Πρόβλεψη τροχιάς πεζών και οχημάτων σε πολυσύχναστες σκηνές με μεθόδους βαθιάς μάθησης

Φίλιππας, Ιωάννης; Filippas, Ioannis

dc.contributor.author	Φίλιππας, Ιωάννης	el
dc.contributor.author	Filippas, Ioannis	en
dc.date.accessioned	2022-03-29T13:06:45Z
dc.date.available	2022-03-29T13:06:45Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/55009
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.22707
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) "Επιστήμη Δεδομένων και Μηχανική Μάθηση"
dc.rights	Default License
dc.subject	Πρόβλεψη τροχιάς	el
dc.subject	Πολυσύχναστες σκηνές	el
dc.subject	Βαθιά μάθηση	el
dc.subject	Προβλήματα χρονοσειράς σε χρονοσειρά	el
dc.subject	Social GAN	en
dc.subject	Transformer	en
dc.subject	GRU with attention	en
dc.title	Πρόβλεψη τροχιάς πεζών και οχημάτων σε πολυσύχναστες σκηνές με μεθόδους βαθιάς μάθησης	el
heal.type	masterThesis
heal.classification	Μηχανική Μάθηση, Βαθιά Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	1-11-21
heal.abstract	Η ανάλυση δεδομένων μαζικής κίνησης είναι μια ερευνητική περιοχή μεγάλης έκτασης η οποία επανήλθε στο προσκήνιο με την ανάπτυξη των τεχνολογιών Μεγάλων Δεδομένων. ‘Ένα από τα κρίσιμα θέματα αυτής της περιοχής είναι το πρόβλημα της πρόβλεψης της τροχιάς ενός κινούμενου οχήματος ή πεζού, που αφορά την πρόβλεψη της τοποθεσίας του οχήματος ή πεζού στο βραχυπρόθεσμο μέλλον, εντός των ορίων μιας προκαθορισμένης περιοχής και περιλαμβάνει αρκετές προκλήσεις εξ αιτίας της στοχαστικότητας της κίνησης. Μερικές από τις εφαρμογές που μπορούν να επωφεληθούν μιας αποτελεσματικής μεθοδολογίας για τη μοντελοποίηση αυτού του προβλήματος περιλαμβάνουν τη βελτιστοποίηση ή εκτίμηση κίνησης σε ένα οδικό δίκτυο, τα αυτό-οδηγούμενα αυτοκίνητα και τη βελτιστοποίηση δικτύων τηλεφωνίας, μεταξύ άλλων. Οι παραδοσιακές προσεγγίσεις πρόβλεψης φαίνεται να μην μπορούν να ανταποκριθούν ικανοποιητικά στα προβλήματα αυτά λόγω της μη – γραμμικότητας των τροχιών και πορειών. Έτσι την τελευταία δεκαετία έχουν δοκιμαστεί με επιτυχία μοντέλα βαθιάς μάθησης, που όμως απαιτούν τεράστιους υπολογιστικούς πόρους για να έχουν την επιθυμητή επίδοση. Δύο από αυτά, το Social GAN και το Trajectory Transformer παρουσιάζονται, υλοποιούνται και αξιολογούνται στο πλαίσιο της παρούσας εργασίας. Παράλληλα, παρουσιάζεται ένα αναδρομικό νευρωνικό δίκτυο, ενισχυμένο με τον μηχανισμό προσοχής (Attention), με σκοπό να προσφέρει μια εναλλακτική, χαμηλού κόστους προσέγγιση για την αντιμετώπιση του προβλήματος της πρόβλεψης τροχιάς. Τα πειραματικά αποτελέσματα δείχνουν ότι η προτεινόμενη μεθοδολογία πετυχαίνει ανταγωνιστικά αποτελέσματα σε ένα ανοικτά διαθέσιμο σύνολο δεδομένων που περιλαμβάνει πορείες πεζών, ενώ βελτιώνει κατά 29% το Μέσο Σφάλμα Μετατόπισης (Mean Displacement Error) σε ένα σύνολο δεδομένων προσομοίωσης μαζικής κίνησης σε αστικό περιβάλλον που δημιουργήθηκε για τις ανάγκες της εργασίας και περιλαμβάνει οχήματα εκτός από πεζούς.	el
heal.advisorName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Βακαλοπούλου, Μαρία	el
heal.committeeMemberName	Σπυροπούλου, Ιωάννα	el
heal.academicPublisher	other	el
heal.academicPublisherID	ntua
heal.numberOfPages	56 σ.	el
heal.fullTextAvailability	false