Ανάπτυξη και εφαρμογή μοντέλου μηχανικής μάθησης για τη βελτιστοποίηση της ροής κυκλοφορίας και της διαχείρισης έξυπνου parking σε περιβάλλοντα έξυπνων πόλεων με χρήση δεδομένων iot
Loading...
Date
2025-10-22
Authors
Κουτής, Γεώργιος
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Η εργασία εξετάζει ολιστικά το πώς οι έξυπνες πόλεις μπορούν να αξιοποιήσουν δεδομένα-από το Διαδίκτυο των Πραγμάτων (IoT) και μοντέλα μηχανικής μάθησης για να-βελτιστοποιήσουν τη ροή της κυκλοφορίας και να διαχειριστούν αποτελεσματικά τη στάθμευση,-ξεκινώντας από την πίεση που δημιουργεί η αστικοποίηση στις υποδομές και φτάνοντας έως τη-σχεδίαση και αξιολόγηση συγκεκριμένων λύσεων σε πραγματικές συνθήκες. Θέτει το θεωρητικό-πλαίσιο των έξυπνων πόλεων και αναδεικνύει ότι η τεχνολογική καινοτομία, όταν συνδυάζεται-με ενιαία αρχιτεκτονική δεδομένων και προληπτική ευφυία, μπορεί να αναβαθμίσει ουσιωδώς τη-λειτουργικότητα και τη βιωσιμότητα του αστικού περιβάλλοντος. Στην εισαγωγική αποτίμηση-υπογραμμίζεται ρητά η ανάγκη να περνάμε από αντιδραστικές σε προληπτικές παρεμβάσεις:-έγκαιρη ανίχνευση αναδυόμενων προβλημάτων, πριν αυτά εξελιχθούν σε συμφόρηση ή-αδυναμία εξυπηρέτησης, μέσω ενοποίησης δεδομένων και ευφυών προβλέψεων.
Η μελέτη της σημερινής κατάστασης δείχνει ότι κυκλοφορία και στάθμευση επηρεάζουν-καθοριστικά την ποιότητα ζωής, με τη συμφόρηση και τη δυσχέρεια εύρεσης θέσης να-πολλαπλασιάζουν το λειτουργικό και περιβαλλοντικό κόστος. Η ενίσχυση των δημοσίων-συγκοινωνιών είναι αναγκαία, δεν αρκεί όμως χωρίς ορθολογική διαχείριση στάθμευσης και-δυναμικές παρεμβάσεις στο οδικό δίκτυο. Το κεντρικό πρόβλημα που αναδεικνύεται είναι η-αποσπασματικότητα: στατικά χρονικά προγράμματα, συστήματα που δεν «μιλούν» μεταξύ τους,-ανεπαρκής αξιοποίηση υφιστάμενων δεδομένων και περιορισμένη συντήρηση αισθητήρων, κάτι-που εντείνει τα σφάλματα και αποδυναμώνει την έγκαιρη λήψη αποφάσεων· εξ ου και η ρητή-στόχευση της εργασίας στην προληπτική ευφυΐα και στην ενιαία διαχείριση.
Το επιστημονικό υπόβαθρο της μηχανικής μάθησης παρουσιάζεται με τρόπο που-γεφυρώνει θεωρία και πράξη: μοντέλα όπως LSTM, CNN και Random Forest εκπαιδεύονται με-ιστορικά και σε πραγματικό χρόνο δεδομένα αισθητήρων για πρόβλεψη κυκλοφοριακής-συμφόρησης και διαθεσιμότητας στάθμευσης, με στόχο υψηλή ακρίβεια και επιχειρησιακή-χρησιμότητα.
Description
Keywords
Έξυπνες πόλεις, Διαδίκτυο των πραγμάτων, Μηχανική μάθηση, Κυκλοφοριακή ροή, Έξυπνη στάθμευση