Human-in-the-Loop Predictive Analytics for Incident
Detection in Smart Transportation Systems

ΓΚΙΟΚΑ, ΓΕΩΡΓΙΑ; Gkioka, Georgia

dc.contributor.author	ΓΚΙΟΚΑ, ΓΕΩΡΓΙΑ
dc.contributor.author	Gkioka, Georgia
dc.date.accessioned	2025-09-22T09:24:15Z
dc.date.available	2025-09-22T09:24:15Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/62500
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.30196
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	machine learning	en
dc.subject	smart transportation systems	el
dc.subject	artificial intelligence	el
dc.subject	predictive analytics	el
dc.subject	automatic incident detection	el
dc.title	Human-in-the-Loop Predictive Analytics for Incident Detection in Smart Transportation Systems	en
dc.contributor.department	Τομέας: Ηλεκτρικών Βιομηχανικών Διατάξεων και Συστημάτων Αποφάσεων	el
heal.type	doctoralThesis
heal.secondaryTitle	Προβλεπτική Αναλυτική Δεδομένων με Ανθρώπινη Παρέμβαση για Ανίχνευση Περιστατικών σε Ευφυή Συστήματα Μεταφορών	el
heal.classification	Computer Engineering	en
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2025-02
heal.abstract	Αντικείμενο της διδακτορικής διατριβής είναι η αξιοποίηση της αναλυτικής δεδομένων και της τεχνητής νοημοσύνης στην αυτόματη ανίχνευση περιστατικών στον τομέα των ευφυών συστημάτων μεταφοράς. Η διατριβή προτείνει μια μέθοδο προβλεπτικής αναλυτικής (predictive analytics) η οποία μπορεί να υποστηρίξει την ολοκληρωμένη αυτόματη ανίχνευση περιστατικών, καλύπτοντας όλο τον κύκλο ζωής από τη συλλογή των δεδομένων μέχρι την ανίχνευση σε πραγματικό χρόνο και την επικύρωση από ειδικούς. Η μέθοδος αυτή συνδυάζει αλγόριθμους τεχνητής νοημοσύνης, προβλεπτικές μεθόδους καθώς και αυτοματοποιημένη μηχανική μάθηση (AutoML) για την πρόβλεψη προγραμματισμένων και μη προγραμματισμένων περιστατικών, ενώ παράλληλα χρησιμοποιεί εργαλεία επεξηγησιμότητας, όπως το LIME και το SHAP, για να εξηγήσει τις αποφάσεις των μοντέλων στους ανθρώπινους χειριστές. Αυτή η επεξηγησιμότητα ενισχύει την εμπιστοσύνη στα συστήματα πρόβλεψης, τα οποία συνήθως αποτελούν “black boxes” και διευκολύνει την κατανόηση των προβλέψεων από μη ειδικούς. Επιπλέον, η έννοια της ανθρώπινης παρέμβασης (human-in-the-loop - HITL) ενσωματώνεται στη διαδικασία ανίχνευσης, επιτρέποντας στους ειδικούς να επιβλέπουν και να διορθώνουν τις αυτόματες προβλέψεις σε πραγματικό χρόνο. Αυτό όχι μόνο βελτιώνει την ακρίβεια των προβλέψεων, αλλά και ενισχύει τη συνεργασία μεταξύ του ανθρώπινου παράγοντα και των αλγορίθμων. Μάλιστα, αποδεικνύεται μέσω αντίστοιχων πειραμάτων η καθοριστική συμβολή των ειδικών (experts) για τη βελτίωση της απόδοσης του συστήματος με την πάροδο του χρόνου με δυναμικό τρόπο. Στο πλαίσιο της διατριβής πραγματοποιείται εκτενής βιβλιογραφική μελέτη στα γνωστικά πεδία της προβλεπτικής αναλυτικής δεδομένων, των συστημάτων αυτόματης ανίχνευσης περιστατικών και των τεχνολογιών AutoML, επεξηγησιμότητας και HITL. Αναλύονται οι μεθοδολογίες και τα συστήματα που έχουν αναπτυχθεί μέχρι σήμερα, ενώ στη συνέχεια αναπτύσσεται η προτεινόμενη μέθοδος. Ακολούθως, αναπτύσσεται πληροφοριακό σύστημα το οποίο δίνει τη δυνατότητα εφαρμογής της προτεινόμενης μεθόδου σε αστικά περιβάλλοντα. Συγκεκριμένα, η μέθοδος εφαρμόζεται σε δύο διαφορετικές πόλεις, την Αθήνα και την Αμβέρσα, για να αξιολογηθεί και να συγκριθεί σε διαφορετικά πλαίσια.	el
heal.advisorName	Μέντζας, Γρηγόριος
heal.committeeMemberName	Μέντζας, Γρηγόριος
heal.committeeMemberName	Ψαρράς, Ιωάννης
heal.committeeMemberName	Ασκούνης, Δημήτριος
heal.committeeMemberName	Αποστόλου, Δημήτριος
heal.committeeMemberName	Βεργινάδης, Ιωάννης
heal.committeeMemberName	Τσιχριντζής, Γεώργιος
heal.committeeMemberName	Σπηλιώτης, Ευάγγελος
heal.academicPublisher	Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	344
heal.fullTextAvailability	false