Efficient traffic demand forecasting using a meaningful representation with social multiplex networks and community detection

Καρακίτσου, Ελευθερία Σοφία; Karakitsou, Eleftheria Sofia

dc.contributor.author	Καρακίτσου, Ελευθερία Σοφία	el
dc.contributor.author	Karakitsou, Eleftheria Sofia	en
dc.date.accessioned	2022-07-20T09:51:25Z
dc.date.available	2022-07-20T09:51:25Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/55451
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.23149
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) "Επιστήμη Δεδομένων και Μηχανική Μάθηση"	el
dc.rights	Default License
dc.subject	Πολυεπίπεδα δίκτυα	el
dc.subject	Ανίχνευση κοινοτήτων	el
dc.subject	Πρόβλεψη κυκλοφορίας	el
dc.subject	Αναπαράσταση οδικού δικτύου	el
dc.subject	Multiplex network	en
dc.subject	Community detection	en
dc.subject	Traffic forecasting	en
dc.subject	Road network representation	en
dc.title	Efficient traffic demand forecasting using a meaningful representation with social multiplex networks and community detection	en
heal.type	masterThesis
heal.secondaryTitle	Αποδοτική πρόβλεψη κυκλοφορίας χρησιμοποιώντας πολυεπίπεδα κοινωνικά δίκτυα και ανίχνευση κοινοτήτων	el
heal.classification	Επιστήμη δεδομένων	el
heal.classification	Data science	en
heal.language	en
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2022-03-28
heal.abstract	Στην παρούσα διπλωµατική εργασία, προτείνεται µία αναπαράσταση του οδικού δικτύου µε χρήση πολυεπίπεδων δικτύων (Multiplex networks), καθώς και µία νέα διαδικάσια επιλογής χαρακτηριστικών που ενισχύει την προβλεπτική ικανότητα µοντέλων που αφορούν τις κυκλοφοριακές συνθήκες. Χρησιµοποιώντας δεδοµένα κίνησης της Αθήνας και τον αριθµό επικυρωµένων εισιτηρίων από το συγκοινωνιακό της δίκτυο, αναπτύχθηκαν µοντέλα πρόβλεψης που όχι µόνο επιτυγχάνουν πολύ καλή απόδοση, αλλά και εκπαιδεύονται αποτελεσµατικά και δεν εισάγουν υψηλή πολυπλοκότητα, µε αποτέλεσµα να είναι κατάλληλα για εφαρµογές σε πραγµατικό χρόνο. Πιο συγκεκριµένα, οι κόµβοι του δικτύου (ανιχνευτές οχηµάτων και σταθµοί µετρό) οργανώθηκαν ως πολυεπίπεδο γράφηµα, όπου κάθε επίπεδο αντιπροσωπεύει µια ώρα της ηµέρας. Στη συνέχεια, οι κόµβοι µε παρόµοια δοµικά χαρακτηριστικά ταξινοµούνται σε κοινότητες (συστάδες) και αξιοποιούνται ως χαρακτηριστικά για την πρόβλεψη των µελλοντικών τιµών των κυκλοφοριακών συνθηκών των κόµβων που ανήκουν στην ίδια κοινότητα. Τα αποτελέσµατα αποκαλύπτουν τη δυνατότητα της µεθόδου να παρέχει αξιόπιστες και ακριβείς προβλέψεις.	el
heal.abstract	In this thesis, a meaningful representation of the road network using Multiplex Networks, as well as a novel feature selection framework that enhance the predictability of future traffic conditions of an entire network are proposed. Using data of traffic volumes and tickets’ validation from the transportation network of Athens, we were able to develop prediction models that not only achieve a very good performance but are also trained efficiently, do not introduce high complexity and, thus, are suitable for real-time operation. More specifically, the network’s nodes (loop detectors and subway/metro stations) are organized as a multilayer graph, each layer representing an hour of the day. Nodes with similar structural properties are then classified in communities and are exploited as features to predict the future demand values of nodes belonging to the same community. The results reveal the potential of the proposed method to provide reliable and accurate predictions.	en
heal.advisorName	Βλαχογίαννη, Ελένη	el
heal.committeeMemberName	Βλαχογιάννη, Ελένη	el
heal.committeeMemberName	Γιαννής, Γιώργος	el
heal.committeeMemberName	Κεπαπτσόγλου, Κωνσταντίνος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	64 σ.	el
heal.fullTextAvailability	false