Ο κύριος στόχος της παρούσας διδακτορικής διατριβής είναι η χωρική ανάλυση συχνοτήτων απότομων οδηγικών συμβάντων σε οδικά τμήματα με χρήση πολυπαραμετρικών δεδομένων, ήτοι (i) δεδομένα υψηλής ανάλυσης οδηγικής συμπεριφοράς υπό πραγματικές συνθήκες από αισθητήρες έξυπνων κινητών τηλεφώνων, (ii) γεωμετρία οδικών τμημάτων και χαρακτηριστικά οδικού δικτύου από ψηφιακούς χάρτες και (iii) δεδομένα κυκλοφορίας υψηλής ανάλυσης. Για αυτό το σκοπό, συλλέχθηκαν δεδομένα οδήγησης υπό πραγματικές συνθήκες μέσω μιας καινοτόμου εφαρμογής έξυπνων κινητών τηλεφώνων, δεδομένα από λεπτομερείς ψηφιακούς χάρτες καθώς και δεδομένα κυκλοφορίας. Τα δεδομένα υποβλήθηκαν σε επεξεργασία μέσω εξειδικευμένων χωρικών αλγορίθμων οι οποίοι εκέλεσαν κρίσιμες λειτουργίες όπως ο υπολογισμός πρόσθετων γεωμετρικών χαρακτηριστικών, η συγχώνευση βάσεων δεδομένων και η αντιστοίχιση οδηγικών και κυκλοφοριακών δεδομένων σε οδικά τμήματα. Προέκυψαν πλούσιες βάσεις χωρικών δεδομένων με βάση τις οποίες υπολογίστηκαν ολικοί και τοπικοί συντελεστές I του Moran και βαριογράμματα (variograms) συγχωνευμένα και ανά κατεύθυνση. Πραγματοποιήθηκαν χωρικές αναλύσεις ανά οδικό τμήμα σε δύο παράλληλους άξονες: (i) Ανάπτυξη μοντέλων πρόβλεψης απότομων συμβάντων σε περιοχή δοκιμής αστικού οδικού δικτύου, με σκοπό την μεταφορά τους σε περιοχή ελέγχου και την αξιολόγηση της προβλεπτικής τους ικανότητας και (ii) Ανάπτυξη μοντέλων εμβαθυμένης επεξήγησης απότομων συμβάντων, με συμπερίληψη της οδηγικής συμπεριφοράς και της κυκλοφορίας, τα οποία αναπτύχθηκαν σε περιοχή αστικής λεωφόρου ανά κατάσταση κυκλοφορίας. Σκοπός ήταν να διερευνηθούν επιπλέον υποκείμενες στατιστικές συσχετίσεις για την περαιτέρω κατανόηση των φαινομένων των απότομων επιταχύνσεων και επιβραδύνσεων. Συγκεκριμένα, αναπτύχθηκαν μοντέλα Γεωγραφικά Σταθμισμένης Παλινδρόμησης Poisson (Geographically Weighted Poisson Regression – GWPR), μοντέλα Μπευζιανής Υπό Όρους Αυτοπαλινδρόμησης (Bayesian Conditional Autoregressive Prior – CAR), καθώς και αλγόριθμοι Ραγδαίας Βελτιστοποίησης Συναρτήσεων Απωλειών με τυχαία επικύρωση (Random Cross-validation Extreme Gradient Boosting – RCV-XGBoost) και με χωρική επικύρωση (Spatial Cross-validation Extreme Gradient Boosting – SPCV-XGBoost).
Το έργο συγχρηματοδοτείται από την Ελλάδα και την Ευρωπαϊκή Ένωση (Ευρωπαϊκό Κοινωνικό Ταμείο) μέσω του Επιχειρησιακού Προγράμματος «Ανάπτυξη Ανθρώπινου Δυναμικού, Εκπαίδευση και Διά Βίου Μάθηση», στο πλαίσιο της Πράξης «Ενίσχυση του ανθρώπινου ερευνητικού δυναμικού μέσω της υλοποίησης διδακτορικής έρευνας» (MIS-5000432), που υλοποιεί το Ίδρυμα Κρατικών Υποτροφιών (ΙΚΥ).
| ID | at6 |
| Full Text | |
| Tags |
