Ανάπτυξη προτύπου πρόβλεψης αλλαγής λωρίδας με δεδομένα τροχιών υψηλής ανάλυσης

Πλυμένος - Παπαγέωργας, Ιάσονας; Plymenos - Papageorgas, Jason

dc.contributor.author	Πλυμένος - Παπαγέωργας, Ιάσονας	el
dc.contributor.author	Plymenos - Papageorgas, Jason	en
dc.date.accessioned	2021-07-28T09:31:08Z
dc.date.available	2021-07-28T09:31:08Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/53717
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.21415
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.subject	Road safety	en
dc.subject	Οδική ασφάλεια	el
dc.subject	Prediction algorithms	en
dc.subject	Deep recurrent neural network	en
dc.subject	Αλγόριθμοι πρόβλεψης	el
dc.subject	Βαθιά νευρωνικά αναδρομικά δίκτυα	el
dc.title	Ανάπτυξη προτύπου πρόβλεψης αλλαγής λωρίδας με δεδομένα τροχιών υψηλής ανάλυσης	el
dc.title	Development of lane change prediction models utilizing high resolution trajectory data	en
heal.type	bachelorThesis
heal.classification	Transportation planning and engineering	en
heal.classification	Τομέας μεταφορών και συγκοινωνιακής υποδομής	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-03-09
heal.abstract	In recent years, the evolution of computing power as well as its better utilization have led to the ever-increasing introduction of automation systems in vehicles, reducing significantly the driver's accounting burden, thus improving driving conditions and user safety. The objective of this Diploma Thesis is first to obtain all the necessary data by utilizing an extraction algorithm, and following that, a transformation of the data in a way so that by utilizing a deep recurrent neural network and specifically in the form of LSTM, a successful development of a supervised prediction algorithm will be possible. The data used in the training of the algorithms were obtained from an experiment that took place in the center of Athens during which, high-precision vehicle trajectories were recorded using unmanned aerial vehicles (drones). The development of the forecasting algorithms consists of individual scenarios of various forecasting conditions and is completed with the evaluation as well as a possible implementation of each to a real-world scenario. However, it must be noted that in a real implementation of the method, further training of the algorithm, and a consequence, extraction of more data, must take place in order to minimize sufficiently most of the unknown - for the algorithm - driving conditions.	en
heal.abstract	Τα τελευταία χρόνια η εξέλιξη της υπολογιστικής δύναμης καθώς και η καλύτερη αξιοποίηση της έχουν οδηγήσει την συνεχώς αυξανομένη εισαγωγή συστημάτων αυτοματισμού στα οχήματα, μειώνοντας ολοένα και μεγαλύτερο μέρος του λογιστικού φόρτου του οδηγού βελτιώνοντας κατ' επέκταση τις συνθήκες οδήγησης και την ασφάλεια των χρηστών. Στόχος της παρούσας διπλωματικής είναι μέσα από μια πολυσύνθετη διαδικασία η εξόρυξη των απαραίτητων δεδομένων ώστε στη συνέχεια, αξιοποιώντας Βαθιά Νευρωνικά Αναδρομικά Δίκτυα της μορφής LSTM, να αναπτυχθούν υπό επίβλεψη πρότυπα πρόβλεψης. Τα δεδομένα με βάση των οποίων έγινε η εκπαίδευση των μοντέλων πρόβλεψης αντλήθηκαν από ένα πείραμα που έλαβε χώρα στο κέντρο της Αθήνας κατά το οποίο καταγράφτηκαν υψηλής ευκρίνειας τροχιές οχημάτων με χρήση ΣμηΕΑ. Η ανάπτυξη των προτύπων πρόβλεψης η οποία αποτελείται από επιμέρους σενάρια διαφορετικών συνθηκών πρόβλεψης ολοκληρώνεται με την αξιολόγηση τους καθώς και γίνεται αναφορά σε πιθανούς τρόπους εφαρμογής τους σε πραγματικές συνθήκες. Ωστόσο σε μια πραγματική υλοποίηση της μεθόδου κρίνεται απαραίτητο να γίνει μετέπειτα εκπαίδευση σε περισσότερα δεδομένα ελαχιστοποιώντας στο μέγιστο βαθμό άγνωστες για τον αλγόριθμο οδηγικές συνθήκες.	el
heal.advisorName	Βλαχογιάννη, Ελένη	el
heal.committeeMemberName	Γιώργος, Γιαννής	el
heal.committeeMemberName	Κεπαπτσόγλου, Κωνσταντίνος	el
heal.committeeMemberName	Βλαχογιάννη, Ελένη	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Πολιτικών Μηχανικών. Τομέας Μεταφορών και Συγκοινωνιακής Υποδομής	el
heal.academicPublisherID	ntua
heal.numberOfPages	89 σ.	el
heal.fullTextAvailability	false