Ανάλυση οδηγικού προφίλ χρηστών μέσω υβριδικής πλατφόρμας δεδομένων μεγάλης κλίμακας

Παναγιωτίδης, Σεραφείμ; Panagiotidis, Serafeim

dc.contributor.author	Παναγιωτίδης, Σεραφείμ	el
dc.contributor.author	Panagiotidis, Serafeim	en
dc.date.accessioned	2021-12-13T09:47:20Z
dc.date.available	2021-12-13T09:47:20Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/54154
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.21852
dc.rights	Default License
dc.subject	Ευφυή συστήματα μεταφορών	el
dc.subject	Μεγάλα δεδομένα	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Κατηγοριοποίηση πολυδιάστατων χρονοσειρών	el
dc.subject	Κατηγοριοποίηση οδηγικής συμπεριφοράς	el
dc.subject	MongoDB	en
dc.subject	Apache Kafka	en
dc.subject	Apache Spark	en
dc.subject	PostgreSQL	en
dc.subject	REST API	en
dc.title	Ανάλυση οδηγικού προφίλ χρηστών μέσω υβριδικής πλατφόρμας δεδομένων μεγάλης κλίμακας	el
heal.type	bachelorThesis
heal.classification	Μηχανική μάθηση	el
heal.classification	Ευφυή συστήματα μεταφορών	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-06-30
heal.abstract	Σκοπός της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη ενός συστήματος ανάλυσης και εξαγωγής οδηγικών προφίλ, τα οποία προκύπτουν από οδηγικά δεδομένα που συλλέγονται και αποθηκεύονται σε πλατφόρμα δεδομένων μεγάλης κλίμακας (Big Data Platform), με εφαρμογή σύγχρονων μεθόδων μηχανικής μάθησης (Machine Learning), στα πλαίσια ανάπτυξης των ευφυών συστημάτων μεταφορών (Intelligent Transportation Systems - ITS). Η ταχεία εξέλιξη της τεχνολογίας στον τομέα των έξυπνα διασυνδεδεμένων συσκευών σε συνδυασμό με τις συνεχώς αυξανόμενες απαιτήσεις της κοινωνίας για ασφαλή,γρήγορη και εύκολη μετακίνηση έχουν αναπόφευκτα οδηγήσει στην ανάγκη ανάπτυξης αποδοτικότερων και αποτελεσματικότερων μηχανισμών μεταφοράς. Σε αυτό το πλαίσιο, το σύστημα που προτείνεται προσφέρει τη δυνατότητα λήψης και επεξεργασίας κυκλοφοριακών δεδομένων σε πραγματικό χρόνο καθώς και την ιστορική αναδρομή αυτών, με σκοπό την αξιολόγηση της οδηγικής συμπεριφοράς των χρηστών που έχουν επιλέξει να συμμετέχουν σε αυτό. Αρχικά, μελετάται η αποδοτική αποθήκευση του μεγάλου όγκου των κυκλοφοριακών δεδομένων που συλλέγονται με σκοπό να εξασφαλίζεται η εύκολη και γρήγορη αναζήτησή τους. Τις προϋποθέσεις αυτές πληρούν τα NoSQL συστήματα, όπως το MongoDB, που είναι μια από τις πιο δημοφιλείς κατανεμημένες βάσεις και εξασφαλίζει την αποτελεσματική διαχείριση δεδομένων μεγάλου όγκου. Στη συνέχεια, τα δεδομένα υποβάλλονται σε μηχανισμούς προεπεξεργασίας και ανάλυσης, μέσω κατάλληλων frameworks, όπως είναι τα Apache Kafka και Apache Spark, προκειμένου να μετασχηματιστούν σε μορφή που εξυπηρετεί την αποτελεσματική εξαγωγή συμπερασμάτων από αυτά. Η ανάπτυξη μεθόδων για την εξαγωγή συμπερασμάτων από τα οδηγικά δεδομένα είναι ιδιαίτερα σημαντική για την αξιολόγηση και την κατηγοριοποίηση της οδηγικής συμπεριφοράς. Για τον λόγο αυτό, αναζητούνται τα αποτελεσματικότερα μοντέλα ανάλυσης και εξαγωγής δεδομένων με σκοπό την δημιουργία αξιόπιστων οδηγικών προφίλ (Driver Profiling). Στη συνέχεια, αξιολογούνται και συγκρίνονται τα αποτελέσματα των μοντέλων που εξετάστηκαν με σκοπό την επιλογή της αποδοτικότερης μεθόδου ανάλυσης της εξαγωγής οδηγικών προφίλ, με βάση τα κυκλοφοριακά δεδομένα που χρησιμοποιήθηκαν. Τελος, εξασφαλίζεται η αποτελεσματική ανάκτηση και αναπαράσταση των οδηγικών προφίλ που έχουν σχηματιστεί, με χρήση κατάλληλων εργαλείων, όπως είναι τα PostgreSQL και Vue.js framework, και τεχνολογιών, όπως είναι το REST API, με σκοπό την εύκολη και αποτελεσματική αξιολόγηση της οδηγικής συμπεριφοράς των χρηστών του συστήματος.	el
heal.advisorName	Συκάς, Ευστάθιος	el
heal.committeeMemberName	Μήτρου, Νικόλαος	el
heal.committeeMemberName	Ρουσσάκη, Ιωάννα	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Επικοινωνιών, Ηλεκτρονικής και Συστημάτων Πληροφορικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	183 σ.	el
heal.fullTextAvailability	false