Διερεύνηση των επιπτώσεων της πανδημίας του Covid-19 στην επιβατική κίνηση του μετρό του Λονδίνου με χρήση Μη Επιβλεπόμενης Ταξινόμησης

Σοφιανόπουλος, Νικόλαος; Sofianopoulos, Nikolaos

dc.contributor.author	Σοφιανόπουλος, Νικόλαος	el
dc.contributor.author	Sofianopoulos, Nikolaos	en
dc.date.accessioned	2023-01-19T10:59:53Z
dc.date.available	2023-01-19T10:59:53Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56784
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.24482
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Πανδημία	el
dc.subject	Επιβατική κίνηση	el
dc.subject	Ταξινόμηση	el
dc.subject	ΜΕΤΡΟ	el
dc.subject	Χωρική ανάλυση	el
dc.subject	Pandemic	en
dc.subject	Passenger traffic	en
dc.subject	Classification	en
dc.subject	METRO	en
dc.subject	Spatial analysis	en
dc.title	Διερεύνηση των επιπτώσεων της πανδημίας του Covid-19 στην επιβατική κίνηση του μετρό του Λονδίνου με χρήση Μη Επιβλεπόμενης Ταξινόμησης	el
dc.title	Investigation of the implications of the Covid-19 pandemic of the passenger traffic of the London Underground utilizing Spatial Analysis	en
heal.type	bachelorThesis
heal.classification	Transportation engineering	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-10-24
heal.abstract	Η παρούσα εργασία πραγματεύεται τη διερεύνηση των επιπτώσεων της πανδημίας του Covid-19 στην επιβατική κίνηση του μετρό του Λονδίνου. Ως βασικός στόχος επιλέχθηκε η μελέτη, ανάλυση και εντοπισμός της επιρροής των μεταβολών των προφίλ της επιβατικής κίνησης των σταθμών του συστήματος με χρήση Μη Επιβλεπόμενης Ταξινόμησης. Η εμφάνιση της πανδημίας στη Μεγάλη Βρετανία, καθώς επίσης και τα περιοριστικά μέτρα που εφαρμόστηκαν, είχαν ως αποτέλεσμα την επιρροή στην καθημερινή ζωής των πολιτών σε όλους τους τομείς, και ένας από αυτούς ήταν και οι καθημερινές τους μετακινήσεις. Με βάση αυτό, η λειτουργία ενός βασικού μεταφορικού συστήματος, όπως το μετρό του Λονδίνου, δέχτηκε άμεσα τις επιπτώσεις της νέας κατάστασης. Για την εκπόνηση της εργασίας, αξιοποιήθηκαν ημερήσια δεδομένα επιβατικής κίνησης για κάθε σταθμό του μετρό, για τα έτη 2019 και 2020, κατόπιν αιτήματος στο TfL (Transport for London). Τα δεδομένα αυτά, δέχτηκαν σημαντικό αριθμό αρχικών επεξεργασιών, ώστε να διαμορφωθούν με τέτοιο τρόπο για να είναι αξιοποιήσιμα από το λογισμικό που πραγματοποιεί τους αλγορίθμους της προαναφερθείσας ταξινόμησης (NCSS) και κανονικοποιήθηκαν, με σκοπό την αντικειμενική και ανεπηρέαστη εφαρμογή των μεθόδων. Για λόγους ορθότητας, εμβάθυνσης και λεπτομερέστερης ανάλυσης, επιλέχθηκε να διαχωριστούν οι μετρήσεις επιβατικής κίνησης σε εισόδους και εξόδους των δύο ετών, με αποτέλεσμα την τελική δημιουργία τεσσάρων βάσεων δεδομένων. Οι τελικοί προς ανάλυση σταθμοί προέκυψε να είναι 226, ενώ οι μεταβλητές για την πραγματοποίηση των ταξινομήσεων, οι 335 μετρήσεις επιβατικής κίνησης ανά σταθμό. Οι δύο αλγόριθμοι που επιλέχθηκαν για την εφαρμογή της Μη Επιβλεπόμενης Ταξινόμησης ήταν ο K-Means και ο Fuzzy C-Means. Οι δύο αυτές μέθοδοι χαρακτηρίζονται από ευκολία εφαρμογής και αξιοπιστία στην ανάλυση δεδομένων της μορφής που αξιοποιήθηκαν στην παρούσα εργασία, και προσέφεραν την ευκαιρία να εφαρμοστούν συνδυαστικά, εμπλουτίζοντας ο ένας τα συμπεράσματα του άλλου και δίνοντας έτσι μια πιο σφαιρική προσέγγιση στις απαιτήσεις της ανάλυσης. Έπειτα από την εφαρμογή των δύο μεθόδων, οι σταθμοί ταξινομήθηκαν σε κλάσεις και προέκυψαν τα απαραίτητα συμπεράσματα. Είτε στην περίπτωση του πρώτου αλγορίθμου που εκτελεί αυστηρή ομαδοποίηση, είτε στην περίπτωση του δεύτερου που πραγματοποιεί Ασαφή Ταξινόμηση, το έτος 2019, οι σταθμοί ταξινομήθηκαν σε ισχυρές κλάσεις οι οποίες ταυτόχρονα εμφάνισαν περισσότερο ισόρροπη κατανομή στο χώρο και ομοιόμορφη εικόνα, σε σύγκριση με τα αποτελέσματα του 2020. Επιπλέον, με βάση τη δεύτερη μέθοδο, η μέγιστη ασάφεια των σταθμών παρατηρήθηκε στον κεντρικό αστικό ιστό του Λονδίνου, καθώς και η μέγιστη μίξη των κλάσεων, όπως αυτή προέκυψε με τον πρώτο αλγόριθμο. Τέλος, η κλάση που ανήκε ο κάθε σταθμός, προέκυψε να έχει ήπια συσχέτιση με την απόσταση από το κέντρο της πόλης. Τα παραπάνω συμπεράσματα, οπτικοποιήθηκαν με χρήση χαρτών και συγκεντρωτικών πινάκων, με σκοπό την επίτευξη της βέλτιστης παρουσίασης τους.	el
heal.abstract	This thesis investigates the implications of the Covid-19 pandemic on the passenger traffic of the London Underground, utilizing spatial analysis. The objective is the analysis and identification of the influence of changes in passenger traffic profiles of the system through Unsupervised Classification (i.e. Cluster Analysis). The emergence of the pandemic in Great Britain, as well as the restrictive measures applied, resulted in affecting the everyday life of citizens in several ways, including their daily commuting patterns. As a result, the operation of a basic transport system, such as the London Underground, has directly been affected by this new situation. To achieve the aim of the study, data considering daily passenger entries and exits for every single station of the London Underground for the years 2019 and 2020 were obtained, following a request to TfL (Transport for London). The data were processed so as to be usable by the utilized software that performs Unsupervised Classification methods (NCSS). Following the processing stage, data were also normalized. In order to achieve a deeper and more detailed analysis entries and exits of the two years, were analyzed separately resulting in the creation of four final databases. In total, data from 226 stations were utilized, while the classification variables were the 335 daily measurements of passenger traffic per station and per year, divided into entries and exits. The two algorithms which were selected to apply Unsupervised Classification were K-Means and Fuzzy C-Means. Both methods can be characterized by simplicity of application and high reliability in data analysis in the form that was used in the present thesis. They also offered the opportunity of combined application and enrichment of each other’s conclusions, and therefore providing a more comprehensive approach to the requirements of the analysis. Following the application of the two methods, the stations were classified into clusters and the necessary conclusions were drawn. Both in the case of the first algorithm which performs hard clustering, and in the case of the second that performs Fuzzy Classification, in the year of 2019, the stations were classified into strong clusters, which appeared to have a more balanced spatial distribution and solid picture, compared to 2020 results. Furthermore, based on the second method, the amount of fuzziness of the stations was maximized mainly in central London stations, while this area also contained the maximum mix of clusters, obtained from the first algorithm. Finally, the cluster to which every station belonged, turned out to be correlated at some point with the distance from the city center.	en
heal.advisorName	Σπυροπούλου, Ιωάννα	el
heal.committeeMemberName	Ψαριανός, Βασίλειος	el
heal.committeeMemberName	Χατζηχρήστος, Θωμάς	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Έργων Υποδομής και Αγροτικής Ανάπτυξης. Εργαστήριο Συγκοινωνιακής Τεχνικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	150 σ.	el
heal.fullTextAvailability	false