PHD22387001
Θέμα Διδακτορικής Διατριβής: Χωρο-Χρονική πρόβλεψη με την χρήση Βαθιάς Μάθησης / Spatio-Temporal Prediction using Deep Learning
Επιβλέπων: Πατρικάκης Χαράλαμπος Καθηγητής Τμήμα ΗΗΜ, ΠΑΔΑ.
Μέλη: Παπαδόπουλος Περικλής Καθηγητής, Τμήμα ΗΗΜ, ΠΑΔΑ. Λελίγκου Ελένη-Αικατερίνη Αν.Καθηγήτρια, Τμήμα Βιομηχανικής Σχεδίασης και Παραγωγής, ΠΑΔΑ.
Περίληψη:
Η ραγδαία εξέλιξη της τεχνολογίας και η αυξημένη χρήση πληροφοριακών συστημάτων οδήγησε στην δημιουργία και συλλογή χωροχρονικών δεδομένων όπως για παράδειγμα δεδομένα κυκλοφορίας, εγκληματικότητας και σεισμικής δραστηριότητας. Χαρακτηριστικό του εν λόγω τύπου δεδομένων είναι ότι περιλαμβάνουν μοτίβα τα οποία είναι δύσκολο να εντοπιστούν με συμβατικούς τρόπους ανάλυσης, προκειμένου εξαχθούν συμπεράσματα και προβλέψεις. Αντίθετα έχει διαπιστωθεί ότι εργαλεία τεχνητής νοημοσύνης και συγκεκριμένα βαθιάς μάθησης, παρουσιάζουν ικανοποιητικά αποτελέσματα, όσον αφορά την ικανότητά τους να αντιλαμβάνονται συσχετίσεις υψηλού επιπέδου σε χωροχρονικά ιστορικά δεδομένα. Σε περιπτώσεις πρόβλεψης όπου η πολυπλοκότητα και το πλήθος των πρωτογενών χωροχρονικών δεδομένων είναι μεγάλη, όπως για παράδειγμα η χωροχρονική πρόβλεψη του εγκλήματος, η πρόβλεψη της κυκλοφορίας, η πρόβλεψη εξέλιξης πανδημίας, η ακόμα και η αναγνώριση της ανθρώπινης δραστηριότητας, μοντέλα βαθιάς μάθησης παρουσιάζουν ικανοποιητική ακρίβεια στα αποτελέσματά τους. Παρόλα αυτά η αποτελεσματικότητα των εν λόγω μοντέλων εξαρτάται μεταξύ άλλων σε σημαντικό βαθμό από την αρχιτεκτονική τους καθώς και την δομή των δεδομένων με τα οποία εκπαιδεύονται. Με βάση τα παραπάνω, Αντικείμενο της προτεινόμενης έρευνας αποτελεί η ανάπτυξη, δοκιμή και αξιολόγηση αλγορίθμων βαθιάς μάθησης σε διαφορετικά σύνολα χωροχρονικών δεδομένων με σκοπό την δημιουργία καινοτόμων εργαλείων πρόβλεψης χωροχρονικά μεταβαλλόμενων τιμών. Αυτό θα επιτευχθεί μέσω:
- Της κριτικής επισκόπησης της υφιστάμενης κατάστασης γύρω από την εφαρμογή τεχνικών βαθιάς μάθησης σε χωροχρονικά σύνολα δεδομένων.
- Του σχεδιασμού και της ανάπτυξης νέων χωροχρονικών εργαλείων βαθιάς μάθησης για την χωροχρονική πρόβλεψη.
- Της δοκιμής και αξιολόγησης των εργαλείων που θα αναπτυχθούν.
Abstract:
The rapid development of technology and the increased use of information systems has led to the creation and collection of spatio-temporal data such as traffic, crime and seismic activity data. A characteristic of this type of data is that it includes patterns that are difficult to identify with conventional ways of analysis, in order to draw conclusions and predictions. On the contrary, it has been found that artificial intelligence tools, specifically deep learning, show satisfactory results, in terms of their ability to perceive high-level correlations in spatio-temporal historical data. In cases of prediction where the complexity and amount of primary spatio-temporal data is great, such as for example spatio-temporal crime prediction, traffic prediction, pandemic evolution prediction, and even human activity recognition, deep learning models show satisfactory accuracy in their results. Nevertheless, the effectiveness of these models depends, among other things, to a significant extent on their architecture as well as the structure of the data with which they are trained. Based on the above, the object of the proposed research is the development, testing and evaluation of deep learning algorithms on different sets of spatiotemporal data in order to create innovative tools for predicting spatiotemporal values. This will be achieved through:
- Critical overview of the current state of the art in applying deep learning techniques to spatiotemporal datasets.
- The design and development of new spatiotemporal deep learning tools for spatiotemporal prediction.
- Testing and evaluating the tools that will be developed.