dc.contributor.author |
Μπέλεσης, Χρήστος
|
|
dc.contributor.author |
Belesis, Christos
|
en |
dc.date.accessioned |
2019-11-25T11:35:38Z |
|
dc.date.available |
2019-11-25T11:35:38Z |
|
dc.identifier.uri |
https://dspace.lib.ntua.gr/xmlui/handle/123456789/49459 |
|
dc.identifier.uri |
http://dx.doi.org/10.26240/heal.ntua.17157 |
|
dc.rights |
Default License |
|
dc.subject |
Κίνηση εσωτερικού χώρου |
el |
dc.subject |
Πρόβλεψη επόμενης τοποθεσίας |
el |
dc.subject |
Μηχανική εκμάθηση |
el |
dc.subject |
Deep learning |
el |
dc.subject |
Dynamic bayesian model |
el |
dc.subject |
Compact prediction tree |
el |
dc.subject |
Multinomial logistic regression |
el |
dc.title |
Σύγκριση μεθόδων πρόβλεψης μελλοντικών τοποθεσιών
ατόμων σε εσωτερικούς χώρους |
el |
heal.type |
bachelorThesis |
|
heal.generalDescription |
Σύγκριση μεθόδων πρόβλεψης μελλοντικών τοποθεσιών
ατόμων σε εσωτερικούς χώρους |
el |
heal.classification |
Μηχανική μάθηση |
el |
heal.classification |
Προγραμματισμός |
el |
heal.classification |
Deep learning |
el |
heal.language |
el |
|
heal.access |
free |
|
heal.recordProvider |
ntua |
el |
heal.publicationDate |
2019-10-03 |
|
heal.abstract |
Τα τελευταία χρόνια αναπτύσσεται ραγδαία η επιστήμη της μελέτης κίνησης
ανθρώπων σε εσωτερικούς χώρους. Η μελέτη αυτή βοηθάει κατά κύριο λόγο στην
εξασφάλιση της ασφάλειας των πολιτών, στην διευκόλυνσή τους αλλά και στην
παροχή πληροφοριών και ψυχαγωγίας σε αυτούς που το επιθυμούν. Για να
πραγματοποιηθεί αυτό πρέπει πρώτα ο χρήστης να έχει δώσει τη συγκατάθεση του
και να συμμετέχει ενεργά μέσω της συσκευής κινητού του ώστε να είναι εφικτός ο
εντοπισμός από ειδικά μηχανήματα και τεχνολογίες που εγκαθίστανται για αυτό το
σκοπό.
Μια πρόκληση του ερευνητικού αυτού κλάδου είναι και η πρόβλεψη της
τοποθεσίας του ατόμου είτε την αμέσως επόμενη χρονική στιγμή είτε κάποια στιγμή
στο μέλλον , η οποία παρέχει διάφορα πλεονεκτήματα τόσο για τον ίδιο όσο και για
τους ιδιοκτήτες καταστημάτων και εταιριών αφού μεταξύ άλλων επιτρέπει την
στοχευμένη διαφήμιση και παροχή υπηρεσιών άμεσα στο χρήστη ανάλογα με την
τοποθεσία του.
Στην παρούσα διπλωματική εργασία εφαρμόζονται κυρίως
αλγόριθμοι μηχανικής εκμάθησης αλλά και αλγόριθμοι deep learning πάνω σε
δοσμένα ανοιχτά δεδομένα ενός εμπορικού κέντρου ώστε να προβλεφθεί η επόμενη
τοποθεσία εντός του χώρου. Ο σκοπός είναι να συγκριθούν τα αποτελέσματα που
παράγουν ως προς την ακρίβεια της πρόβλεψης και τελικά να αποφανθεί η
καταλληλόλητά τους υπό συγκεκριμένες συνθήκες και παραμέτρους. Για να
επιτευχθεί αυτό γίνεται χρήση τόσο ιστορικού προηγούμενων τοποθεσιών, όσο και
δημογραφικών χαρακτηριστικών των συμμετεχόντων στο πείραμα πολιτών. |
el |
heal.abstract |
In recent years the science of studying the movement of people indoors has grown rapidly. This study primarily helps ensure the safety of citizens, facilitates them, and provides information and entertainment to those who desire it. To accomplish this, the user must first have their consent and actively participate through their mobile device in order to be able to be identified by specific machines and technologies installed for this purpose.
One challenge of this research field is to predict the location of the individual either at the next moment or at some point in the future, which provides various benefits for both himself and the owners of the shops and companies as it allows, among other things, targeted advertising and services supply directly to the user depending on their location.
The present thesis mainly applies machine learning algorithms but also deep learning algorithms on given open data of a shopping mall to predict the next location within the space. The purpose is to compare the results they produce, study and analyze the accuracy of the prediction and ultimately determine their suitability under specific conditions and parameters. To do this, both past visited locations and demographic characteristics of the citizens were used. |
en |
heal.advisorName |
Ασκούνης, Δημήτριος |
|
heal.committeeMemberName |
Ψαρράς, Ιωάννης |
|
heal.committeeMemberName |
Δούκας, Χρυσόστομος |
|
heal.academicPublisher |
Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικών Βιομηχανικών Διατάξεων και Συστημάτων Αποφάσεων |
el |
heal.academicPublisherID |
ntua |
|
heal.numberOfPages |
80 σ. |
|
heal.fullTextAvailability |
false |
|