Πρόβλεψη της διαφοράς του εκτιμώμενου χρόνου διαδρομής μεταξύ μεθόδων βασιζόμενες σε μικροσκοπικά και μακροσκοπικά κυκλοφοριακά δεδομένα μέσω αυτοματοποιημένης μηχανικής μάθησης

Αδάμ, Μαρία - Παναγιώτα; Adam, Maria - Panagiota

dc.contributor.author	Αδάμ, Μαρία - Παναγιώτα	el
dc.contributor.author	Adam, Maria - Panagiota	en
dc.date.accessioned	2025-05-26T11:45:29Z
dc.date.available	2025-05-26T11:45:29Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/61968
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.29664
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Γεωπληροφορική”	el
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	Μοντέλο PyCaret Regression	el
dc.subject	Παράμετροι επιρροής της απόκλισης (SHAP)	el
dc.subject	Πρόβλεψη της απόκλισης του χρόνου διαδρομής	el
dc.subject	Αξιοποίηση Google Distance Matrix API	el
dc.subject	Identification of travel time discrepancies	en
dc.subject	Influential parameters of travel time (SHAP)	en
dc.subject	Prediction of travel time discrepancies	en
dc.subject	PyCaret Regression module	en
dc.subject	Utilization of Google Distance Matrix API	en
dc.subject	Εντοπισμός της απόκλισης του χρόνου διαδρομής	el
dc.title	Πρόβλεψη της διαφοράς του εκτιμώμενου χρόνου διαδρομής μεταξύ μεθόδων βασιζόμενες σε μικροσκοπικά και μακροσκοπικά κυκλοφοριακά δεδομένα μέσω αυτοματοποιημένης μηχανικής μάθησης	el
dc.title	Predicting travel time discrepancies between applications utilizing microscopic and macroscopic traffic data using automated machine learning	en
heal.type	masterThesis
heal.classification	Κυκλοφοριακή ανάλυση με μηχανική μάθηση	el
heal.classification	Traffic modeling and prediction using machine learning	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-10-30
heal.abstract	Αντικείμενο της παρούσας διπλωματικής εργασίας αποτελεί ο εντοπισμός της επιρροής των παραμέτρων των διαδρομών στην πρόβλεψη της απόκλισης του χρόνου διαδρομής, συγκρίνοντας δεδομένα χρόνου διαδρομής που λήφθηκαν από το Google Maps και μέσω αλγορίθμου που χρησιμοποιείται από το ΚΔΜΚ της Περιφέρειας Αττικής, για 22 διαδρομές στην ευρύτερη περιοχή της Αθήνας. Μέσω της χρήσης της βιβλιοθήκης PyCaret Regression, επιχειρείται ο εντοπισμός των κρίσιμων παραμέτρων του οδικού δικτύου που επηρεάζουν τη διακύμανση του χρόνου διαδρομής. Η ανάλυση πραγματοποιείται σε τρεις διακριτές περιόδους μέτρησης, ορισμένες με βάση χαρακτηριστικά μετακίνησης και κυκλοφοριακού φόρτου, καθώς και σε αντίστοιχες περιόδους πρόβλεψης. Στην πρώτη περίοδο, η ανάλυση των αποκλίσεων έδειξε ότι οι κυριότερες αποκλίσεις οφείλονταν σε υποεκτιμήσεις του ΚΔΜΚ και υπερεκτιμήσεις του Google Maps κατά τις ώρες αιχμής, ιδίως το πρωί και το απόγευμα, λόγω αυξημένων μετακινήσεων μαθητών και εργαζομένων. Στη δεύτερη περίοδο, παρατηρήθηκε ότι η υπερεκτίμηση των χρόνων διαδρομής από το Google Maps και η υποεκτίμηση από το ΚΔΜΚ ήταν έντονες σε διαδρομές μικρής απόστασης με συχνές διασταυρώσεις και πολλούς φωτεινούς σηματοδότες, κυρίως προς το κέντρο της Αθήνας. Τέλος, στην τρίτη περίοδο, που χαρακτηρίζεται από την αυξημένη τουριστική κίνηση, οι αποκλίσεις ήταν περιορισμένες, με τα μεγαλύτερα ποσοστά απόκλισης να παρατηρούνται σε διαδρομές προς τα λιμάνια της Αττικής, ιδίως το Σαββατοκύριακο. Τα αποτελέσματα της ανάλυσης καταδεικνύουν την επιρροή συγκεκριμένων παραμέτρων στην απόκλιση των εκτιμήσεων χρόνου διαδρομής και υπογραμμίζουν τη σημασία των χαρακτηριστικών του οδικού δικτύου, της κυκλοφοριακής συμφόρησης και των ωρών αιχμής. Ο συνδυασμός των παρατηρήσεων ανά περίοδο υποδηλώνει ότι οι αποκλίσεις στην πρόβλεψη χρόνου διαδρομής θα μπορούσαν να περιοριστούν με την ενσωμάτωση ευαίσθητων παραμέτρων στην υπολογιστική διαδικασία, βελτιώνοντας την αξιοπιστία της πρόβλεψης.	el
heal.abstract	The aim of this thesis is to determine the impact of route attributes on forecasting travel time variation by comparing travel time data received from Google Maps to an algorithm employed by the ATMC for 22 routes in the greater Athens area. Using the PyCaret Regression module, an attempt is made to discover the essential road network factors that influence the variance in trip time. The study is carried out across three separate measurement periods, some depending on mobility and traffic load factors, and related forecast periods. The first period's deviation study revealed that the largest deviations were caused by ATMC underestimations and Google Maps overestimations at peak hours, particularly in the morning and afternoon, due to increased student and worker traffic. During the second phase, it was discovered that Google Maps overestimated travel time and the ATMC underestimated travel times on short-distance routes with many intersections and traffic lights, mostly towards Athens' center. Finally, during the third period, which was marked by increasing tourist traffic, deviations were kept to a minimum, with the greatest rates reported on roads to Attica's ports, particularly on weekends. The findings show how several criteria affect the deviation of journey time estimations, emphasizing the relevance of road network features, traffic congestion, and peak hours. The combination of data over time implies that variations in travel time prediction might be reduced by including sensitive characteristics into the computing process, increasing forecast reliability.	en
heal.advisorName	Σπυροπούλου, Ιωάννα	el
heal.committeeMemberName	Σπυροπούλου, Ιωάννα	el
heal.committeeMemberName	Κεπαπτσόγλου, Κωνσταντίνος	el
heal.committeeMemberName	Μητρόπουλος, Λάμπρος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών.	el
heal.academicPublisherID	ntua
heal.numberOfPages	150 σ.	el
heal.fullTextAvailability	false