Εκτίμηση κυκλοφοριακού φόρτου αστικής αρτηρίας βάσει του χρόνου 
διαδρομής με χρήση μοντέλων οδηγούμενων από δεδομένα

Κωνσταντινίδης, Χρήστος; Konstantinidis, Chris

dc.contributor.author	Κωνσταντινίδης, Χρήστος	el
dc.contributor.author	Konstantinidis, Chris	en
dc.date.accessioned	2024-05-17T09:31:25Z
dc.date.available	2024-05-17T09:31:25Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/59388
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.27084
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	Μηχανική μάθηση	el
dc.subject	Πρόβλεψη κυκλοφορίας	el
dc.subject	Κυκλοφοριακός φόρτος	el
dc.subject	Χρόνος διαδρομής	el
dc.subject	Συνάρτηση BPR	el
dc.subject	Machine learning	en
dc.subject	Traffic forecasting	en
dc.subject	Traffic volume	en
dc.subject	Travel time	en
dc.subject	BPR function	en
dc.title	Εκτίμηση κυκλοφοριακού φόρτου αστικής αρτηρίας βάσει του χρόνου διαδρομής με χρήση μοντέλων οδηγούμενων από δεδομένα	el
dc.title	Urban arterial traffic volume estimation based on travel time with use of data driven models	en
heal.type	bachelorThesis
heal.classification	Transportation engineering	en
heal.classification	Μηχανική Μεταφορών	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-11-01
heal.abstract	Τα τελευταία χρόνια, η εξέλιξη της τεχνολογίας και η διαθεσιμότητα μεγάλου όγκου δεδομένων έχουν προσφέρει μια νέα διάσταση στον τρόπο διαχείρισης συστημάτων μεταφορών, ειδικά μέσω της πρόγνωσης κυκλοφοριακών συνθηκών. Σκοπό της παρούσας διπλωματικής εργασίας αποτελεί η ανάπτυξη προτύπων πρόβλεψης κυκλοφοριακών μεγεθών ενός οδικού τμήματος, όπως ο κυκλοφοριακός φόρτος και ο χρόνος διαδρομής. Τα πρότυπα αυτά βασίζονται σε αλγόριθμους μηχανικής μάθησης, οι οποίοι βρίσκουν συχνή εφαρμογή στη βιβλιογραφία σε προβλήματα πρόβλεψης. Τα δεδομένα χρόνου διαδρομής και φόρτων οχημάτων που χρησιμοποιήθηκαν στα μοντέλα, ελήφθησαν από οδικό τμήμα της Λ. Αλεξάνδρας στην Αθήνα. Σύμφωνα με τα αποτελέσματα, τα μοντέλα είναι ικανά για ακριβείς προβλέψεις με ικανοποιητική προσαρμογή στα δεδομένα. Τέλος, έγινε μία σύγκριση μεταξύ των μοντέλων μηχανικής μάθησης και κλασσικών συναρτήσεων φόρτου-καθυστέρησης, όπως η συνάρτηση BPR. Ως συμπέρασμα, οι μέθοδοι μηχανικής μάθησης επέδειξαν μεγαλύτερη ικανότητα πρόβλεψης.	el
heal.abstract	In recent years, the development of technology and the availability of large amounts of data have provided a new dimension to the way transport systems are managed, especially through the forecasting of traffic conditions. The purpose of this thesis is to develop models for predicting traffic variables in a road section, such as traffic volume and travel time. These models are based on machine learning algorithms, which find frequent application in the literature in forecasting problems. The data of travel time and traffic that were used in the models, were sourced from a road section of Alexandras Av. in Athens. According to the results, the models are capable of accurate predictions with an acceptable fit to the data. Finally, a comparison is made between machine learning models and volume-delay functions, such as the BPR function. In conclusion, machine learning methods showed greater forecasting capability.	en
heal.advisorName	Βλαχογιάννη, Ελένη I.	el
heal.committeeMemberName	Γιαννής, Γιώργος	el
heal.committeeMemberName	Γκιοτσαλίτης, Κωνσταντίνος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Πολιτικών Μηχανικών. Τομέας Μεταφορών και Συγκοινωνιακής Υποδομής. Εργαστήριο Κυκλοφοριακής Τεχνικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	59 σ.	el
heal.fullTextAvailability	false