Τεχνικές πολυτροπικής μηχανικής μάθησης για την ανάλυση προτύπων στον τομέα των ευφυών πόλεων και μεταφορών

Περίληψη

Στο πλαίσιο των σύγχρονων, πυκνοκατοικημένων αστικών περιβαλλόντων, η αποτελεσματική διαχείριση των μεταφορών και η δομή των Ευφυών Συστημάτων Μεταφορών (ITS) είναι πρωταρχικής σημασίας. Ο τομέας των δημόσιων μεταφορών υφίσταται επί του παρόντος σημαντική επέκταση και μεταμόρφωση με στόχο τη βελτίωση της προσβασιμότητας, την υποδοχή μεγαλύτερου όγκου επιβατών χωρίς να διακυβεύεται η ποιότητα του ταξιδιού και η υιοθέτηση περιβαλλοντικά συνειδητών και βιώσιμων πρακτικών. Οι τεχνολογικές εξελίξεις, ιδιαίτερα στην Τεχνητή Νοημοσύνη (AI), στην Ανάλυση μεγάλου όγκου δεδομένων (Big Data Analytics) και στους Εξελιγμένους αισθητήρες (Advanced Sensors), έχουν παίξει καθοριστικό ρόλο στην επίτευξη αυτών των στόχων και συμβάλλουν στην ανάπτυξη, βελτίωση και επέκταση των Ευφυών Συστημάτων Μεταφορών. Αυτή η διατριβή πραγματεύεται δύο κρίσιμες προκλήσεις στη σφαίρα των έξυπνων πόλεων, εστιάζοντας συγκεκριμένα στον προσδιορισμό των τρόπων μεταφοράς που χρησιμοποιούνται από τους πολίτες σε κάθε δεδομέν ...
περισσότερα

Περίληψη σε άλλη γλώσσα

In the context of modern, densely populated urban environments, the effective management of transportation and the structure of Intelligent Transportation Systems (ITSs) are paramount. The public transportation sector is currently undergoing a significant expansion and transformation with the objective of enhancing accessibility, accommodating larger passenger volumes without compromising travel quality, and embracing environmentally conscious and sustainable practices. Technological advancements, particularly in Artificial Intelligence (AI), Big Data Analytics (BDA), and Advanced Sensors (AS), have played a pivotal role in achieving these goals and contributing to the development, enhancement, and expansion of Intelligent Transportation Systems. This thesis addresses two critical challenges within the realm of smart cities, specifically focusing on the identification of transportation modes utilized by citizens at any given moment and the estimation and prediction of transportation fl ...
περισσότερα
Η διατριβή αυτή δεν είναι ακόμα διαθέσιμη ηλεκτρονικά
DOI
10.12681/eadd/56944
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/56944
ND
56944
Εναλλακτικός τίτλος
Multimodal machine learning methods for pattern analysis in smart cities and transportation
Συγγραφέας
Δροσούλη, Ιφιγένεια (Πατρώνυμο: Παντελής)
Ημερομηνία
2024
Ίδρυμα
Πανεπιστήμιο Δυτικής Αττικής. Σχολή Μηχανικών. Τμήμα Μηχανικών Πληροφορικής και Υπολογιστών
Εξεταστική επιτροπή
Βουλόδημος Αθανάσιος
Μιαούλης Γεώργιος
Μαστοροκώστας Πάρις
Βασιλάς Νικόλαος
Μπαρδής Γεώργιος
Δουλάμης Νικόλαος
Καμπάση Αικατερίνη
Επιστημονικό πεδίο
Φυσικές ΕπιστήμεςΕπιστήμη Ηλεκτρονικών Υπολογιστών και Πληροφορική ➨ Τεχνητή νοημοσύνη
Λέξεις-κλειδιά
Μεταφορές; Μηχανική μάθηση; Έξυπνες πόλεις; Βαθιά μάθηση
Χώρα
Ελλάδα
Γλώσσα
Αγγλικά
Άλλα στοιχεία
εικ., πιν., σχημ., γραφ.
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στους συνδεδεμένους στο σύστημα χρήστες οι οποίοι έχουν αλληλεπιδράσει με τη διδακτορική διατριβή. Ως επί το πλείστον, αφορά τις μεταφορτώσεις.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.