Ποσοτικές Μέθοδοι στις Μεταφορές
Περιγραφή Μαθήματος:
Στο μάθημα αναπτύσσονται προχωρημένες έννοιες ποσοτικών μεθόδων στην ανάλυση της λειτουργίας συστημάτων μεταφορών. Η διδασκαλία περιλαμβάνει θέματα όπως, ευφυή συστήματα μεταφορών. βελτιστοποιήσεις δικτύων. μέθοδοι βελτιστοποίησης. συστήματα διαχείρισης σε πραγματικό χρόνο και συστήματα τηλεματικής. κεντρικοί και κατανεμημένοι έλεγχοι και μέθοδοι λήψης αποφάσεων. εφαρμοσμένη στατιστική προτυποποίηση. παλινδρόμηση. έρευνες δεδηλωμένης και αποκαλυπτόμενης προτίμησης. ανάλυση χρονοσειρών. πρότυπα πρόβλεψης. μηχανική μάθηση. Το σύνολο των εφαρμογών του μαθήματος εκτελείται σε εφαρμογές αναπτύσσονται στο λογισμικό ανοιχτού κώδικα R. 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.
- Εξάμηνο 9
- Ώρες διδασκαλίας 4
- Διδάσκοντες Ελένη Βλαχογιάννη (Συντονιστής)
Απαιτούμενες Γνώσεις
Είναι προαπαιτούμενη η γνώση των βασικών κεφαλαίων μεταφορών και βελτιστοποίησης που διδάσκονται στα μαθήματα Εισαγωγή στη Βελτιστοποίηση Συστημάτων (ΚΕΥ (Υποχρεωτική η επιλογή ενός) – 5ο Εξάμηνο) και Σχεδιασμός Μεταφορικών Συστημάτων (Υποχρεωτικό – 6ο Εξάμηνο). Είναι προαπαιτούμενη η γνώση των βασικών εννοιών στατιστικής ανάλυσης.Κεφάλαια Μαθήματος
| # | Τίτλος | Διδακτέα Ύλη | Ώρες |
|---|---|---|---|
| 1 | Ευφυή Συστήματα Μεταφορών | Εισαγωγή. Συστήματα. Διαδικασίες και Πρότυπα. Βάσεις δεδομένων. Εισαγωγή στις Ποσοτικές Μεθόδους | 2Χ4=8 |
| 2 | Εφαρμοσμένη στατιστική προτυποποίηση | Ανάλυση βάσεων δεδομένων και Έλεγχος Υποθέσεων Γραμμική και Λογιστική Παλινδρόνηση, Έρευνες Δεδηλωμένης και Αποκαλυπτόμενης Προτίμησης Ανάλυση Χρονοσειρών | 4Χ4=16 |
| 3 | Βελτιστοποίηση | Προβλήματα μεταφορών, χωροθέτησης Προβλήματα βέλτιστου σχεδιασμού Εξελιγμένες Μέθοδοι καταμερισμού κυκλοφορίας και ΜΜΜ Ευφυή Συστήματα Μεταφορών και Βελτιστοποίηση | 3Χ4=12 |
| 4 | Προγραμματισμός στην R | Εισαγωγή στην R Βασικές έννοιες προγραμματισμού Προβλήματα κατηγοριοποίησης, ομαδοποίησης, βελτιστοποίησης και πρόβλεψης στις μεταφορές. Επίλυση στην R. | 4Χ4=16 |
Μαθησιακοί Στόχοι
Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση να:
- γνωρίζουν τις βασικές κατηγορίες ποσοτικών μεθόδων που μπορούν να εφαρμόσουν σε προβλήματα μεταφορών,
- συνειδητοποιούν την επιρροή των ποσοτικών μεθόδων στα σύγχρονα ευφυή συστήματα μεταφορών,
- κατανοούν τη σημασία των λογισμικών ανοικτού κώδικα και του προγραμματισμού στην επίλυση προβλημάτων μεταφορών,
- αναπτύσσουν κώδικα για την υλοποίηση προτύπων για την επίλυση προβλημάτων μεταφορών, και
- αξιολογούν τα πρότυπα ως προς τη χρησιμότητά τους και την αξιοπιστία τους .
Μέθοδοι και Μέσα Διδασκαλίας και Μάθησης
| Μέθοδοι Διδασκαλίας | Διαλέξεις στην τάξη. Ανάπτυξη κώδικα υλοποίησης παραδειγμάτων στην τάξη. Εκτέλεση και παράδοση 4 ατομικών εργασιών. |
|---|---|
| Μέσα διδασκαλίας | Παρουσιάσεις στον Πίνακα. Διαφάνειες Power Point. Υπολογισμοί σε Η/Υ με R. |
| Χρήση ΗΥ και προγραμμάτων | Οι φοιτητές επιλύουν στην τάξη με τη βοήθεια των διδασκόντων ασκήσεις χρησιμοποιώντας R σε Η/Υ. Η επίλυση όλων των προαπαιτούμενων εργασιών γίνεται στο περιβάλλον προγραμματισμού R. |
| Ασκήσεις - Εφαρμογές | Υπάρχουν υποδειματικά λυμένες εφαρμογές ανάπτυξης μοντέλων, που επιλύονται στην τάξη στο πλαίσιο των διαλέξεων. |
| Θέματα (εργασίες και τεχνικές εκθέσεις) | Οι φοιτητές εκτελούν και παραδίδουν ατομικά 4 προκαθορισμένες εργασίες σε περιβάλλον R. Oι εργασίες διορθώνονται από τους διδάσκοντες και επιστρέφονται κατά την προφορική εξέταση. |
Αξιολόγηση Επίδοσης
- Θέματα (εργασίες και τεχνικές εκθέσεις): 100%
Συγγράμματα - Βιβλιογραφία
Συγγράμματα Σταθόπουλος, Α. , Καρλαύτης, Μ. (2008). Σχεδιασμός Μεταφορικών Συστημάτων, Εκδόσεις Παπασωτηρίου, Αθήνα. Α. Σταθόπουλος “Eιδικά Θέματα Μεταφορών - Σημειώσεις κατά την παράδοση”, ΕΜΠ, Αθήνα 2005
Προτεινόμενη Βιβλιογραφία
Προχωρημένα Θέματα Σχεδιασμού Μεταφορικών Συστημάτων Ortuzar, J.D., Willumsen, L.G. (2011). Modelling Transport, 4th Edition. Willey, New York Washington, S. P., Karlaftis, M. G., & Mannering, F. L. (2010). Statistical and econometric methods for transportation data analysis. CRC press. Cascetta, E. (2009). Transportation Systems AnalysisModels and Applications, Springer, Berlin. Φραντζεσκάκης, Ι. Μ., Γκόλιας, Ι. Κ., Πιτσιάβα-Λατινοπούλου, Μ. Χ. (2008). Κυκλοφοριακή Τεχνική, Εκδόσεις Παπασωτηρίου, Αθήνα. Hensher, D.A., Button, K..J. (2000) Handbook of Transport Modelling. Elsevier. New York
Μέθοδοι Βελτιστοποίησης Chong, E. K., & Zak, S. H. (2013). An introduction to optimization (Vol. 76). John Wiley & Sons. Καρλαύτης, Μ. Λαγαρός, Ν. Δ. (2010). Επιχειρησιακή έρευνα και βελτιστοποίηση για μηχανικούς, Συμμετρία, Αθήνα. Rao, S. S., & Rao, S. S. (2009). Engineering optimization: theory and practice. John Wiley & Sons. Antoniou, A., & Lu, W. S. (2007). Practical optimization: algorithms and engineering applications. Springer Science & Business Media. Winston, W (2003), Operations Research: Applications and Algorithms, Cengage Learning.
Εφαρμοσμένη Στατιστική Προτυποποίηση Verzani, J. (2014). Using R for introductory statistics. CRC Press. Washington, S. P., Karlaftis, M. G., & Mannering, F. L. (2010). Statistical and econometric methods for transportation data analysis. CRC press. Navidi, W. C. (2008). Statistics for engineers and scientists. McGraw-Hill Higher Education. Joaquim, P., & Marques, S. (2007). Applied statistics using SPSS, statistica, Matlab and R. Springer Company USA, 205-211. Ζιούτας Γ. Χ. (2003). Πιθανότητες και Στοιχεία Στατιστικής για Μηχανικούς, εκδόσεις Ζήτη, Θεσσαλονίκη.
Υπολογιστική Νοημοσύνη και 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. Karlaftis, M. G. and Vlahogianni, E. I. (2011). Statistics versus Neural Networks in Transportation Research: Differences, Similarities and Some Insights, Transportation Research Part C: Emerging Technologies, 19(3), 387-399. 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.
Πρόβλεψη στις Μεταφορές και την Κυκλοφοριακή Τεχνική 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.
Διδασκαλία:
- Τετάρτη, 13:45 – 17:30,
Αίθουσες:- Αμφ. Σιδ/κής