Please use this identifier to cite or link to this item:
https://olympias.lib.uoi.gr/jspui/handle/123456789/37567
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.author | Φλώρου, Αικατερίνη | el |
dc.contributor.author | Florou, Aikaterini | en |
dc.date.accessioned | 2024-05-09T08:33:15Z | - |
dc.date.available | 2024-05-09T08:33:15Z | - |
dc.identifier.uri | https://olympias.lib.uoi.gr/jspui/handle/123456789/37567 | - |
dc.identifier.uri | http://dx.doi.org/10.26268/heal.uoi.17278 | - |
dc.rights | Attribution-NonCommercial-NoDerivs 3.0 United States | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/us/ | * |
dc.subject | Πρόβλεψη χώρου στάθμευσης | el |
dc.subject | Μηχανική μάθηση | el |
dc.subject | Βαθιά μάθηση | el |
dc.subject | Αυτοματοποιημένη μηχανική μάθηση | el |
dc.subject | Διαχείριση κυκλοφορίας | el |
dc.subject | Parking space prediction | en |
dc.subject | Machine learning | en |
dc.subject | Deep learning | en |
dc.subject | Automated machine learning | en |
dc.subject | Traffic management | en |
dc.title | Σχεδιασμός και ανάπτυξη συστήματος πρόβλεψης διαθεσιμότητας χώρου στάθμευσης σε πλατφόρμα παράλληλης επεξεργασίας | el |
dc.title | Design and development of a parking space availability prediction system on a parallel processing platform | en |
dc.type | masterThesis | en |
heal.type | masterThesis | el |
heal.type.en | Master thesis | en |
heal.type.el | Μεταπτυχιακή εργασία | el |
heal.classification | Μηχανική μάθηση | |
heal.classification | Machine learning | |
heal.dateAvailable | 2024-05-09T08:34:15Z | - |
heal.language | el | el |
heal.access | free | el |
heal.recordProvider | Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής και Τηλεπικοινωνιών | el |
heal.publicationDate | 2024-04 | - |
heal.abstract | Στην παρούσα διπλωματική εξετάζεται η πρόβλεψη αστικών χώρων στάθμευσης, ζωτικής σημασίας για τη διαχείριση της κυκλοφορίας, μέσω προηγμένων τεχνολογιών μηχανικής μάθησης, βαθιάς μάθησης και αυτοματοποιημένης μηχανικής μάθησης (AutoML), ενώ ενσωματώνεται και η τεχνολογία federated learning. Οι τεχνικές μηχανικής μάθησης αποκωδικοποιούν την πολυπλοκότητα της πρόβλεψης της διαθεσιμότητας στάθμευσης, διακρίνοντας μοτίβα μέσα σε εκτεταμένα σύνολα δεδομένων για την ενίσχυση της κατανόησης και της πρόβλεψης σε μεγάλες πόλεις. Η βαθιά μάθηση, ένα υποσύνολο της μηχανικής μάθησης, αυξάνει τις δυνατότητες πρόβλεψης. Η συγκριτική ανάλυση με παραδοσιακές προσεγγίσεις μηχανικής μάθησης αποσκοπεί στην αποκάλυψη μιας βέλτιστης στρατηγικής για ακριβείς προβλέψεις στάθμευσης σε αστικές περιοχές. Η πρακτική εφαρμογή αξιοποιεί το Scikit-Learn και το TensorFlow, όπου το πρώτο διευκολύνει την αρχική ανάπτυξη μοντέλων και το δεύτερο προσφέρει επεκτασιμότητα για περίπλοκα μοντέλα πρόβλεψης. Η αυτοματοποιημένη μηχανική μάθηση (AutoML), που χρησιμοποιεί εργαλεία όπως το AutoSklearn και το Autokeras, βοηθά στην ανάπτυξη μοντέλων με την αυτοματοποίηση της βέλτιστης επιλογής μοντέλου και υπερπαραμέτρων. Η μεθοδολογία περιλαμβάνει τη συλλογή δεδομένων, την προεπεξεργασία και την ανάπτυξη μοντέλων. Στο πλαίσιο των δοκιμών εντάσσεται και το Federated Learning (FL), μια καινοτόμα προσέγγιση στη μηχανική μάθηση. Στόχος είναι η αυξημένη προστασία, καθώς και η ενίσχυση της ακρίβειας των μοντέλων. Από την προεπεξεργασία των δεδομένων έως τη δημιουργία μοντέλων και την ανάλυση των αποτελεσμάτων, η μεθοδολογία αποτελεί μια ισχυρή βάση για την εξαγωγή ουσιαστικών συμπερασμάτων και την καθοδήγηση μελλοντικών ερευνητικών προσπαθειών. | el |
heal.abstract | Prediction of urban parking spaces, vital for traffic management, is addressed in this thesis through advanced machine learning, deep learning and automated machine learning (AutoML) technologies, whereas the technology of federated learning is embedded too. Machine learning techniques decode the complexity of predicting parking availability by discriminating patterns within extensive datasets to enhance understanding and prediction in large cities. Deep learning, a subset of machine learning, increases prediction capabilities. Comparative analysis with traditional machine learning approaches aims to uncover an optimal strategy for accurate parking forecasts in urban areas. The practical application leverages Scikit-Learn and TensorFlow, where the former facilitates initial model development and the latter offers scalability for complex prediction models. Automated machine learning (AutoML), using tools such as AutoSklearn and Autokeras, helps model development by automating optimal model and hyperparameter selection. The methodology involves data collection, pre-processing and model development. The trials include Federated Learning (FL), an innovative approach to machine learning. The aim is increased protection as well as enhanced model accuracy. From data pre-processing to modelling and analysis of results, the methodology provides a strong basis for drawing meaningful conclusions and guiding future research efforts. | en |
heal.advisorName | Στύλιος, Χρυσόστομος | el |
heal.committeeMemberName | Γκόγκος, Χρήστος | el |
heal.committeeMemberName | Τσούλος, Ιωάννης | el |
heal.academicPublisher | Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής και Τηλεπικοινωνιών. Τμήμα Πληροφορικής και Τηλεπικοινωνιών | el |
heal.academicPublisherID | uoi | el |
heal.numberOfPages | 119 | el |
heal.fullTextAvailability | true | - |
Appears in Collections: | Διατριβές Μεταπτυχιακής Έρευνας (Masters) - ΠΤΠ |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
Μ.Ε. Φλώρου Αικατερίνη (2024).pdf | 1.54 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License