Αναγνώριση Χωροχρονικών Συσχετίσεων για την Πρόβλεψη Κυκλοφορίας σε Αστικά Οδικά Δίκτυα με χρήση Τεχνικών Μηχανικής Μάθησης

Φαφουτέλλης, Παναγιώτης; Fafoutellis, Panagiotis

dc.contributor.author	Φαφουτέλλης, Παναγιώτης	el
dc.contributor.author	Fafoutellis, Panagiotis	en
dc.date.accessioned	2020-05-08T15:45:23Z
dc.date.available	2020-05-08T15:45:23Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/50437
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.18135
dc.rights	Default License
dc.subject	Χωροχρονικές συσχετίσεις	el
dc.subject	Πρόβλεψη κυκλοφορίας	el
dc.subject	Αμοιβαία πληροφορία	el
dc.subject	Dynamic time warping	el
dc.subject	Dίκτυο LSTM	el
dc.subject	Spatiotemporal relations	en
dc.subject	Traffic forecasting	el
dc.subject	Mutual information	el
dc.subject	Dynamic time warping	el
dc.subject	LSTM network	el
dc.title	Αναγνώριση Χωροχρονικών Συσχετίσεων για την Πρόβλεψη Κυκλοφορίας σε Αστικά Οδικά Δίκτυα με χρήση Τεχνικών Μηχανικής Μάθησης	el
dc.title	Spatiotemporal Relations Detection for Traffic Forecasting in Urban Road Networks Using Machine Learning Techniques	en
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2019-10-16
heal.abstract	Η βραχυπρόθεσμη πρόβλεψη κυκλοφοριακών συνθηκών είναι ένα πεδίο έρευνας που συγκεντρώνει υψηλό ενδιαφέρον, λόγω της σπουδαιότητάς του στον έλεγχο και τη διαχείριση της κυκλοφορίας και στο σχεδιασμό έξυπνων μεταφορικών συστημάτων. Η πρόσφατη εισαγωγή τεχνικών Μηχανικής Μάθησης σε συνδυασμό με την πληθώρα διαθέσιμων δεδομένων που συλλέγονται από τις έξυπνες φορητές συσκευές των χρηστών του δικτύου έχει διευρύνει τους ορίζοντες των ερευνητών και έχει καταστήσει δυνατή την εφαρμογή καινοτόμων προσεγγίσεων. Παρ’ όλα αυτά, οι ερευνητές δε θα πρέπει να υποτιμούν τη σημασία των χωρικών και χρονικών εξαρτήσεων ενός οδικού δικτύου και τις κλασικές στατιστικές μεθόδους πρόβλεψης, οι οποίες επίσης προσφέρουν καλύτερη επεξηγηματικότητα. Σε αυτή την εργασία, εντοπίζονται οι χωροχρονικές συσχετίσεις του οδικού δικτύου του κέντρου της κινεζικής πόλης Σιάν, με χρήση της συσχέτισης κατά Pearson, της Αμοιβαίας Πληροφορίας και του αλγορίθμου Dynamic Time Warping στις χρονοσειρές της ταχύτητας των τμημάτων του οδικού δικτύου. Από τις παραπάνω μεθοδολογίες, η Αμοιβαία Πληροφορία κρίνεται ως περισσότερο κατάλληλη στη συγκεκριμένη περίπτωση, καθώς οδηγεί σε ένα ακριβές πρότυπο πρόβλεψης Μπεϋζιανού Δικτύου. Τα συμπεράσματα της παραπάνω ανάλυσης αξιοποιούνται στην ανάπτυξη δύο δικτύων LSTM για την μεσοπρόθεσμη και βραχυπρόθεσμη πρόβλεψη των κυκλοφοριακών συνθηκών ενός οδικού τμήματος του οδικού δικτύου με ακρίβεια 89% και 86% αντίστοιχα. Η μεγάλη ακρίβεια των προβλέψεων αφενός τονίζει τη σπουδαιότητα της πραγματοποίησης ανάλυσης χωροχρονικών συσχετίσεων πριν την εφαρμογή αλγορίθμων πρόβλεψης και αφετέρου πιστοποιεί την καταλληλότητα του δικτύου LSTM στην πρόβλεψη χρονοσειρών.	el
heal.abstract	Short-term traffic forecasting is a field of research that has always attracted significant attention, due to its importance to Traffic Control and Management and the design of Intelligent Transportation Systems. The recent introduction of Machine Learning techniques in traffic forecasting and the vast amount of data collected using the network users’ smart portable devices has broadened the researchers’ horizons, making more innovative approaches possible. However, researchers should not disregard the importance of spatiotemporal relations of a road network and classic statistical modeling, which also provide better interpretation. In this work, we reveal the spatiotemporal relationships of the road network of Xian, China using Pearson’s correlation, Mutual Information and Dynamic Time Warping on the network’s speed time series. From the above methodologies, Mutual Information was proven to be more suitable for the specific case, as it leads to an accurate Bayesian Network prediction model. The findings of the above analysis are further exploited for the development of two LSTM networks for medium-term and short-term traffic prediction of a road section of the network, having 89% and 86% accuracy respectively. The high accuracy of the predictions highlights the significance of conducting spatiotemporal analysis prior to predictions generation and, on the other hand, demonstrates the suitability of LSTM networks in time series predictions.	en
heal.advisorName	Κοζύρης, Νεκτάριος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Βλαχογιάννη, Ελένη	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	56 σ.	el
heal.fullTextAvailability	false