Διερεύνηση μεθόδου συλλογής συντεταγμένων για fit-for-purpose διαχείριση γεωχωρικής πληροφορίας αστικών ακινήτων με τεχνικές μηχανικής μάθησης

Μαρκουίζου, Σελένα; Markouizou, Selena

dc.contributor.author	Μαρκουίζου, Σελένα	el
dc.contributor.author	Markouizou, Selena	en
dc.date.accessioned	2021-03-26T07:16:19Z
dc.date.available	2021-03-26T07:16:19Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/53134
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.20832
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	Τοπογραφία	el
dc.subject	Κτηματολόγιο	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Εντοπισμός θέσης	el
dc.subject	Κτηματολόγιο εσωτερικού χώρου	el
dc.subject	Surveying	en
dc.subject	Cadastre	en
dc.subject	Localization	en
dc.subject	Deep machine learning	en
dc.subject	Indoor cadastre	en
dc.title	Διερεύνηση μεθόδου συλλογής συντεταγμένων για fit-for-purpose διαχείριση γεωχωρικής πληροφορίας αστικών ακινήτων με τεχνικές μηχανικής μάθησης	el
dc.title	Investigation of a localization method in order to manage fit-for-purpose geospatial property information with the use of deep learning techniques	en
heal.type	bachelorThesis
heal.classification	Κτηματολόγιο	el
heal.classification	Cadastre	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-03-10
heal.abstract	Σύμφωνα με την Ατζέντα 2030, μέχρι το έτος 2030 θα πρέπει να έχουν διεκπεραιωθεί οι 17 στόχοι διεθνούς ευημερίας που έχουν τεθεί από τα Ηνωμένα Έθνη. Συγκεκριμένα, για να επιτευχθεί ο πρώτος στόχος, «Εξάλειψη της φτώχειας σε όλες τις μορφές της, παντού», απαιτείται η ολοκλήρωση του κτηματολογίου, με ότι αυτό συνεπάγεται, όσο το δυνατόν ταχύτερα. Η διαδικασία που ακολουθείται έως τώρα είναι χρονοβόρα. Συνεπώς, στόχος της παρούσας εργασίας είναι η έρευνα για μια πιο εκσυγχρονισμένη, γρηγορότερη, οικονομικότερη και Fit For Purpose διαδικασία. Επιπλέον, λόγω της μαζικής αστικοποίησης δημιουργούνται μεγάλες, πολυσύχναστες και χαοτικές πόλεις, που καθιστούν την διαδικασία κτηματογράφησης τους ακόμη πιο περίπλοκη. Σε αυτές τις περιπτώσεις οι βασικές μέθοδοι του 2D και 3D κτηματολογίου δεν αρκούν γι’ αυτό γίνεται η χρήση του κτηματολογίου εσωτερικών χώρων. Η μέθοδος που προτείνεται είναι βασισμένη στο crowdsourcing και στα πλαίσια αυτής, αναπτύσσεται ένας αλγόριθμος μηχανικής μάθησης, μακράς βραχυπρόθεσμης μνήμης LSTM, που αντλεί χωρικά δεδομένα από συσκευές Bluetooth. Για να υπολογιστεί η αποτελεσματικότητα της μεθόδου, πραγματοποιήθηκε ένα πείραμα που έλαβε χώρο στην σχόλη Αγρονόμων Τοπογράφων Μηχανικών. Κατά την διεξαγωγή του πειράματος ακολουθήθηκαν τα επόμενα στάδια. Στο πρώτο επιλύθηκε μια όδευση δύο σημείων και έγινε αποτύπωση 47 σημείων με τοπογραφικά όργανα. Στα τέσσερα από τα 49 σημεία (συμπεριλαμβανομένων και των δυο στάσεων της όδευσης), γνωστών πλέον δισδιάστατων συντεταγμένων, τοποθετήθηκαν τέσσερις συσκευές Bluetooth και με την χρήση ενός κινητού τηλεφώνου συλλέχθηκαν δεδομένα που αφορούσαν το ληφθέν σήμα. Τα δεδομένα που συλλέχθηκαν χωρίστηκαν σε δεδομένα εκπαίδευσης και δεδομένα ελέγχου και με βάση αυτά εκπαιδεύτηκε ο αλγόριθμος. Η εκπαίδευση έγινε δύο φόρες, καθώς ακολουθήθηκαν δύο σενάρια. Στο πρώτο σενάριο λήφθηκαν υπόψιν μετρήσεις και από τις τέσσερις συσκευές Bluetooth, ενώ στο δεύτερο σενάριο μόνο από τις τρείς. Ο διαχωρισμός έγινε με σκοπό τον εντοπισμό του καλύτερου συνδυασμού, αριθμού συσκευών, οικονομικότερης λύσης και ακρίβειας αποτελεσμάτων. Καλύτερο σενάριο αποδείχθηκε το πρώτο (με ακρίβεια 83,47%) και η εφαρμογή του αλγορίθμου ήταν επιτυχής. Το αποτέλεσμα του αλγορίθμου είναι το «όνομα» του κοντινότερου σημείου, από τα 49 που μετρήθηκαν, στο οποίο στεκόταν ο χρήστης μια δεδομένη χρονική στιγμή. Η παρούσα έρευνα αποτελεί, το προστάδιο για την εξέλιξη της μεθόδου ώστε το αποτέλεσμα να προσδιορίζει την ακριβή θέση του χρήστη με συντεταγμένες μέσα στο χώρο.	el
heal.abstract	According to Agenda 2030, the 17 goals of international prosperity set by the United Nations should be fulfilled by the year 2030. In particular, the completion of the cadaster, as fast as possible, is required in order to achieve the first goal, "End poverty in all its forms everywhere". The process followed so far is time consuming. Therefore, the aim of this paper is the research of a faster, more modernized affordable and Fit-For-Purpose process. In addition, due to mass urbanization, large, crowded and chaotic cities spawn, which makes the cadastral registration process even more complicated. In these cases, the basic methods of 2D and 3D cadaster are not enough, so in order to manage the complexity, indoor cadaster is used. The method proposed is based on crowdsourcing and develops a deep learning LSTM algorithm, which draws spatial data from Bluetooth devices. In order to calculate the effectiveness of the method, an experiment was conducted that took place in the School of Rural and Surveying Engineering. In carrying out the experiment, the next steps were followed. In the first one, 47 points were surveyed with topographic methods. In four of the 49 points (including the two of the surveying route), with known 2D coordinates, four Bluetooth devices were placed and with the use of a mobile phone collected RSSI (received signal strength indicator) data. The collected data was then divided into, training data and control data, and the algorithm was trained based on them. The training process took place twice, as two scenarios were followed. In the first scenario, measurements were taken from all four Bluetooth devices, while in the second scenario only from three. The distinction was made in order to identify the best combination of: number of devices, most affordable solution and accuracy of results. In the end, the best scenario turned out to be the first (with an accuracy of 83.47%), and the implementation of the algorithm was successful. The result of the algorithm presented the "label" of the nearest point, out of the 49 counted, at which the user was standing at a given time. This research sets the initial stage of the method, that will determine the exact position of the user with coordinates.	en
heal.advisorName	Πότσιου, Χρυσή	el
heal.advisorName	Δουλάμης, Νικόλαος	el
heal.committeeMemberName	Πότσιου, Χρυσή	el
heal.committeeMemberName	Δουλάμης, Νικόλαος	el
heal.committeeMemberName	Ιωαννίδης, Χαράλαμπος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	75 σ.	el
heal.fullTextAvailability	false