Ανάλυση και αξιοποίηση δεδομένων κίνησης πλοίων για τη δημιουργία καινοτόμων υπηρεσιών

Παναγιώτου, Φωτεινή; Panagiotou, Foteini

dc.contributor.author	Παναγιώτου, Φωτεινή	el
dc.contributor.author	Panagiotou, Foteini	en
dc.date.accessioned	2024-02-13T12:04:24Z
dc.date.available	2024-02-13T12:04:24Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/58891
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.26587
dc.rights	Default License
dc.subject	Ναυτιλία	el
dc.subject	AIS	el
dc.subject	Χρονολογικές Σειρές	el
dc.subject	Πρόβλεψη	el
dc.subject	Μηχανική Μάθηση	el
dc.subject	Maritime	en
dc.subject	Time Series	en
dc.subject	Forecasting	en
dc.subject	Machine Learning	el
dc.title	Ανάλυση και αξιοποίηση δεδομένων κίνησης πλοίων για τη δημιουργία καινοτόμων υπηρεσιών	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.classification	Πρόβλεψη Χρονοσειρών	el
heal.classification	Machine Learning	en
heal.classification	Time Series Forecasting	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-10-18
heal.abstract	Η ναυτιλιακή βιομηχανία διαδραματίζει έναν ζωτικό ρόλο στο παγκόσμιο εμπόριο, καθιστώ- ντας απαραίτητη την αξιοποίηση τεχνολογιών αιχμής όπως η Τεχνητή Νοημοσύνη, για τη βελτίωση της αποτελεσματικότητας και της διαδικασίας λήψης αποφάσεων. Η παρούσα ερ- γασία εστιάζει σε μια εκτενή ανάλυση διαφορετικών συνόλων δεδομένων, την ενοποίηση τους σε γεωχωρικά ερωτήματα, και την προσομοίωση της πορείας των πλοίων. Η έρευνα ξεκινά με μια λεπτομερή εξέταση των δεδομένων, περιλαμβάνοντας ανάλυση, εναρμόνιση, αξιολό- γηση και οπτικοποίηση των δεδομένων. Μέσω αυτής της διαδικασίας, εντοπίζονται γεωμε- τρίες με ιδιαίτερα χαρακτηριστικά, αποκαλύπτοντας σημαντικές ενδείξεις σχετικά με τη συ- μπεριφορά των πλοίων και τα πρότυπα κυκλοφορίας. Επιπλέον, πραγματοποιείται ένα πεί- ραμα πρόβλεψης χρησιμοποιώντας ένα κλασσικό μονομεταβλητό υπόδειγμα χρονολογικής σειράς. Εφαρμόζονται διάφορες μέθοδοι εκτίμησης που χρησιμοποιούνται στην βιβλιογραφία των χρονολογικών σειρών και της μηχανικής μάθησης ενώ η συγκριτική αξιολόγηση τους γίνεται με βάση ορισμένα στατιστικά κριτήρια. Τα αποτελέσματα καταδεικνύουν ότι οι προ- τεινόμενες μέθοδοι καταφέρνουν να προβλέψουν με υψηλή ακρίβεια, παρέχοντας πολύτιμα εργαλεία για την προγνωστική ανάλυση και τον σχεδιασμό νέων υποδειγμάτων ανάλυσης σύνθετων δεδομένων.	el
heal.abstract	The shipping industry plays a vital role in global trade, making the utilization of cutting-edge technologies like Artificial Intelligence essential for improving efficiency and decision-making processes. This research focuses on an in-depth analysis of different datasets, consolidating them into geospatial queries, and simulating ship trajectories. The research begins with a detailed examination of the data, including analysis, harmonization, evaluation, and visualization of the data. Through this process, geometries with distinctive characteristics are identified, revealing significant insights into ship behavior and traffic patterns. Additionally, a time series forecasting exercise is conducted using a classic univariate time series model. Various estimation methods commonly used in time series and machine learning literature are applied, and their comparative evaluation is based on specific statistical criteria. The results demonstrate that the proposed methods achieve high prediction accuracy, providing valuable tools for predictive analysis and the design of new modelling frameworks for more complex data.	en
heal.advisorName	Ασκούνης, Δημήτριος	el
heal.committeeMemberName	Ασκούνης, Δημήτριος	el
heal.committeeMemberName	Ψαρράς, Ιωάννης	el
heal.committeeMemberName	Δούκας, Χρυσόστομος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικών Βιομηχανικών Διατάξεων και Συστημάτων Αποφάσεων	el
heal.academicPublisherID	ntua
heal.numberOfPages	77 σ.	el
heal.fullTextAvailability	false