{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5461989"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5461989","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Πολυταξική ταξινόμηση τύπου πλοίου από AIS trajectory segments με μηχανική μάθηση","abstract":"Αντικείμενο της εργασίας αποτελεί η αυτόματη ταξινόμηση τύπων πλοίου με χρήση δεδομένων τα οποία πηγάζουν από Αυτόματο Σύστημα Αναγνώρισης πλοίων (AIS) και εστιασμένη στη χρήση αλγορίθμων μηχανικής μάθησης. Εφαλτήριο αποτελεί ένα δημόσια διαθέσιμο σύνολο δεδομένων το οποίο φιλοξενείται στο Kaggle. Το συγκεκριμένο σύνολο δεδομένων πραγματεύεται την δημιουργία segments, δηλαδή ένα κινηματικό τμήμα της τροχιάς του πλοίου, από δεδομένα AIS. Το σύνολο δεδομένων έχει εμπλουτιστεί με χαρακτηριστικά που εξάγονται μέσω του αλγορίθμου Interacting Multiple Model (IMM) από τους δημιουργούς του και αποτελεί μια σύγχρονη και καινοτόμα προσέγγιση. Το πρόβλημα αντιμετωπίζεται ως πολυταξική ταξινόμηση 16 κατηγοριών πλοίου, έχοντας έντονα τα φαινόμενα της ανισορροπίας των κλάσεων και της συμόρφωσης με αυστηρό πρωτόκολλο αξιολόγησης που αποτρέπει την διαρροή πληροφορίας. Η πειραματική διαδικασία ολοκληρώνεται σε τέσσερα στάδια: Baseline μοντέλα, βελτιστοποίηση υπερπαραμέτρων των μοντέλων, αντιμετώπιση ανισορροπίας, και συνδυαστικές μέθοδοι ensemble. Οι αλγόριθμοι που αξιολογήθηκαν: Random Forest, XGBoost, LightGBM, CatBoost, Naive Bayes και MLP με κύρια μετρική το Macro-F1 Score. Τα αποτελέσματα αναδεικνύουν οτι οι δενδρο-βασισμένοι αλγόριθμοι υπερτερούν σε αυτό το είδος δεδομένων, με την κύρια πρόκληση να εντοπίζεται στις σπάνιες κατηγορίες πλοίων οι οποίες έχουν λιγοστά δείγματα. Η συμβολή της εργασίας απαρτίζεται από την συστηματική σύγκριση μεθόδων μηχανικής μάθησης και αντιμετώπισης ανισορροπίας. Σε κάθε περίπτωση τα πειράματα εκτελέστηκαν υπό κοινό αξιόπιστο πρωτόκολλο αξιολόγησης, αναδύκνυοντας την ίδια στιγμή τους περιορισμούς και τις προοπτικές της πολυταξικής ταξινόμησης πλοίων από κινηματικά AIS δεδομένα.","abstract_html":"Αντικείμενο της εργασίας αποτελεί η αυτόματη ταξινόμηση τύπων πλοίου με χρήση δεδομένων τα οποία πηγάζουν από Αυτόματο Σύστημα Αναγνώρισης πλοίων (AIS) και εστιασμένη στη χρήση αλγορίθμων μηχανικής μάθησης. Εφαλτήριο αποτελεί ένα δημόσια διαθέσιμο σύνολο δεδομένων το οποίο φιλοξενείται στο Kaggle. Το συγκεκριμένο σύνολο δεδομένων πραγματεύεται την δημιουργία segments, δηλαδή ένα κινηματικό τμήμα της τροχιάς του πλοίου, από δεδομένα AIS. Το σύνολο δεδομένων έχει εμπλουτιστεί με χαρακτηριστικά που εξάγονται μέσω του αλγορίθμου Interacting Multiple Model (IMM) από τους δημιουργούς του και αποτελεί μια σύγχρονη και καινοτόμα προσέγγιση. Το πρόβλημα αντιμετωπίζεται ως πολυταξική ταξινόμηση 16 κατηγοριών πλοίου, έχοντας έντονα τα φαινόμενα της ανισορροπίας των κλάσεων και της συμόρφωσης με αυστηρό πρωτόκολλο αξιολόγησης που αποτρέπει την διαρροή πληροφορίας. Η πειραματική διαδικασία ολοκληρώνεται σε τέσσερα στάδια: Baseline μοντέλα, βελτιστοποίηση υπερπαραμέτρων των μοντέλων, αντιμετώπιση ανισορροπίας, και συνδυαστικές μέθοδοι ensemble. Οι αλγόριθμοι που αξιολογήθηκαν: Random Forest, XGBoost, LightGBM, CatBoost, Naive Bayes και MLP με κύρια μετρική το Macro-F1 Score. Τα αποτελέσματα αναδεικνύουν οτι οι δενδρο-βασισμένοι αλγόριθμοι υπερτερούν σε αυτό το είδος δεδομένων, με την κύρια πρόκληση να εντοπίζεται στις σπάνιες κατηγορίες πλοίων οι οποίες έχουν λιγοστά δείγματα. Η συμβολή της εργασίας απαρτίζεται από την συστηματική σύγκριση μεθόδων μηχανικής μάθησης και αντιμετώπισης ανισορροπίας. Σε κάθε περίπτωση τα πειράματα εκτελέστηκαν υπό κοινό αξιόπιστο πρωτόκολλο αξιολόγησης, αναδύκνυοντας την ίδια στιγμή τους περιορισμούς και τις προοπτικές της πολυταξικής ταξινόμησης πλοίων από κινηματικά AIS δεδομένα.","abstract_has_math":false,"creators":["ΚΟΚΚΑΛΑΡΑΣ ΣΤΕΡΓΙΟΣ","KOKKALARAS STERGIOS"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-11-19T05:21:17Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5461989"],"render_values":[{"text":"uoadl:5461989","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5461989","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5461989","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%3A5461989","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΚΟΚΚΑΛΑΡΑΣ ΣΤΕΡΓΙΟΣ","KOKKALARAS STERGIOS"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2026"]},{"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":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5461989","https://pergamos.lib.uoa.gr/uoa/dl/object/5461989"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Αντικείμενο της εργασίας αποτελεί η αυτόματη ταξινόμηση τύπων πλοίου με χρήση δεδομένων τα οποία πηγάζουν από Αυτόματο Σύστημα Αναγνώρισης πλοίων (AIS) και εστιασμένη στη χρήση αλγορίθμων μηχανικής μάθησης. Εφαλτήριο αποτελεί ένα δημόσια διαθέσιμο σύνολο δεδομένων το οποίο φιλοξενείται στο Kaggle. Το συγκεκριμένο σύνολο δεδομένων πραγματεύεται την δημιουργία segments, δηλαδή ένα κινηματικό τμήμα της τροχιάς του πλοίου, από δεδομένα AIS. Το σύνολο δεδομένων έχει εμπλουτιστεί με χαρακτηριστικά που εξάγονται μέσω του αλγορίθμου Interacting Multiple Model (IMM) από τους δημιουργούς του και αποτελεί μια σύγχρονη και καινοτόμα προσέγγιση. Το πρόβλημα αντιμετωπίζεται ως πολυταξική ταξινόμηση 16 κατηγοριών πλοίου, έχοντας έντονα τα φαινόμενα της ανισορροπίας των κλάσεων και της συμόρφωσης με αυστηρό πρωτόκολλο αξιολόγησης που αποτρέπει την διαρροή πληροφορίας. Η πειραματική διαδικασία ολοκληρώνεται σε τέσσερα στάδια: Baseline μοντέλα, βελτιστοποίηση υπερπαραμέτρων των μοντέλων, αντιμετώπιση ανισορροπίας, και συνδυαστικές μέθοδοι ensemble. Οι αλγόριθμοι που αξιολογήθηκαν: Random Forest, XGBoost, LightGBM, CatBoost, Naive Bayes και MLP με κύρια μετρική το Macro-F1 Score. Τα αποτελέσματα αναδεικνύουν οτι οι δενδρο-βασισμένοι αλγόριθμοι υπερτερούν σε αυτό το είδος δεδομένων, με την κύρια πρόκληση να εντοπίζεται στις σπάνιες κατηγορίες πλοίων οι οποίες έχουν λιγοστά δείγματα. Η συμβολή της εργασίας απαρτίζεται από την συστηματική σύγκριση μεθόδων μηχανικής μάθησης και αντιμετώπισης ανισορροπίας. Σε κάθε περίπτωση τα πειράματα εκτελέστηκαν υπό κοινό αξιόπιστο πρωτόκολλο αξιολόγησης, αναδύκνυοντας την ίδια στιγμή τους περιορισμούς και τις προοπτικές της πολυταξικής ταξινόμησης πλοίων από κινηματικά AIS δεδομένα.","The subject of this thesis is the automatic classification of ship types using data derived from the Automatic Identification System (AIS), with a focus on the use of machine learning algorithms. The starting point is a publicly available dataset hosted on Kaggle. This particular dataset deals with the creation of segments, that is, a kinematic portion of a ship’s trajectory, from AIS data. The dataset has been enriched with features extracted through the Interacting Multiple Model (IMM) algorithm by its creators and represents a modern and innovative approach. The problem is treated as a multi-class classification of 16 ship categories, with strong manifestations of class imbalance and compliance with a strict evaluation protocol that prevents information leakage. The experimental process is completed in four stages: Baseline models, hyperparameter tuning, class imbalance handling, and ensemble combination methods. The algorithms evaluated were: Random Forest, XGBoost, LightGBM, CatBoost, Naive Bayes and MLP, with Macro F1-score as the primary metric. Results show that tree-based algorithms outperform others on this type of data, with the main challenge identified in rare ship categories which have very few samples. The contribution of the thesis consists of a systematic comparison of machine learning methods and imbalance handling techniques. In all cases, experiments were conducted under a common reliable evaluation protocol, while at the same time revealing the limitations and prospects of multi-class ship type classification from kinematic AIS data."]},{"key":"dc:title","label":"Title","values":["Πολυταξική ταξινόμηση τύπου πλοίου από AIS trajectory segments με μηχανική μάθηση"]}]}],"canonical_facts":{"dc:creator":["ΚΟΚΚΑΛΑΡΑΣ ΣΤΕΡΓΙΟΣ","KOKKALARAS STERGIOS"],"dc:date":["2026"],"dc:description":["Αντικείμενο της εργασίας αποτελεί η αυτόματη ταξινόμηση τύπων πλοίου με χρήση δεδομένων τα οποία πηγάζουν από Αυτόματο Σύστημα Αναγνώρισης πλοίων (AIS) και εστιασμένη στη χρήση αλγορίθμων μηχανικής μάθησης. Εφαλτήριο αποτελεί ένα δημόσια διαθέσιμο σύνολο δεδομένων το οποίο φιλοξενείται στο Kaggle. Το συγκεκριμένο σύνολο δεδομένων πραγματεύεται την δημιουργία segments, δηλαδή ένα κινηματικό τμήμα της τροχιάς του πλοίου, από δεδομένα AIS. Το σύνολο δεδομένων έχει εμπλουτιστεί με χαρακτηριστικά που εξάγονται μέσω του αλγορίθμου Interacting Multiple Model (IMM) από τους δημιουργούς του και αποτελεί μια σύγχρονη και καινοτόμα προσέγγιση. Το πρόβλημα αντιμετωπίζεται ως πολυταξική ταξινόμηση 16 κατηγοριών πλοίου, έχοντας έντονα τα φαινόμενα της ανισορροπίας των κλάσεων και της συμόρφωσης με αυστηρό πρωτόκολλο αξιολόγησης που αποτρέπει την διαρροή πληροφορίας. Η πειραματική διαδικασία ολοκληρώνεται σε τέσσερα στάδια: Baseline μοντέλα, βελτιστοποίηση υπερπαραμέτρων των μοντέλων, αντιμετώπιση ανισορροπίας, και συνδυαστικές μέθοδοι ensemble. Οι αλγόριθμοι που αξιολογήθηκαν: Random Forest, XGBoost, LightGBM, CatBoost, Naive Bayes και MLP με κύρια μετρική το Macro-F1 Score. Τα αποτελέσματα αναδεικνύουν οτι οι δενδρο-βασισμένοι αλγόριθμοι υπερτερούν σε αυτό το είδος δεδομένων, με την κύρια πρόκληση να εντοπίζεται στις σπάνιες κατηγορίες πλοίων οι οποίες έχουν λιγοστά δείγματα. Η συμβολή της εργασίας απαρτίζεται από την συστηματική σύγκριση μεθόδων μηχανικής μάθησης και αντιμετώπισης ανισορροπίας. Σε κάθε περίπτωση τα πειράματα εκτελέστηκαν υπό κοινό αξιόπιστο πρωτόκολλο αξιολόγησης, αναδύκνυοντας την ίδια στιγμή τους περιορισμούς και τις προοπτικές της πολυταξικής ταξινόμησης πλοίων από κινηματικά AIS δεδομένα.","The subject of this thesis is the automatic classification of ship types using data derived from the Automatic Identification System (AIS), with a focus on the use of machine learning algorithms. The starting point is a publicly available dataset hosted on Kaggle. This particular dataset deals with the creation of segments, that is, a kinematic portion of a ship’s trajectory, from AIS data. The dataset has been enriched with features extracted through the Interacting Multiple Model (IMM) algorithm by its creators and represents a modern and innovative approach. The problem is treated as a multi-class classification of 16 ship categories, with strong manifestations of class imbalance and compliance with a strict evaluation protocol that prevents information leakage. The experimental process is completed in four stages: Baseline models, hyperparameter tuning, class imbalance handling, and ensemble combination methods. The algorithms evaluated were: Random Forest, XGBoost, LightGBM, CatBoost, Naive Bayes and MLP, with Macro F1-score as the primary metric. Results show that tree-based algorithms outperform others on this type of data, with the main challenge identified in rare ship categories which have very few samples. The contribution of the thesis consists of a systematic comparison of machine learning methods and imbalance handling techniques. In all cases, experiments were conducted under a common reliable evaluation protocol, while at the same time revealing the limitations and prospects of multi-class ship type classification from kinematic AIS data."],"dc:identifier":["uoadl:5461989","https://pergamos.lib.uoa.gr/uoa/dl/object/5461989"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Πολυταξική ταξινόμηση τύπου πλοίου από AIS trajectory segments με μηχανική μάθηση"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:21:17Z"}