πρόβλεψη της κατανομής των επισκεπτών συνιστά ένα πολύ σημαντικό σύνολο πληροφοριών στα πλαίσια των έξυπνων πόλεων. Οι διοργανωτές μεγάλων γεγονότων κάνουν χρήση του για λόγους ασφαλείας, συντονισμού και βελτιστοποίηση των υπηρεσιών υπολογιστικής ομίχλης. Όσον αφορά το τελευταίο, επιδιώκεται η μείωση κόστους, η προστασία των ιδιωτικών δεδομένων μέσω επιτυχημένης κατανομής του υπολογιστικού φόρτου ανάμεσα στις συσκευές άκρου και το υπολογιστικό σύννεφου.Στην εργασία αυτή, για την ακρίβεια, εξετάζουμε δύο σύνολα από τεχνικές επιτηρούμενης μηχανικής μάθησης με σκοπό να προβλέψουμε την κατανομή στο χώρο των επισκεπτών ενός μεγάλου μουσικού γεγονότος που έλαβε χώρα τις χρονιές 2017 και 2018. Προκειμένου να εμπλουτίσουμε τα χαρακτηριστικά του προβλήματος μηχανικής μάθησης κάνουμε χρήση ανοιχτών δεδομένων όπως τα ιστορικά στοιχεία του καιρού και η δημοτικότητα των παρόντων καλλιτεχνών. Κύριο πλεονέκτημα των τεχνικών μηχανικής μάθησης στην επίλυση τέτοιου είδους προβλημάτων σε σχέση με τις παραδοσιακές τεχνικές, είναι η δυνατότητα τους να λάβουν υπόψη τη διαρκή άφιξη και αναχώρηση νέων επισκεπτών στο χώρο της εκδήλωσης δίνοντας έτσι έγκυρα αποτελέσματα προβλέψεων . | el |
heal.abstract | The prediction of the distribution of visitors in large events is a valuable piece of information in the context of smart cities. The organizers of Large Events leverage it for safety and coordination purposes and as well Fog computing infrastructures. As far as the last one is concerned, we try to achieve cost effective, agile and reliable allocation of the mobile apps and event services workload along the continuum from edge devices to cloud. In this research, we examine two sets of supervised Machine Learning techniques in order to predict the visitors’ distribution in the next timesteps and evaluate them using real data from a large music event that took place in 2017 and 2018. To enrich the feature space of the predictive models, we use and evaluate open data such as the weather and the popularity of artists. A further added value of the examined Machine Learning techniques, in comparison with the current state of the art in mobility prediction, is that they look into the phenomenon of visitors come and go from the area of interest. | en |
heal.advisorName | Βαρβαρίγου, Θεοδώρα | el |
heal.committeeMemberName | Παπαβασιλείου, Συμεών | el |
heal.committeeMemberName | Ασκούνης, Δημήτριος | el |
heal.committeeMemberName | Βαρβαρίγου, Θεοδώρα | el |
heal.academicPublisher | Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Επικοινωνιών, Ηλεκτρονικής και Συστημάτων Πληροφορικής | el |
heal.academicPublisherID | ntua | |
heal.numberOfPages | 124 σ. | |
heal.fullTextAvailability | true |
Οι παρακάτω άδειες σχετίζονται με αυτό το τεκμήριο: