Ανάλυση Μηχανικής Μάθησης ανισόρροπων δεδομένων τηλεματικής για την πρόβλεψη της συμπεριφοράς του οδηγού

Κωστόπουλος, Αντώνης; Kostopoulos, Antonis

dc.contributor.author	Κωστόπουλος, Αντώνης	el
dc.contributor.author	Kostopoulos, Antonis	en
dc.date.accessioned	2023-01-27T10:47:17Z
dc.date.available	2023-01-27T10:47:17Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56977
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.24675
dc.rights	Αναφορά Δημιουργού - Παρόμοια Διανομή 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-sa/3.0/gr/	*
dc.subject	Οδική ασφάλεια	el
dc.subject	Ανάλυση συμπεριφοράς οδηγού	el
dc.subject	Μη Ισορροπημένη Μάθηση	el
dc.subject	Μηχανική Μάθηση	el
dc.subject	Ανάλυση δεδομένων φυσικής οδήγησης	el
dc.subject	Road Safety	en
dc.subject	Analysis of driving behaviour	en
dc.subject	Imbalanced Learning	en
dc.subject	Machine Learning	en
dc.subject	Naturalistic Driving Data analysis	en
dc.title	Ανάλυση Μηχανικής Μάθησης ανισόρροπων δεδομένων τηλεματικής για την πρόβλεψη της συμπεριφοράς του οδηγού	el
dc.title	Imbalanced learning analysis for driving behaviour prediction using naturalistic driving data
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.classification	Ανάλυση δεδομένων	el
heal.classification	Πρόβλεψη συμπεριφοράς	el
heal.classification	Νευρωνικά Δίκτυα	el
heal.classification	Machine Learning	en
heal.classification	Data analysis	el
heal.classification	Behaviour prediction	el
heal.classification	Neural Networks	el
heal.classification	Οδική Ασφάλεια	el
heal.classification	Road Safety	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-11-04
heal.abstract	Αντικείμενο της παρούσας Διπλωματικής Εργασίας αποτελεί η ανάλυση δεδομένων φυσικής οδήγησης (Naturalistic Driving Data – NDD) για την ταξινόμηση και πρόβλεψη της οδικής συμπεριφοράς και των σοβαρών περιστατικών (harsh events), με τεχνικές Μηχανικής Μάθησης (Machine Learning). Αξιοποιήθηκαν δεδομένα τηλεματικής της εταιρίας OSeven, για την ταξινόμηση και πρόβλεψη της Οδικής συμπεριφοράς, με τη χρήση των δεικτών Επικίνδυνης Οδικής συμπεριφοράς απότομων επιταχύνσεων και επιβραδύνσεων σε αναγωγή 100 χιλιομέτρων διαδρομής. Πιο συγκεκριμένα, επιδιώκεται ο προσδιορισμός του βαθμού επιρροής των οδικών δεδομένων στις καταστάσεις εμφάνισης απότομων περιστατικών, μέσω της διαδικασίας Επιλογής Χαρακτηριστικών (Feature Selection) και η ταξινόμηση των απότομων επιταχύνσεων (harsh accelerations) και απότομων επιβραδύνσεων (harsh brakings) σε δύο επίπεδα ασφαλείας μέσα από τεχνικές Μηχανικής Μάθησης. Η ομαδοποίηση με K-means κατέδειξε ότι οι οδηγοί με περισσότερες από 48 απότομες επιταχύνσεις και 45 απότομες επιβραδύνσεις ανά 100χλμ. οδήγησης εμφάνισαν την πιο επικίνδυνη συμπεριφορά. Τα αποτελέσματα της εργασίας ανέδειξαν την συνολική διανυθείσα απόσταση διαδρομής ως την μεταβλητή με την μεγαλύτερη επιρροή σε απότομα περιστατικά, ενώ τις καλύτερες μετρικές αξιολογήσεις ταξινόμησης σε κλάσεις για το συγκεκριμένο πρόβλημα Μη Ισορροπημένης Μάθησης έδωσαν οι αλγόριθμοι Gradient Boosting και Multilayered Perceptrons, με αξιόλογες επιδόσεις για την εξαγωγή χρήσιμων συμπερασμάτων σχετικά με τα επίπεδα ασφάλειας της Οδικής συμπεριφοράς.	el
heal.abstract	The objective of this Diploma Thesis is the exploitation of imbalanced learning for the task of classifying and predicting driving behaviour and harsh events, using naturalistic driving data. Data was collected through the telematics company OSeven, in order to classify and predict driving behaviour in terms of harsh accelerations and brakings occurences. More precisely, this thesis intends to determine the most crucial predictors for the occurrence of harsh events, through a feature selection process and to identify two safety levels for harsh accelerations and brakings using Machine Learning techniques. K-means clustering revealed that users with more than 48 harsh accelerations and more than 45 harsh brakings per 100 km of driving were deemed the most dangerous. The imbalanced classification results showcased that the total driving distance was the more impactful variable to harsh events occurence, whilst the best techniques for this particular imbalanced learning process, were achieved by Gradient Boosting and Multilayered Perceptrons algorithms.	en
heal.advisorName	Γιαννής, Γεώργιος	el
heal.committeeMemberName	Γιαννής, Γεώργιος	el
heal.committeeMemberName	Βλαχογιάννη, Ελένη	el
heal.committeeMemberName	Γκιοτσαλίτης, Κωνσταντίνος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Πολιτικών Μηχανικών. Τομέας Μεταφορών και Συγκοινωνιακής Υποδομής	el
heal.academicPublisherID	ntua
heal.numberOfPages	129 σ.	el
heal.fullTextAvailability	false