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
| datacite.contributor.Supervisor | Σιούτας, Σπυρίδων | |
| dc.contributor.author | Κουτής, Γεώργιος | |
| dc.contributor.other | Koutis, Georgios | |
| dc.date.accessioned | 2025-10-23T10:46:04Z | |
| dc.date.available | 2025-10-23T10:46:04Z | |
| dc.date.issued | 2025-10-22 | |
| dc.degree | graduateThesis | |
| dc.description.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. | |
| dc.description.translatedabstract | This thesis holistically examines how smart cities can leverage data from the Internet of-Things (IoT) and machine learning models to optimize traffic flow and manage parking-effectively, starting from the pressure that urbanization creates on infrastructure and extending to-the design and evaluation of specific solutions under real-world conditions. It sets the theoretical-framework of smart cities and highlights that technological innovation, when combined with a-unified data architecture and proactive intelligence, can substantially enhance the functionality-and sustainability of the urban environment. The introductory assessment explicitly underlines-the need to shift from reactive to proactive interventions: early detection of emerging problems-before they develop into congestion or service failure, through data integration and intelligent-forecasting. The study of the current situation shows that traffic and parking critically affect quality of-life, with congestion and the difficulty of finding parking space multiplying both operational and-environmental costs. Strengthening public transportation is necessary but not sufficient without-rational parking management and dynamic interventions in the road network. The central-problem identified is fragmentation: static timetables, systems that do not “communicate” with-each other, insufficient exploitation of existing data, and limited sensor maintenance—factors-that intensify errors and weaken timely decision-making; hence, the explicit focus of this work-on proactive intelligence and unified management. The scientific background of machine learning is presented in a way that bridges theory-and practice: models such as LSTM, CNN, and Random Forest are trained with historical and-real-time sensor data to predict traffic congestion and parking availability, aiming for high-accuracy and operational usefulness. | |
| dc.identifier.uri | https://hdl.handle.net/10889/30831 | |
| dc.language.iso | el | |
| dc.rights | Attribution-NonCommercial-ShareAlike 3.0 Greece | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/3.0/gr/ | |
| dc.subject | Έξυπνες πόλεις | |
| dc.subject | Διαδίκτυο των πραγμάτων | |
| dc.subject | Μηχανική μάθηση | |
| dc.subject | Κυκλοφοριακή ροή | |
| dc.subject | Έξυπνη στάθμευση | |
| dc.subject.alternative | Smart cities | |
| dc.subject.alternative | Internet of things | |
| dc.subject.alternative | Machine learning | |
| dc.subject.alternative | Traffic flow | |
| dc.subject.alternative | Smart parking | |
| dc.title | 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 | |
| dc.title.alternative | Development and implementation of a machine learning model for optimizing traffic flow and smart parking management in smart city environments using iot data |