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...

Πλήρης περιγραφή

Λεπτομέρειες βιβλιογραφικής εγγραφής
Κύριος συγγραφέας: Άκουρου, Δήμητρα
Άλλοι συγγραφείς: Μεγαλοοικονόμου, Βασίλειος
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