Εφαρμογή επεξεργασίας, ανάλυσης και πρόβλεψης βασισμένη σε μεγάλα δεδομένα έξυπνων πόλεων
Loading...
Date
2026-07-08
Authors
Σταθούλιας, Κωνσταντίνος
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Η ανάγκη για αντίληψη του αστικού περιβάλλοντος των έξυπνων πόλεων έχει οδηγήσει στην ανάπτυξη δικτύων αισθητήρων και μηχανισμών συλλογής δεδομένων πραγματικού χρόνου. Η κατάλληλη διαχείριση αυτών των δεδομένων και η εξαγωγή αξιόπιστων προβλέψεων συμβάλλουν στην καλύτερη λήψη αποφάσεων και στη βελτίωση της βιωσιμότητας ενός συνόλου έξυπνων πόλεων. Τα δεδομένα που συλλέχθησαν προέρχονται από το χώροδεδομένων του έργου «Smart Interconnected Cities for Greece 2.0», και συγκεκριμένα από έξι API τερματικά. Στα τερματικά αυτά, από τη στιγμή που έχει πραγματοποιηθεί ενημέρωση για τις διαθέσιμες υπηρεσίες από ένα Metadata Broker, αποστέλλονταν HTTP αιτήματα και τα δεδομένα λαμβάνονταν ως αποκρίσεις που ακολουθούν το πρότυπο NGSI-LD. Έπειτα, τα δεδομένα που συλλέχθησαν, αφού έχουν αποθηκευτεί σε μια κεντρική αποθήκη δεδομένων, υφίστανται κάποιες διαδικασίες επεξεργασίας, ώστε οι χρονοσειρές να έχουν κατάλληλη μορφή να εισαχθούν στα μοντέλα πρόβλεψης. Πέρα από την διαχείριση επεξεργασμένων συνόλων δεδομένων που βασίζονται σε παρατηρήσεις πραγματικού χρόνου, μέσα από την εργασία επιτυγχάνονται η αξιολόγηση δημοφιλών μοντέλων πρόβλεψης και ο ασφαλής διαμοιρασμός δεδομένων σε εξωτερικούς χρήστες. Συγκεκριμένα, τα μοντέλα, βάσει των πληροφοριών που έχουν συλλεχθεί και με χρήση τεχνικών Μηχανικής Χαρακτηριστικών, εκπαιδεύονται ανά χρονοσειρά. Όταν τα μοντέλα πρόβλεψης αποτυπώσουν την εποχικότητα και την τάση της εκάστοτε χρονοσειράς, εξάγονται οι αναπαραστάσεις επεξεργασμένων και προβλεπόμενων τιμών για την αξιολόγησή τους και δημοσιεύονται τα επεξεργασμένα δεδομένα. Η αξιολόγηση βασίζεται στον υπολογισμό της μετρικής του συμμετρικού μέσου απόλυτου ποσοστιαίου σφάλματος sMAPE, κατάλληλη για χρονοσειρές που εκφράζουν διαφορετικά μεγέθη. Τα μοντέλα που τίθενται προς αξιολόγηση είναι τα στατιστικά μοντέλα SARIMAX, Holt-Winters’ και Meta Prophet, καθώς και τα μοντέλα μηχανικής μάθησης XGBoost, GRU και Google TimesFM. Από τα αποτελέσματα έχει προκύψει ότι τα μοντέλα μηχανικής μάθησης είναι πιο αποδοτικά από τα στατιστικά μοντέλα.
Description
Keywords
Διασυνδεδεμένες έξυπνες πόλεις, Χώρος δεδομένων, Αποθήκες δεδομένων, Μηχανική χαρακτηριστικών