Research indexJournal article
Εφαρμογές της Συνεχούς Μηχανικής Μάθησης σε περιβάλλοντα αυτόνομων και συνδεδεμένων οχημάτων
Kyriakopoulos
DSpace - NTUA (National Technical University of Athens)1 Jan 2026Open access
NobleIDark:/48914/w1/20261105/EC278921DOI10.26240/heal.ntua.32013
Εφαρμογές της Συνεχούς Μηχανικής Μάθησης σε περιβάλλοντα αυτόνομων και συνδεδεμένων οχημάτων
Kyriakopoulos · DSpace - NTUA (National Technical University of Athens) · 2026
NobleIDark:/48914/w1/20261105/EC278921DOI10.26240/heal.ntua.32013
Abstract
ΠερίληψηΗ αστική κινητικότητα είναι εκ φύσεως μη σταθερή: μεταβολές στον καιρό, τη ζήτηση και τις συνθήκες του δικτύου αλλοιώνουν τις κατανομές των δεδομένων και υποβαθμίζουν την ακρίβεια των μοντέλων με την πάροδο του χρόνου.Η παρούσα διπλωματική εργασία σχεδιάζει, υλοποιεί και αξιολογεί μια πλατφόρμα συνεχούς μηχανικής μάθησης με επίγνωση εννοιολογικής μετατόπισης (concept drift) για εφαρμογές Συνεργατικής, Συνδεδεμένης και Αυτοματοποιημένης Κινητικότητας (CCAM).Το σύστημα συνδυάζει μια αρθρωτή (modular) αρχιτεκτονική μικροϋπηρεσιών για εξυπηρέτηση μοντέλων, παρακολούθηση σε πραγματικό χρόνο, συναίνεση πολλαπλών ανιχνευτών concept drift και αυτόματη επαναεκπαίδευση με αντικατάσταση εν λειτουργία (hot-swap).Κατασκευάζεται ένα αναπαράξιμο σύνολο δεδομένων για το κέντρο της Αθήνας με βάση το SUMO, υπό κανονικές και δυσμενείς καιρικές συνθήκες.Το concept drift επάγεται μέσω μείωσης της τριβής ώστε να προσομοιωθεί βροχή, διατηρώντας την τοπολογία του δικτύου και παράγοντας μετρήσιμες μεταβολές (μέση ταχύτητα -13.68%, μέση διάρκεια διαδρομής +16.74%).Η αξιολόγηση επικεντρώνεται στην πρόβλεψη Χρόνου ΄ Αφιξης (ETA) με ένα μοντέλο LightGBM εμπλουτισμένο με ειδικά χαρακτηριστικά για το πεδίο, σε ένα πείραμα χρονικής συμπίεσης (time-lapse) με απότομο (abrupt) concept drift στη μέση, λόγω βροχής.Υπό συνθήκες drift, τα σφάλματα του βασικού μοντέλου αυξάνονται αισθητά (MAE 30.36 s → 56.93 s και MAPE 13.20% → 19.02%).Μετά την ανίχνευση του drift, το μοντέλο επαναεκπαιδεύεται με μία ώρα δεδομένων μετά το drift και αντικαθίσταται εν λειτουργία (hot-swap), ανακτώντας την απόδοση, σε σύγκριση με το βασικό μοντέλο (MAE -11.00 s, -25.42% και MAPE -2.34 pp., -13.85%).Η ευέλικτη αρχιτεκτονική της πλατφόρμας τεκμηριώνεται περαιτέρω με αξιολόγηση μοντέλων Κατανάλωσης Καυσίμου και Αριθμού Στάσεων, ενώ ο πίνακας ελέγχου και η διεπαφή χρήστη παρέχουν ερμηνευσιμότητα σε πραγματικό χρόνο.Συνολικά, τα αποτελέσματα αναδεικνύουν μια πρακτική προσέγγιση κλειστού βρόχου για ανίχνευση, απόκριση και αντιμετώπιση του concept drift σε ρεαλιστικά αστικά κυκλοφοριακά περιβάλλοντα.