Ταυτοποίηση οδηγού µε δεδοµένα από αισθητήρες του αυτοκινήτου και τεχνικές µηχανικής µάθησης για µοντελοποίηση ακολουθιών
| datacite.contributor.RelatedPerson | Κοσμόπουλος, Δημήτριος | |
| datacite.contributor.RelatedPerson | Χατζηδούκας, Παναγιώτης | |
| datacite.contributor.Supervisor | Μεγαλοοικονόμου, Βασίλειος | |
| dc.contributor.author | Κυριακουλόπουλος, Καλλίνικος | |
| dc.contributor.other | Kyriakoulopoulos, Kallinikos | |
| dc.date.accessioned | 2026-03-02T08:44:15Z | |
| dc.date.available | 2026-03-02T08:44:15Z | |
| dc.date.issued | 2026-02-26 | |
| dc.degree | masterThesis | |
| dc.description.abstract | Η αναγνώριση οδηγικής συµπεριφοράς για την ταυτοποίηση οδηγού αποτελεί σηµαντικό πεδίο έρευνας, µε εφαρµογές στην πρόληψη κλοπών, στην οδική ασφάλεια και στηνασφάλιση οχηµάτων. Στη διπλωµατική εργασία που εκπονήθηκε εξετάζεται η δυνατότητα αναγνώρισης οδηγού ϐάσει δεδοµένων αισθητήρων που καταγράφουν χαρακτηριστικά της οδήγησης, αξιοποιώντας τεχνικές µηχανικής µάθησης. Χρησιµοποιούνται τόσοκαθιερωµένες αρχιτεκτονικές δικτύων ϐαθιάς µάθησης, οι οποίες έχουν αποδείξει τηναποτελεσµατικότητά τους στο συγκεκριµένο πρόβληµα, όσο και νεότερες αρχιτεκτονικές ϐασισµένες σε µετασχηµατιστές (transformer-based), µε στόχο να αξιολογηθείκατά πόσο τα σύγχρονα µοντέλα υπερέχουν έναντι µεθόδων που έχουν προταθεί σεπρογενέστερες έρευνες.Η εργασία περιλαµβάνει πλήρη διαδικασία προεπεξεργασίας των δεδοµένων για την κατάλληλη προετοιµασία των εισόδων που δίνονται για την εκπαίδευση των µοντέλων, καϑώς και καθορισµένη µεθοδολογία εκπαίδευσης και αξιολόγησης των µοντέλων. Τέλοςπαρουσιάζονται αναλυτικά τα πειραµατικά αποτελέσµατα, καταγράφονται τα συµπεϱάσµατα που προκύπτουν από τη συγκριτική µελέτη των µοντέλων και προτείνονταικατευθύνσεις για µελλοντική επέκταση και ϐελτίωση της προσέγγισης. | |
| dc.description.translatedabstract | Driver behavior recognition for driver identification constitutes an important research field with applications in theft prevention, road safety, and vehicle insurance. This thesis investigates the feasibility of identifying drivers based on sensor data thatcapture characteristics of driving behavior utilizing machine learning techniques. Both established deep learning network architectures, which have demonstratedeffectiveness in this problem domain, and more recent transformer-based architectures are employed with the aim of evaluating whether modern models outperformmethods proposed in previous studies.The work includes a complete data preprocessing pipeline for the proper preparation of inputs used in model training as well as a defined methodology for modeltraining and evaluation. Finally, the experimental results are presented in detail,the conclusions derived from the comparative analysis of the models are discussedand directions for future extension and improvement of the proposed approach aresuggested. | |
| dc.identifier.uri | https://hdl.handle.net/10889/31523 | |
| dc.language.iso | el | |
| dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | |
| dc.subject | Ταυτοποίηση οδηγού | |
| dc.subject | Χρονοσειρές | |
| dc.subject | Μηχανική μάθηση | |
| dc.subject.alternative | Driver identification | |
| dc.subject.alternative | Timeseries | |
| dc.subject.alternative | Machine Learning | |
| dc.title | Ταυτοποίηση οδηγού µε δεδοµένα από αισθητήρες του αυτοκινήτου και τεχνικές µηχανικής µάθησης για µοντελοποίηση ακολουθιών | |
| dc.title.alternative | Driver identification using vehicle sensor data and machine learning techniques for sequence modeling |