Πρότυπα Πρόβλεψης Κυκλοφορίας με Χωρο-Χρονικές Συσχετίσεις

Στεφανή, Ευαγγελία; Stefani, Evangelia

dc.contributor.author	Στεφανή, Ευαγγελία	el
dc.contributor.author	Stefani, Evangelia	en
dc.date.accessioned	2022-04-13T05:52:48Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/55081
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.22779
dc.rights	Default License
dc.subject	Πρόβλεψη Κυκλοφορίας	el
dc.subject	Χωροχρονικες συσχετίσεις
dc.subject
dc.title	Πρότυπα Πρόβλεψης Κυκλοφορίας με Χωρο-Χρονικές Συσχετίσεις	el
heal.type	bachelorThesis
heal.classification	Κυκλοφοριακή Τεχνική	el
heal.dateAvailable	2023-04-12T21:00:00Z
heal.language	el
heal.access	embargo
heal.recordProvider	ntua	el
heal.publicationDate	2021-11-04
heal.abstract	This thesis explores the applicability and accuracy of a Long-Short Term Model (LSTM), which is enhanced with spatio-temporal correlation information based on Information Theoretic metrics. The model is developed and trained using traffic and public transport data from central Athens. Results indicate that the LSTM model provided a higher forecasting accuracy for short-term predictions when nonlinear spatio-temporal correlations were taken into account. Also, more advanced hyper parameter optimization and feature engineering methods would further improve the machine learning model. Keywords:	en
heal.advisorName	Βλαχογιάννη, Ελένη	el
heal.committeeMemberName	Γιαννής, Γεώργιος	el
heal.committeeMemberName	Κεπαπτσόγλου, Κωνσταντίνος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Πολιτικών Μηχανικών	el
heal.academicPublisherID	ntua
heal.fullTextAvailability	false