Ανάλυση χρονοσειρών με μεθόδους μηχανικής μάθησης
Loading...
Date
2025-06-26
Authors
Τσιάρα, Ξανθή
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Οι σύγχρονες εξελίξεις στην αυτοκινητοβιομηχανία και την τηλεματική έχουν φέρει στο προ-σκήνιο την πληθώρα δεδομένων οδήγησης που καταγράφονται σε πραγματικό χρόνο από ταεσωτερικά συστήματα των οχημάτων. Η ευρεία διαθέσιμότητα χρονοσειρών όπως η επιτάχυν-ση, η θέση του πεντάλ επιτάχυνσης, η ένδειξη λειτουργίας πέδησης, η κινητήρια ροπή και οιταχύτητες τροχών, δημιουργεί νέες δυνατότητες για την ανάλυση και κατανόηση της οδηγι-κής συμπεριφοράς. Παράλληλα, η ταχύτατη πρόοδος στους αλγορίθμους μηχανικής μάθησης,ιδιαίτερα στις αρχιτεκτονικές βαθιάς μάθησης, ενισχύει την ικανότητα επεξεργασίας και ε-ξαγωγής πληροφορίας από πολυδιάστατα και θορυβώδη σήματα. Ωστόσο, οι παραδοσιακέςμέθοδοι που στηρίζονται σε σταθερά όρια επιτάχυνσης ή πίεσης φρένου δεν επαρκούν για τηναντιμετώπιση συνθηκών όπως ανηφόρες και κατηφόρες ή για την αξιόπιστη διάκριση συμ-
βάντων διαφορετικής διάρκειας. Ταυτόχρονα, η ανάγκη για αντικειμενική αξιολόγηση του κινδύνου στο πλαίσιο ασφαλιστικών προϊόντων «pay-how-you-drive» και η ανάπτυξη εξελιγ-μένων συστημάτων υποβοήθησης οδήγησης καθιστούν επιτακτική την υιοθέτηση μεθόδωνπου δεν εξαρτώνται από αυθαίρετα thresholds, αλλά αξιοποιούν πλήρως την πληροφορία τωνχρονοσειρών μέσα από αυτοματοποιημένα, μη-εποπτευόμενα πρωτόκολλα ανάλυσης. Η παρούσα διπλωματική εργασία στοχεύει στην αυτόματη και αποδοτική διάκριση ανάμε-σα σε γεγονότα επιτάχυνσης και πέδησης σε τηλεμετρικά δεδομένα οχημάτων. Στην πρώτημεθοδολογία, τα αλληλοεπικαλυπτόμενα παράθυρα των 10 s (βήμα 1 s) τροφοδοτούνται απευ-θείας σε Variational Autoencoder, το οποίο «ψυχρά» προ-εκπαιδεύεται σε Dirichlet ProcessGaussian Mixture Model για να αποκτήσει ουσιαστικές αρχικές πιθανότητες. Στη συνέχεια,στο λανθάνον χώρο του VAE εκτελείται clustering με το ίδιο DP-GMM και οι ετικέτες α-νατίθενται σε κάθε παράθυρο βάσει μέγιστης πιθανοφάνειας. Στη δεύτερη μεθοδολογία, ταίδια παράθυρα πρώτα ευθυγραμμίζονται με Dynamic Time Warping ώστε να εξαλειφθούνχρονικές παραμορφώσεις, μειώνονται διαστάσεις από 20 σε 5 με PCA και, τέλος, ομαδοποιο-ύνται με K-Means. Η επιτυχία του πειράματος κρίνεται από την καθαρότητα του clustering,ποσοτικά με δείκτες Silhouette, Calinski–Harabasz και Davies–Bouldin, οπτικά μέσω t-SNE και με έξτρα στατστικούς ελέγχους όπως (count, mean, std, min, max), Levene test,Kruskal–Wallis, Dunn test, Epsilon-squared. Καταλήγουμε πως ο VAE με DP-GMM είναικαλύτερος δεδομένου πως καταφέρνει απο μόνο του να βγάλει πόσοι clusters είναι σημαντι-κοί για την αποδοτική διάκριση ανάμεσα σε γεγονότα επιτάχυνσης-επιβράδυνσης, με τους στατιστικούς ελέγχους να βοηθάνε να δούμε πληροφορίες για το κάθε cluster.
Description
Keywords
Χρονοσειρές, Μηχανική μάθηση, Συσταδοποίηση