{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3419464"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3419464","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Machine learning and classification of transport mode choice using Python","abstract":"Τα 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.","abstract_html":"Τα 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.","abstract_has_math":false,"creators":["Μελαχροινός Μάριος","Melachroinos Marios"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2024,"date_issued":"2024","date_published":"2024","updated_at":"2026-11-19T06:30:29Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3419464"],"render_values":[{"text":"uoadl:3419464","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3419464","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3419464","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A3419464","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Μελαχροινός Μάριος","Melachroinos Marios"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2024"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3419464","https://pergamos.lib.uoa.gr/uoa/dl/object/3419464"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Τα 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.","Urban transportation systems play a pivotal role in shaping modern cities, influencing economic productivity and environmental sustainability. As cities grapple with expanding populations and evolving transportation options, understanding the dynamics behind individuals' mode choices becomes crucial. This thesis navigates the intersection of urban mobility and data science, employing machine learning and Python programming to classify transport mode choices. While traditional methods rely on statistical analyses, machine learning offers a good alternative, by enhancing accuracy through vast dataset analysis. The research focuses on two distinct cases: Thessaloniki, Greece, and the Netherlands. Thessaloniki serves as a case study on how residents commute to their workplace (or university for students) using survey data. Four models – Decision Tree, Random Forest, XGBoost, and a Stacked model – were employed, initially trained with 19 features and later with the most important features. Results indicate that Random Forest and XGBoost exhibit superior performance, with Distance and Time emerging as critical features. In the Netherlands, the study analyses the trips of residents throughout the country, leveraging a large dataset from the Bureau of Statistics. Undersampling and oversampling techniques address class imbalances in the dataset, which consists of about 817126 trips and 19 features. Logistic Regression, Decision Tree, Random Forest, and XGBoost models were applied, considering metrics suitable for imbalanced datasets. Results show that XGBoost and Random Forest consistently outperform Logistic Regression and Decision Tree, emphasizing the significance of Distance, Duration, Age, Car Ownership, and trip motives. This research contributes valuable insights into predicting transport mode choices, acknowledging the limitations inherent in the specificity of models to contexts. The findings highlight the need for an effective and efficient approach to address diverse urban scenarios, laying the groundwork for future research endeavours in the dynamic field of urban mobility and machine learning applications."]},{"key":"dc:title","label":"Title","values":["Machine learning and classification of transport mode choice using Python"]}]}],"canonical_facts":{"dc:creator":["Μελαχροινός Μάριος","Melachroinos Marios"],"dc:date":["2024"],"dc:description":["Τα 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.","Urban transportation systems play a pivotal role in shaping modern cities, influencing economic productivity and environmental sustainability. As cities grapple with expanding populations and evolving transportation options, understanding the dynamics behind individuals' mode choices becomes crucial. This thesis navigates the intersection of urban mobility and data science, employing machine learning and Python programming to classify transport mode choices. While traditional methods rely on statistical analyses, machine learning offers a good alternative, by enhancing accuracy through vast dataset analysis. The research focuses on two distinct cases: Thessaloniki, Greece, and the Netherlands. Thessaloniki serves as a case study on how residents commute to their workplace (or university for students) using survey data. Four models – Decision Tree, Random Forest, XGBoost, and a Stacked model – were employed, initially trained with 19 features and later with the most important features. Results indicate that Random Forest and XGBoost exhibit superior performance, with Distance and Time emerging as critical features. In the Netherlands, the study analyses the trips of residents throughout the country, leveraging a large dataset from the Bureau of Statistics. Undersampling and oversampling techniques address class imbalances in the dataset, which consists of about 817126 trips and 19 features. Logistic Regression, Decision Tree, Random Forest, and XGBoost models were applied, considering metrics suitable for imbalanced datasets. Results show that XGBoost and Random Forest consistently outperform Logistic Regression and Decision Tree, emphasizing the significance of Distance, Duration, Age, Car Ownership, and trip motives. This research contributes valuable insights into predicting transport mode choices, acknowledging the limitations inherent in the specificity of models to contexts. The findings highlight the need for an effective and efficient approach to address diverse urban scenarios, laying the groundwork for future research endeavours in the dynamic field of urban mobility and machine learning applications."],"dc:identifier":["uoadl:3419464","https://pergamos.lib.uoa.gr/uoa/dl/object/3419464"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Machine learning and classification of transport mode choice using Python"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:30:29Z"}