Τεχνικές βαθιάς μηχανικής μάθησης για την εύρεση βέλτιστων θαλάσσιων διαδρομών
Ο σχεδιασμός και η πρόταση συντομότερων διαδρομών σε χερσαίο έδαφος είναι κάτι που έχει αναλυθεί εις βάθος στην μέχρι τώρα βιβλιογραφία και θεωρείται αναπόσπαστο κομμάτι μίας έξυπνης πόλης. Είναι γνωστό ότι αλγόριθμοι όπως ο Dijkstra και ο A* χρησιμοποιούνται ευρέως για την λύση του παραπάνω προβλήμ...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2023
|
| Θέματα: | |
| Διαθέσιμο Online: | https://hdl.handle.net/10889/24493 |
| id |
nemertes-10889-24493 |
|---|---|
| record_format |
dspace |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Σχεδιασμός θαλάσσιου ταξιδιού Δρομολόγηση σκαφών Σχεδιασμός διαδρομής Σύσταση δρομολογίου Βαθιά μηχανική μάθηση Route planning Sea route planning Sailing holiday Itineraries Deep learning LSTM |
| spellingShingle |
Σχεδιασμός θαλάσσιου ταξιδιού Δρομολόγηση σκαφών Σχεδιασμός διαδρομής Σύσταση δρομολογίου Βαθιά μηχανική μάθηση Route planning Sea route planning Sailing holiday Itineraries Deep learning LSTM Νικολουλόπουλος, Αλέξανδρος Τεχνικές βαθιάς μηχανικής μάθησης για την εύρεση βέλτιστων θαλάσσιων διαδρομών |
| description |
Ο σχεδιασμός και η πρόταση συντομότερων διαδρομών σε χερσαίο έδαφος είναι κάτι που έχει αναλυθεί εις βάθος στην μέχρι τώρα βιβλιογραφία και θεωρείται αναπόσπαστο κομμάτι μίας έξυπνης πόλης. Είναι γνωστό ότι αλγόριθμοι όπως ο Dijkstra και ο A* χρησιμοποιούνται ευρέως για την λύση του παραπάνω προβλήματος. Αντίστοιχος όγκος έρευνας δεν φαίνεται να υπάρχει στο κομμάτι των θαλάσσιων διαδρομών καθώς δεν υπάρχουν σταθεροί «κόμβοι» ώστε να εφαρμοστούν οι παραπάνω αλγόριθμοι και φαίνεται πως ο σχεδιασμός μία θαλάσσιας διαδρομής βασίζεται περισσότερο σε δεξιότητες όπως η εμπειρία αλλά και ο τύπος του σκάφους. Συμπερασματικά ο καθορισμός των θαλάσσιων διαδρομών είναι αρκετά πιο περίπλοκος αφού ένα σκάφος μπορεί θεωρητικά να ακολουθήσει οποιαδήποτε διαδρομή μεταξύ δύο θαλάσσιων σημείων. Μέχρι στιγμής υπάρχουν υλοποιήσεις οι οποίες βασίζονται στους αλγόριθμους Dijkstra και A*, αλλά και υλοποιήσεις που βασίζονται σε γενετικούς αλγόριθμους. Οι παραπάνω προσεγγίσεις φαίνεται ότι μπορούν να εφαρμοστούν σε περιπτώσεις μεγάλων σκαφών καθώς τα μοναδικά κριτήρια είναι ο χρόνος ή η απόσταση και όχι σε μικρά σκάφη τα οποία εκτελούν ταξίδια αναψυχής(πχ ιστιοπλοϊκά) και υπάρχουν και άλλες παράμετροι εκτός του χρόνου και της κατανάλωσης καυσίμου(πχ ομορφιά τοπίου ή αποφυγή επικίνδυνων υφάλων).Για την κατασκευή και τον προσδιορισμό πλοηγήσιμων γραφημάτων τα οποία είναι πρακτικά πολύ κοντά στις πραγματικές διαδρομές των σκαφών, οι έρευνες ξεκίνησαν να χρησιμοποιούν δεδομένα από τα GPS των σκαφών, τα οποία περιέχουν συνεχείς πληροφορίες σχετικά με την θέση του σκάφους σε κάθε χρονική στιγμή. Σε αυτή την διπλωματική εργασία προτείνεται η μελέτη των AIS (Automatic Identification System) δεδομένων της Δανίας(τα οποία είναι ελεύθερα δεδομένα). Αρχικά τα δεδομένα αυτά θα επεξεργασθούν ώστε να μειωθεί ο μεγάλος όγκος τους και θα μετασχηματιστούν ώστε να αποκτήσουν νόημα. Έπειτα θα αναπαρασταθούν σε χάρτη οι πραγματικές διαδρομές που ακολούθησαν τα σκάφη αναψυχής στα χωρικά ύδατα της Δανίας. Επιπρόσθετα σε αυτή την διπλωματική εργασία προτείνεται ένα υπολογιστικό σύστημα τεχνητής νοημοσύνης το οποίο εκπαιδεύεται μέσω των AIS δεδομένων της Δανίας. Τα δεδομένα τροφοδοτούν ένα μοντέλο LSTM (Long Short Term Memory), το οποίο χρησιμοποιείται ως σύστημα συστάσεων θαλάσσιων διαδρομών για τους τουρίστες που θέλουν να επισκεφθούν την Δανία μέσω της ιστιοπλοΐας. |
| author2 |
Nikoloulopoulos, Alexandros |
| author_facet |
Nikoloulopoulos, Alexandros Νικολουλόπουλος, Αλέξανδρος |
| author |
Νικολουλόπουλος, Αλέξανδρος |
| author_sort |
Νικολουλόπουλος, Αλέξανδρος |
| title |
Τεχνικές βαθιάς μηχανικής μάθησης για την εύρεση βέλτιστων θαλάσσιων διαδρομών |
| title_short |
Τεχνικές βαθιάς μηχανικής μάθησης για την εύρεση βέλτιστων θαλάσσιων διαδρομών |
| title_full |
Τεχνικές βαθιάς μηχανικής μάθησης για την εύρεση βέλτιστων θαλάσσιων διαδρομών |
| title_fullStr |
Τεχνικές βαθιάς μηχανικής μάθησης για την εύρεση βέλτιστων θαλάσσιων διαδρομών |
| title_full_unstemmed |
Τεχνικές βαθιάς μηχανικής μάθησης για την εύρεση βέλτιστων θαλάσσιων διαδρομών |
| title_sort |
τεχνικές βαθιάς μηχανικής μάθησης για την εύρεση βέλτιστων θαλάσσιων διαδρομών |
| publishDate |
2023 |
| url |
https://hdl.handle.net/10889/24493 |
| work_keys_str_mv |
AT nikoloulopoulosalexandros technikesbathiasmēchanikēsmathēsēsgiatēneuresēbeltistōnthalassiōndiadromōn AT nikoloulopoulosalexandros searouteplanningusingdeeplearningtechniques |
| _version_ |
1771297316708286464 |
| spelling |
nemertes-10889-244932023-02-22T04:38:08Z Τεχνικές βαθιάς μηχανικής μάθησης για την εύρεση βέλτιστων θαλάσσιων διαδρομών Sea route planning using deep learning techniques Νικολουλόπουλος, Αλέξανδρος Nikoloulopoulos, Alexandros Σχεδιασμός θαλάσσιου ταξιδιού Δρομολόγηση σκαφών Σχεδιασμός διαδρομής Σύσταση δρομολογίου Βαθιά μηχανική μάθηση Route planning Sea route planning Sailing holiday Itineraries Deep learning LSTM Ο σχεδιασμός και η πρόταση συντομότερων διαδρομών σε χερσαίο έδαφος είναι κάτι που έχει αναλυθεί εις βάθος στην μέχρι τώρα βιβλιογραφία και θεωρείται αναπόσπαστο κομμάτι μίας έξυπνης πόλης. Είναι γνωστό ότι αλγόριθμοι όπως ο Dijkstra και ο A* χρησιμοποιούνται ευρέως για την λύση του παραπάνω προβλήματος. Αντίστοιχος όγκος έρευνας δεν φαίνεται να υπάρχει στο κομμάτι των θαλάσσιων διαδρομών καθώς δεν υπάρχουν σταθεροί «κόμβοι» ώστε να εφαρμοστούν οι παραπάνω αλγόριθμοι και φαίνεται πως ο σχεδιασμός μία θαλάσσιας διαδρομής βασίζεται περισσότερο σε δεξιότητες όπως η εμπειρία αλλά και ο τύπος του σκάφους. Συμπερασματικά ο καθορισμός των θαλάσσιων διαδρομών είναι αρκετά πιο περίπλοκος αφού ένα σκάφος μπορεί θεωρητικά να ακολουθήσει οποιαδήποτε διαδρομή μεταξύ δύο θαλάσσιων σημείων. Μέχρι στιγμής υπάρχουν υλοποιήσεις οι οποίες βασίζονται στους αλγόριθμους Dijkstra και A*, αλλά και υλοποιήσεις που βασίζονται σε γενετικούς αλγόριθμους. Οι παραπάνω προσεγγίσεις φαίνεται ότι μπορούν να εφαρμοστούν σε περιπτώσεις μεγάλων σκαφών καθώς τα μοναδικά κριτήρια είναι ο χρόνος ή η απόσταση και όχι σε μικρά σκάφη τα οποία εκτελούν ταξίδια αναψυχής(πχ ιστιοπλοϊκά) και υπάρχουν και άλλες παράμετροι εκτός του χρόνου και της κατανάλωσης καυσίμου(πχ ομορφιά τοπίου ή αποφυγή επικίνδυνων υφάλων).Για την κατασκευή και τον προσδιορισμό πλοηγήσιμων γραφημάτων τα οποία είναι πρακτικά πολύ κοντά στις πραγματικές διαδρομές των σκαφών, οι έρευνες ξεκίνησαν να χρησιμοποιούν δεδομένα από τα GPS των σκαφών, τα οποία περιέχουν συνεχείς πληροφορίες σχετικά με την θέση του σκάφους σε κάθε χρονική στιγμή. Σε αυτή την διπλωματική εργασία προτείνεται η μελέτη των AIS (Automatic Identification System) δεδομένων της Δανίας(τα οποία είναι ελεύθερα δεδομένα). Αρχικά τα δεδομένα αυτά θα επεξεργασθούν ώστε να μειωθεί ο μεγάλος όγκος τους και θα μετασχηματιστούν ώστε να αποκτήσουν νόημα. Έπειτα θα αναπαρασταθούν σε χάρτη οι πραγματικές διαδρομές που ακολούθησαν τα σκάφη αναψυχής στα χωρικά ύδατα της Δανίας. Επιπρόσθετα σε αυτή την διπλωματική εργασία προτείνεται ένα υπολογιστικό σύστημα τεχνητής νοημοσύνης το οποίο εκπαιδεύεται μέσω των AIS δεδομένων της Δανίας. Τα δεδομένα τροφοδοτούν ένα μοντέλο LSTM (Long Short Term Memory), το οποίο χρησιμοποιείται ως σύστημα συστάσεων θαλάσσιων διαδρομών για τους τουρίστες που θέλουν να επισκεφθούν την Δανία μέσω της ιστιοπλοΐας. Overland route optimization is an extensively researched topic by existing literature, being an inextricable part of a “smart city”. Dijkstra and A* are two examples of algorithms used broadly in delivering well-optimized overland routes to the audience. However, a lack of corresponding research might be observed on route optimization in sea areas due to the absence of static junctions making it impossible for algorithms to find their practical application while leading to the conclusion that the design of a sea route might predominantly derive from soft skills such as the captain’s experience and the vessel type. For these reasons, planning sea routes proves to be a lot more complex due to the variable aspect of the routes a vessel can follow between two points. As yet, there are implementations based on algorithms Dijkstra and A* as well as on genetic algorithms, which seem to be suitable for large vessel types with time and distance being the sole criteria. Nevertheless, this is not the case for smaller types of vessels e.g. pleasure crafts, where additional parameters apply – apart from time and fuel consumption, such as the beauty of a landscape or the avoidance of dangerous reefs. In order to construct and determine navigable charts which are practically very close to the actual vessel paths, research began to use data from GPS devices, containing continuous information about the vessel’s location at any point in time. This thesis proposes the research of Danish AIS (Automatic Identification System) open data, starting with mitigating the large volumes of data available and progressively transforming to meaningful data. Afterwards, the actual routes taken by pleasure crafts in Danish territorial waters will be illustrated on a map. Eventually, this thesis will look to propose an artificial intelligence computing system trained by the Danish AIS data. This data will feed an LSTM (Long Short Term Memory) model which aims to operate as a system providing sea route recommendations for tourists planning to visit Denmark through sailing. 2023-02-21T06:52:24Z 2023-02-21T06:52:24Z 2023-02-17 https://hdl.handle.net/10889/24493 el application/octet-stream application/pdf |
