Μέθοδοι Ανάλυσης στην Κυκλοφοριακή Τεχνική

Περιγραφή Μαθήματος:

Στο μάθημα αναπτύσσονται προχωρημένες έννοιες ανάπτυξης μοντέλων κυκλοφοριακής ροής στο πλαίσιο ευφυών συστημάτων ελέγχου και διαχείρισης τη κυκλοφορίας. Η διδασκαλία περιλαμβάνει θέματα όπως, συστήματα ελέγχου κυκλοφορίας με χρήση ηλεκτρονικού υπολογιστή και τηλεματικής, πρότυπα ανάλυσης κυκλοφορίας κόμβων, αξόνων και δικτύων, πρότυπα προσομοίωσης της κυκλοφορίας και εφαρμογές τους, πρότυπα θεωρίας ουρών, κυκλοφοριακή ικανότητα περιοχών πλέξης, ανάλυση κυκλοφοριακής ροής. βραχυπρόθεσμη πρόβλεψη κυκλοφοριακών μεγεθών, πρότυπα μηχανικής μάθησης για πρόβλεψη κυκλοφορίας. Οι εφαρμογές αναπτύσσονται σε λογισμικό ανοιχτού κώδικα WEKA και περιβάλλον προσομοίωσης κυκλοφορίας. Το πρόγραμμα προβλέπει 4 εβδομαδιαίες ώρες θεωρίας και ασκήσεων. Στις ώρες των ασκήσεων αναπτύσσονται παραδείγματα εφαρμογών και γενικά υποστηρίζεται η κατανόηση του αντικειμένου του μαθήματος. Σημειώνεται ότι δεν υπάρχει σαφής διάκριση Θεωρίας - Ασκήσεων αφού κατά τη θεωρία δίνονται παραδείγματα ασκήσεων και κατά τις ασκήσεις λύνονται απορίες σχετικά με τη θεωρία. Οι σπουδαστές αποτελούν ένα τμήμα. Το μάθημα περιλαμβάνει 4 υποχρεωτικές ασκήσεις και προφορική εξέταση.

Απαιτούμενες Γνώσεις

Είναι προαπαιτούμενη η γνώση των βασικών κεφαλαίων κυκλοφοριακής τεχνικής που διδάσκονται στα μαθήματα Κυκλοφοριακή Ροή (7ο Εξάμηνο) και Αστικά Οδικά Δίκτυα (8ο Εξάμηνο). Είναι προαπαιτούμενη η γνώση των βασικών εννοιών στατιστικής ανάλυσης.

Κεφάλαια Μαθήματος

# Τίτλος Διδακτέα Ύλη Ώρες
1 Ευφυή Συστήματα Κυκλοφορίας Εισαγωγή. Συστήματα Ελέγχου και διαχείρισης κυκλοφορίας. Διαδικασίες και Πρότυπα. Μικροσκοπική και μακροσκοπική ανάλυση κυκλοφορίας. Πρόβλεψη Κυκλοφορίας 2Χ4=8
2 Προχωρημένα Πρότυπα Κυκλοφοριακής Ροής Υδροδυναμικά πρότυπα. Πρότυπα ακολουθούντος οχήματος. Cellular automata. Μοντέλα πλέξης σε ελεύθερες λεωφόρους. Εφαρμογές. 3Χ4=12
3 Θεωρία Ουρών Βασικές Έννοιες. Υπολογισμός ουρών και καθυστερήσεων, Χαρακτηριστικά μεγέθη ουρών. Είδη ουρών. Συστήματα μιας διόδου και πολλαπλών διόδων. Εφαρμογές στην κυκλοφοριακή τεχνική. 2Χ4=8
4 Προσομοίωση κυκλοφορίας Βασικές έννοιες. Πρότυπα προσομοίωσης. Βελτιστοποίηση σηματοδότησης. Προσομοίωση κυκλοφορίας σε αστικά δίκτυα. Εφαρμογές. 3Χ4=12
5 Πρότυπα Μηχανικής Μάθησης Αρχές Μηχανικής Μάθησης. Εισαγωγή στο ανοικτό λογισμικό μηχανικής μάθησης WEKA. Εφαρμογές Μηχανικής Μάθησης στην κυκλοφοριακή τεχνική (κατηγοριοποίηση και πρόβλεψη). 3Χ4=12

Μαθησιακοί Στόχοι

Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση να:

  1. γνωρίζουν τις βασικές κατηγορίες μεθόδων ανάλυσης και προσομοίωσης που εφαρμόζονται στην κυκλοφοριακή τεχνική,
  2. συνειδητοποιούν την επιρροή των αναλυτικών μεθόδων στα σύγχρονα ευφυή συστήματα ελέγχου και διαχείρισης της κυκλοφορίας,
  3. κατανοούν τη σημασία των λογισμικών ανοικτού κώδικα και του προγραμματισμού στην επίλυση προβλημάτων της κυκλοφοριακής τεχνικής,
  4. αναπτύσσουν κώδικα για την υλοποίηση προτύπων για την επίλυση προβλημάτων κυκλοφοριακής ροής, και
  5. αξιολογούν τα πρότυπα κυκλοφορίας ως προς τη χρησιμότητά τους και την αξιοπιστία τους .

Μέθοδοι και Μέσα Διδασκαλίας και Μάθησης

Μέθοδοι Διδασκαλίας Διαλέξεις στην τάξη. Ανάπτυξη κώδικα υλοποίησης εφαρμογών στην τάξη. Εκτέλεση και παράδοση 4 ατομικών εργασιών.
Μέσα διδασκαλίας Παρουσιάσεις στον Πίνακα. Διαφάνειες Power Point. Υπολογισμοί σε Η/Υ με λογισμικό μηχανικής μάθησης και λογισμικό προσομοίωσης κυκλοφορίας.
Χρήση ΗΥ και προγραμμάτων Οι φοιτητές επιλύουν στην τάξη με τη βοήθεια των διδασκόντων ασκήσεις χρησιμοποιώντας Η/Υ. Η επίλυση όλων των προαπαιτούμενων εργασιών γίνεται σε Η/Υ.
Ασκήσεις - Εφαρμογές Υπάρχουν υποδειγματικά λυμένες εφαρμογές ανάπτυξης προτύπων, που επιλύονται στην τάξη στο πλαίσιο των διαλέξεων.
Θέματα (εργασίες και τεχνικές εκθέσεις) Οι φοιτητές εκτελούν και παραδίδουν ατομικά 4 προκαθορισμένες εργασίες σε Η/Υ, οι οποίες διορθώνονται από τους διδάσκοντες και επιστρέφονται κατά την προφορική εξέταση.

Αξιολόγηση Επίδοσης

  • Θέματα (εργασίες και τεχνικές εκθέσεις): 100%

Συγγράμματα - Βιβλιογραφία

Συγγράμματα "Κυκλοφοριακή Τεχνική" Ι. Μ. Φραντζεσκάκη - Ι. Κ. Γκόλια - Μ. Χ. Πιτσιάβα-Λατινοπούλου, Εκδόσεις Παπασωτηρίου 2008. «Εφαρμογή Θεωρίας Ουρών στη Κυκλοφοριακή Τεχνική» Γκόλιας Ι. Κ. και Καρλαύτης Μ. Γ., 2004.

Προτεινόμενη Βιβλιογραφία

Κυκλοφοριακή Ροή και Συντονισμένη Σηματοδότηση Chowdhury, D. , Santen, L. and Schadschneider A., (2000). Daganzo C. F., (1997). "Fundamentals of transportation and traffic operations." Pergamon, ISBN 0-08-042785-5. Hall F. D., (1994), Traffic Stream Characteristics, Monograph on Traffic Flow Theory Institute of Transportation Engineers (ITE) (1993).Traffic Engineering Handbook. Editor Pline, J. L., Prentice Hall, Englewood Cliffs, N. J., 07632, ISBN 0139267913. May, A. D. (1990). Traffic Flow Fundamentals. Prentice-Hall Englewood Cli_s, NJ. Mc Shane, W. R., and Roess, P. (1990). Traffic Engineering. Prentice Hall, Englewood Cliffs, N. J., 07632, ISBN 0139261486. Papageorgiou M. (2003). Traffic Control. In Handbook of Transportation Science. Ed. R. W. Hall, Kluwer Academic Pub , ISBN: 1402072465. Salter R. J. Housell N. B. (1996). Highway Traffic Analysis and Design 3rd edition Palgrave McMillan, ISBN.

Στατιστική Ανάλυση Robert H. Shumway, David S. Stoffer (2000) Time series analysis and its applications : with R examples / New York ; Berlin : Springer. Simon P. Washington, Matthew G. Karlaftis, Fred L. Mannering (2003) Statistical and econometric methods for transportation data analysis. Boca Raton : Chapman & Hall/CRC Press.

Πρόβλεψη Κυκλοφορίας Hyndman, R. J., & Athanasopoulos, G. (2014). Forecasting: principles and practice. OTexts. Vlahogianni, E I., Karlaftis, M. G., Golias, J.C. (2014). Short-term Traffic Forecasting: Where We Are and Where We’re Going. Transportation Research Part C: Emerging Technologies, 43(1), 3-19. Friedman, J., Hastie, T., & Tibshirani, R. (2001). The elements of statistical learning (Vol. 1). Springer, Berlin: Springer series in statistics. Chambers, D., & Mandic, J. (2001). Recurrent neural networks for prediction: learning algorithms architecture and stability. John Wiley & Sons, Ltd., Chichester, 18, 32.

Μηχανική Μάθηση Marsland, S. (2014). Machine learning: an algorithmic perspective. CRC press. Kruse, R., Borgelt, C., Klawonn, F., Moewes, C., Steinbrecher, M., & Held, P. (2013). Computational intelligence: a methodological introduction. Springer Science & Business Media. Engelbrecht, A. P. (2007). Computational intelligence: an introduction. John Wiley & Sons. TRB (2007). Artificial Intelligence in Transportation: Information for Application, Transportation Research Circular E-C113, Transportation Research Board, Washington DC. Bishop, C. M. (2006). Pattern recognition and machine learning. Springer.

Διδασκαλία:

  • Πέμπτη, 08:45 – 12:30,
    Αίθουσες:
    • ΖΚτ. Αντ. Υλ., ΖΚτ. Αντ. Υλ. 101