National and Kapodistrian University of Athens
Machine learning and classification of transport mode choice using Python
Abstract
dc:descriptionΤα συστήματα αστικών μεταφορών διαδραματίζουν κεντρικό ρόλο στη διαμόρφωση των σύγχρονων πόλεων, επηρεάζοντας την οικονομική παραγωγικότητα και την περιβαλλοντική βιωσιμότητα. Καθώς οι πόλεις παλεύουν με τους αυξανόμενους πληθυσμούς και τις εξελισσόμενες επιλογές μεταφοράς, η κατανόηση της δυναμικής πίσω από τις επιλογές τρόπων μετακίνησης των ατόμων γίνεται κρίσιμη. Αυτή η διατριβή επικεντρώνεται στην αστική κινητικότητα και της επιστήμης δεδομένων, χρησιμοποιώντας μηχανική μάθηση και γλώσσα προγραμματισμού Python για την ταξινόμηση του τρόπου μεταφοράς. Ενώ οι παραδοσιακές μέθοδοι βασίζονται σε στατιστικές αναλύσεις, η μηχανική μάθηση προσφέρει μια καλή εναλλακτική λύση, ενισχύοντας την ακρίβεια μέσω ευρείας ανάλυσης δεδομένων. Η έρευνα επικεντρώνεται σε δύο διακριτές περιπτώσεις: τη Θεσσαλονίκη και την Ολλανδία. Η Θεσσαλονίκη χρησιμεύει ως μελέτη περίπτωσης για το πώς οι κάτοικοι μετακινούνται στον χώρο εργασίας τους η (πανεπιστήμιο για φοιτητές) χρησιμοποιώντας δεδομένα μέσω ερωτηματολογίου. Εφαρμόστηκαν τέσσερα μοντέλα ταξινόμησης: Decision Tree, Random Forest, XGBoost και Stacked model, τα οποία αρχικά εκπαιδεύτηκαν με 19 χαρακτηριστικά και αργότερα με τα πιο σημαντικά χαρακτηριστικά. Τα αποτελέσματα υποδεικνύουν ότι το Random Forest και το XGBoost παρουσιάζουν ανώτερη απόδοση, με την απόσταση και τον χρόνο να αναδεικνύονται ως τα πιο κρίσιμα χαρακτηριστικά. Στην Ολλανδία, η μελέτη αναλύει τα ταξίδια των κατοίκων σε όλη τη χώρα, αξιοποιώντας ένα μεγάλο σύνολο δεδομένων από την Στατιστική υπηρεσία της Ολλανδίας. Οι τεχνικές υποδειγματοληψίας και υπερδειγματοληψίας αντιμετωπίζουν τις ανισορροπίες κλάσεων στο σύνολο δεδομένων, το οποίο αποτελείται από περίπου 817126 διαδρομές και 19 χαρακτηριστικά. Εφαρμόστηκαν μοντέλα Logistic Regression, Decision Tree, Random Forest και XGBoost, λαμβάνοντας υπόψη μετρήσεις κατάλληλες για μη ισορροπημένα σύνολα δεδομένων. Τα αποτελέσματα δείχνουν ότι XGBoost και Random Forest ξεπερνούν σταθερά τα μοντέλα Logistic Regression και το Decision Tree, δίνοντας έμφαση στη σημασία της απόστασης, της διάρκειας, την ηλικία, της ιδιοκτησίας αυτοκινήτου καθώς και τον λόγο του ταξιδιού. Αυτή η έρευνα συνεισφέρει πολύτιμες γνώσεις για την πρόβλεψη των επιλογών του τρόπου μεταφοράς, αναγνωρίζοντας τους περιορισμούς που είναι εγγενείς στην ιδιαιτερότητα των μοντέλων στα πλαίσια. Τα ευρήματα υπογραμμίζουν την ανάγκη για μια αποτελεσματική και αποδοτική προσέγγιση για την αντιμετώπιση διαφορετικών αστικών σεναρίων, θέτοντας τις βάσεις για μελλοντικές ερευνητικές προσπάθειες στο δυναμικό πεδίο της αστικής κινητικότητας και των εφαρμογών μηχανικής μάθησης.
Author and committee
dc:creator, dc:contributor.*- Authors dc:creator
-
- Μελαχροινός Μάριος
- Melachroinos Marios
Subjects
dc:subject × 2Rights
- Language dc:language
- English
Identifiers
dc:identifier.*- Identifier
- uoadl:3419464