Ανίχνευση ετοιμότητας οδηγού σε πραγματικό χρόνο μέσω μεθόδων αναγνώρισης προτύπων σε πολυπαραμετρικά δεδομένα
Η παρούσα διπλωματική εργασία αποτελεί μία προσπάθεια ανάπτυξης ενός συστήματος που μέσω μεθόδων μηχανικής μάθησης θα ανιχνεύει αν ο οδηγός βρίσκεται σε κατάσταση που του επιτρέπει να συνεχίσει να οδηγεί ή αν θα πρέπει να σταματήσει την οδήγηση καθώς διατρέχει κίνδυνο. Ένα μεγάλο ποσοστό των τροχαίω...
Κύριος συγγραφέας: | |
---|---|
Άλλοι συγγραφείς: | |
Μορφή: | Thesis |
Γλώσσα: | Greek |
Έκδοση: |
2019
|
Θέματα: | |
Διαθέσιμο Online: | http://hdl.handle.net/10889/12331 |
id |
nemertes-10889-12331 |
---|---|
record_format |
dspace |
spelling |
nemertes-10889-123312022-09-05T20:15:44Z Ανίχνευση ετοιμότητας οδηγού σε πραγματικό χρόνο μέσω μεθόδων αναγνώρισης προτύπων σε πολυπαραμετρικά δεδομένα Άκουρου, Δήμητρα Μεγαλοοικονόμου, Βασίλειος Μεγαλοοικονόμου, Βασίλειος Μακρής, Χρήστος Akourou, Dimitra Ανάλυση δεδομένων Κατηγοριοποίηση ροών δεδομένων Ανάλυση κατάστασης οδηγού Spark PySpark Spark streaming 629.283 04 Η παρούσα διπλωματική εργασία αποτελεί μία προσπάθεια ανάπτυξης ενός συστήματος που μέσω μεθόδων μηχανικής μάθησης θα ανιχνεύει αν ο οδηγός βρίσκεται σε κατάσταση που του επιτρέπει να συνεχίσει να οδηγεί ή αν θα πρέπει να σταματήσει την οδήγηση καθώς διατρέχει κίνδυνο. Ένα μεγάλο ποσοστό των τροχαίων ατυχημάτων που συμβαίνουν καθημερινά οφείλεται είτε σε έλλειψη προσοχής του οδηγού είτε σε βλάβες του οχήματος. Πρόκειται δηλαδή για αίτια τα οποία μπορούν να ανιχνευθούν, και με την εφαρμογή κατάλληλων αλγορίθμων μπορεί να εξαχθεί η απαραίτητη γνώση για την αποφυγή σοβαρών ατυχημάτων. Προκειμένου να δημιουργηθεί αυτό το σύστημα χρησιμοποιήθηκε ένα σύνολο δεδομένων τα οποία παρέχουν πληροφορία για την κατάσταση του οδηγου, για τις περιβαλλοντικές συνθήκες καθώς και για την λειτουργία του οχήματος. Στο πρώτο μέρος της εργασίας γίνεται η εκπαίδευση του μοντέλου που θα προβλέπει αν ο οδηγός είναι σε κατάλληλη κατάσταση για να συνεχίσει την οδήγηση ή αν πρέπει να σταματήσει, μέσω αλγορίθμων κατηγοριοποίησης. Στο δεύτερο μέρος παρουσιάζεται το πως μπορεί η γνώση που λάβαμε από την εκπαίδευση του μοντέλου να χρησιμοποιηθεί σε πραγματικό χρόνο προκειμένου να ειδοποιηθεί ο οδηγός σε περίπτωση που διατρέχει κίνδυνο. Η υλοποίηση και των δύο συστημάτων έγινε σε περιβάλλον Spark. This thesis is an effort to develop a system which, through machine learning, will be able to detect whether the driver is in a state that allows him to continue driving or whether he should stop driving since he is in danger. A big percentage of daily road accidents are happening either due to driver's lack of attention or due to vehicle problems. These causes can be detected, and with the use of appropriate algorithms we can extract the necessary knowledge to prevent serious accidents. In order to create this system, a set of data has been used which provides information about the driver's physical situation, environmental conditions and vehicular data. The first part of this thesis is the training of the model, by using classification algorithms, that will predict whether the driver is in a condition that allows him to continue driving or if he should stop. The second part shows how the knowledge we extracted from the trained model can be used in real time to alert the driver if he is in danger. Both systems were implemented in Spark environment. 2019-06-30T12:28:15Z 2019-06-30T12:28:15Z 2019-03-22 Thesis http://hdl.handle.net/10889/12331 gr 0 application/pdf |
institution |
UPatras |
collection |
Nemertes |
language |
Greek |
topic |
Ανάλυση δεδομένων Κατηγοριοποίηση ροών δεδομένων Ανάλυση κατάστασης οδηγού Spark PySpark Spark streaming 629.283 04 |
spellingShingle |
Ανάλυση δεδομένων Κατηγοριοποίηση ροών δεδομένων Ανάλυση κατάστασης οδηγού Spark PySpark Spark streaming 629.283 04 Άκουρου, Δήμητρα Ανίχνευση ετοιμότητας οδηγού σε πραγματικό χρόνο μέσω μεθόδων αναγνώρισης προτύπων σε πολυπαραμετρικά δεδομένα |
description |
Η παρούσα διπλωματική εργασία αποτελεί μία προσπάθεια ανάπτυξης ενός συστήματος που μέσω μεθόδων μηχανικής μάθησης θα ανιχνεύει αν ο οδηγός βρίσκεται σε κατάσταση που του επιτρέπει να συνεχίσει να οδηγεί ή αν θα πρέπει να σταματήσει την οδήγηση καθώς διατρέχει κίνδυνο. Ένα μεγάλο ποσοστό των τροχαίων ατυχημάτων που συμβαίνουν καθημερινά οφείλεται είτε σε έλλειψη προσοχής του οδηγού είτε σε βλάβες του οχήματος. Πρόκειται δηλαδή για αίτια τα οποία μπορούν να ανιχνευθούν, και με την εφαρμογή κατάλληλων αλγορίθμων μπορεί να εξαχθεί η απαραίτητη γνώση για την αποφυγή σοβαρών ατυχημάτων.
Προκειμένου να δημιουργηθεί αυτό το σύστημα χρησιμοποιήθηκε ένα σύνολο δεδομένων τα οποία παρέχουν πληροφορία για την κατάσταση του οδηγου, για τις περιβαλλοντικές συνθήκες καθώς και για την λειτουργία του οχήματος.
Στο πρώτο μέρος της εργασίας γίνεται η εκπαίδευση του μοντέλου που θα προβλέπει αν ο οδηγός είναι σε κατάλληλη κατάσταση για να συνεχίσει την οδήγηση ή αν πρέπει να σταματήσει, μέσω αλγορίθμων κατηγοριοποίησης.
Στο δεύτερο μέρος παρουσιάζεται το πως μπορεί η γνώση που λάβαμε από την εκπαίδευση του μοντέλου να χρησιμοποιηθεί σε πραγματικό χρόνο προκειμένου να ειδοποιηθεί ο οδηγός σε περίπτωση που διατρέχει κίνδυνο.
Η υλοποίηση και των δύο συστημάτων έγινε σε περιβάλλον Spark. |
author2 |
Μεγαλοοικονόμου, Βασίλειος |
author_facet |
Μεγαλοοικονόμου, Βασίλειος Άκουρου, Δήμητρα |
format |
Thesis |
author |
Άκουρου, Δήμητρα |
author_sort |
Άκουρου, Δήμητρα |
title |
Ανίχνευση ετοιμότητας οδηγού σε πραγματικό χρόνο μέσω μεθόδων αναγνώρισης προτύπων σε πολυπαραμετρικά δεδομένα |
title_short |
Ανίχνευση ετοιμότητας οδηγού σε πραγματικό χρόνο μέσω μεθόδων αναγνώρισης προτύπων σε πολυπαραμετρικά δεδομένα |
title_full |
Ανίχνευση ετοιμότητας οδηγού σε πραγματικό χρόνο μέσω μεθόδων αναγνώρισης προτύπων σε πολυπαραμετρικά δεδομένα |
title_fullStr |
Ανίχνευση ετοιμότητας οδηγού σε πραγματικό χρόνο μέσω μεθόδων αναγνώρισης προτύπων σε πολυπαραμετρικά δεδομένα |
title_full_unstemmed |
Ανίχνευση ετοιμότητας οδηγού σε πραγματικό χρόνο μέσω μεθόδων αναγνώρισης προτύπων σε πολυπαραμετρικά δεδομένα |
title_sort |
ανίχνευση ετοιμότητας οδηγού σε πραγματικό χρόνο μέσω μεθόδων αναγνώρισης προτύπων σε πολυπαραμετρικά δεδομένα |
publishDate |
2019 |
url |
http://hdl.handle.net/10889/12331 |
work_keys_str_mv |
AT akouroudēmētra anichneusēetoimotētasodēgousepragmatikochronomesōmethodōnanagnōrisēsprotypōnsepolyparametrikadedomena |
_version_ |
1771297359326609408 |