Πρόβλεψη τοποθεσίας με χρήση τεχνικών μηχανικής μάθησης για τη βελτιστοποίηση υπηρεσιών υπολογιστικής ομίχλης σε μεγάλα γεγονότα έξυπνων πόλεων

Πελέκης, Σωτήριος

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