Ανάλυση ναυτιλιακών δεδομένων με τεχνικές μηχανικής μάθησης
Η συγκεκριμένη διπλωματική εργασία εστιάζει στην ανάλυση ναυτιλιακών δεδομένων με τεχνικές μηχανικής μάθησης, με στόχο την πρόβλεψη του τελικού προορισμού των πλοίων, βάσει της τροχιάς και της τρέχουσας κατάστασής τους, όπως αυτή ορίζεται από πλήθος δεδομένων μεταβλητών. Στα πλαίσια της εργασίας, δι...
Main Author: | |
---|---|
Other Authors: | |
Language: | Greek |
Published: |
2022
|
Subjects: | |
Online Access: | http://hdl.handle.net/10889/16243 |
id |
nemertes-10889-16243 |
---|---|
record_format |
dspace |
spelling |
nemertes-10889-162432022-09-05T20:19:40Z Ανάλυση ναυτιλιακών δεδομένων με τεχνικές μηχανικής μάθησης Maritime data analysis with machine learning techniques Γάσπαρη, Παναγιώτα Gaspari, Panagiota Ανάλυση ναυτιλιακών δεδομένων Μηχανική μάθηση Κ πλησιέστεροι γείτονες Ομοιότητα χωρικών τροχιών Ομοιότητα χρονοσειρών Maritime data analysis Machine learning Η συγκεκριμένη διπλωματική εργασία εστιάζει στην ανάλυση ναυτιλιακών δεδομένων με τεχνικές μηχανικής μάθησης, με στόχο την πρόβλεψη του τελικού προορισμού των πλοίων, βάσει της τροχιάς και της τρέχουσας κατάστασής τους, όπως αυτή ορίζεται από πλήθος δεδομένων μεταβλητών. Στα πλαίσια της εργασίας, διεξήχθησαν διαφορετικά πειράματα, βασιζόμενα στον αλγόριθμο κατηγοριοποίησης των Κ πλησιέστερων γειτόνων, ο οποίος στηρίζεται στην ιδέα της ομοιότητας. Τα πειράματα αυτά μπορούν να διακριθούν σε δύο κατηγορίες, βάσει του ορισμού της ομοιότητας σε καθένα από αυτά. Πιο συγκεκριμένα, στην πρώτη κατηγορία πειραμάτων, η ομοιότητα μεταξύ της εκάστοτε τροχιάς προς πρόβλεψη και των ιστορικών τροχιών, προκύπτει βάσει της κατάστασης των πλοίων κοντά στο σημείο πρόβλεψης (ταχύτητα, κατεύθυνση κτλ.) και της χωρικής ομοιότητας των τροχιών ως το σημείο πρόβλεψης, όπως προσδιορίζεται με την απόσταση Fréchet. Σε μια δεύτερη κατηγορία πειραμάτων, οι πορείες των πλοίων περιγράφονται ως πολυμεταβλητές χρονοσειρές και η ομοιότητα μεταξύ τους προκύπτει με μεθόδους ταιριάσματος ανά διάσταση (match-by-dimension), αλλά και με μεθόδους βασιζόμενες στην σύγκριση των χώρων των κύριων συνιστωσών (Principal Components). Τελικά, παρουσιάζονται τα αποτελέσματα των προαναφερθέντων πειραμάτων, το θεωρητικό υπόβαθρο για την κατανόησή τους, καθώς και η σχετική βιβλιογραφία. 2022-06-16T09:46:37Z 2022-06-16T09:46:37Z 2022-06-15 http://hdl.handle.net/10889/16243 gr application/pdf |
institution |
UPatras |
collection |
Nemertes |
language |
Greek |
topic |
Ανάλυση ναυτιλιακών δεδομένων Μηχανική μάθηση Κ πλησιέστεροι γείτονες Ομοιότητα χωρικών τροχιών Ομοιότητα χρονοσειρών Maritime data analysis Machine learning |
spellingShingle |
Ανάλυση ναυτιλιακών δεδομένων Μηχανική μάθηση Κ πλησιέστεροι γείτονες Ομοιότητα χωρικών τροχιών Ομοιότητα χρονοσειρών Maritime data analysis Machine learning Γάσπαρη, Παναγιώτα Ανάλυση ναυτιλιακών δεδομένων με τεχνικές μηχανικής μάθησης |
description |
Η συγκεκριμένη διπλωματική εργασία εστιάζει στην ανάλυση ναυτιλιακών δεδομένων με τεχνικές μηχανικής μάθησης, με στόχο την πρόβλεψη του τελικού προορισμού των πλοίων, βάσει της τροχιάς και της τρέχουσας κατάστασής τους, όπως αυτή ορίζεται από πλήθος δεδομένων μεταβλητών. Στα πλαίσια της εργασίας, διεξήχθησαν διαφορετικά πειράματα, βασιζόμενα στον αλγόριθμο κατηγοριοποίησης των Κ πλησιέστερων γειτόνων, ο οποίος στηρίζεται στην ιδέα της ομοιότητας. Τα πειράματα αυτά μπορούν να διακριθούν σε δύο κατηγορίες, βάσει του ορισμού της ομοιότητας σε καθένα από αυτά.
Πιο συγκεκριμένα, στην πρώτη κατηγορία πειραμάτων, η ομοιότητα μεταξύ της εκάστοτε τροχιάς προς πρόβλεψη και των ιστορικών τροχιών, προκύπτει βάσει της κατάστασης των πλοίων κοντά στο σημείο πρόβλεψης (ταχύτητα, κατεύθυνση κτλ.) και της χωρικής ομοιότητας των τροχιών ως το σημείο πρόβλεψης, όπως προσδιορίζεται με την απόσταση Fréchet.
Σε μια δεύτερη κατηγορία πειραμάτων, οι πορείες των πλοίων περιγράφονται ως πολυμεταβλητές χρονοσειρές και η ομοιότητα μεταξύ τους προκύπτει με μεθόδους ταιριάσματος ανά διάσταση (match-by-dimension), αλλά και με μεθόδους βασιζόμενες στην σύγκριση των χώρων των κύριων συνιστωσών (Principal Components).
Τελικά, παρουσιάζονται τα αποτελέσματα των προαναφερθέντων πειραμάτων, το θεωρητικό υπόβαθρο για την κατανόησή τους, καθώς και η σχετική βιβλιογραφία. |
author2 |
Gaspari, Panagiota |
author_facet |
Gaspari, Panagiota Γάσπαρη, Παναγιώτα |
author |
Γάσπαρη, Παναγιώτα |
author_sort |
Γάσπαρη, Παναγιώτα |
title |
Ανάλυση ναυτιλιακών δεδομένων με τεχνικές μηχανικής μάθησης |
title_short |
Ανάλυση ναυτιλιακών δεδομένων με τεχνικές μηχανικής μάθησης |
title_full |
Ανάλυση ναυτιλιακών δεδομένων με τεχνικές μηχανικής μάθησης |
title_fullStr |
Ανάλυση ναυτιλιακών δεδομένων με τεχνικές μηχανικής μάθησης |
title_full_unstemmed |
Ανάλυση ναυτιλιακών δεδομένων με τεχνικές μηχανικής μάθησης |
title_sort |
ανάλυση ναυτιλιακών δεδομένων με τεχνικές μηχανικής μάθησης |
publishDate |
2022 |
url |
http://hdl.handle.net/10889/16243 |
work_keys_str_mv |
AT gasparēpanagiōta analysēnautiliakōndedomenōnmetechnikesmēchanikēsmathēsēs AT gasparēpanagiōta maritimedataanalysiswithmachinelearningtechniques |
_version_ |
1771297290257956864 |