Ευφυή Συστήματα Μεταφορών

Κωδικός Μαθήματος:

GEO9150

Semester:

Θ' Εξάμηνο

Κατηγορία:

Κατ' επιλογή υποχρεωτικά ( ΜΕ )

Ώρες:

4

Μονάδες ECTS:

5



Καθηγητές Μαθήματος

Παπαντωνίου Παναγιώτης

ΜΑΘΗΣΙΑΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ

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

  • γνωρίζουν τα χαρακτηριστικά των αυτοματοποιημένων οχημάτων και των Συστημάτων Υποστήριξης Οδήγησης,
  • συνειδητοποιούν τα οφέλη στην εφαρμογή τεχνητής ευφυΐας στις μεταφορές
  • κατανοούν συστήματα διαχείρισης σε πραγματικό χρόνο και συστήματα τηλεματικής
  • επιλύουν απλές εφαρμογές σε λογισμικό ανοικτού κώδικα R

 

Γενικές Ικανότητες

  • Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών
  • Προσαρμογή σε νέες καταστάσεις
  • Αυτόνομη εργασία
  • Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης
  • Άσκηση κριτικής και αυτοκριτικής
  • Εργασία σε διεπιστημονικό περιβάλλον

 

ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΤΟΣ

Θεωρητικό Μέρος

  • Εισαγωγή στην εφαρμογή τεχνητής ευφυΐας στις μεταφορές.
  • Αυτοματοποιημένα οχήματα,
  • Συστήματα υποστήριξης οδήγησης
  • Ευφυή συστήματα μετρήσεως δεδομένων μεταφορών.
  • Ευφυή συστήματα εκτίμησης δεδομένων μεταφορών.
  • Συστήματα τηλεματικής στις μεταφορές.
  • Βελτιστοποιήσεις δικτύων.
  • Συστήματα διαχείρισης σε πραγματικό χρόνο και συστήματα τηλεματικής.
  • Κεντρικοί και κατανεμημένοι έλεγχοι και μέθοδοι λήψης αποφάσεων.
  • Εφαρμοσμένη στατιστική προτυποποίηση.
  • Έρευνες Δεδηλωμένης και Αποκαλυπτόμενης Προτίμησης.
  • Λογισμικό ανοικτού κώδικα R

 

Εργαστηριακό Μέρος

  • Εκπόνηση ομαδικού θέματος (ομάδες 4 ατόμων) βασισμένο σε έρευνα ερωτηματολογίου με τη μέθοδο της Δεδηλωμένης Προτίμησης

 

Μέθοδος Αξιολόγησης

  • Θεωρία: γραπτή αξιολόγηση (70%)
  • Εργαστήριο: τμηματική και συνολική παρουσίαση θέματος εξαμήνου (30%)

 

ΣΥΝΙΣΤΩΜΕΝΗ ΒΙΒΛΙΟΓΡΑΦΙΑ

  • Εθνική Στρατηγική για τα Ευφυή Συστήματα Μεταφορών 2015-2025 – Υπουργείο Ναυτιλίας, Υποδομών, Ναυτιλίας και Τουρισμού, 2015
  • Autonomous Driving, Technical, Legal and Social Aspects, by Markus Maurer, Christian Gerdes, Barbara Lenz, Hermann Winner, SpringerLInk edition
  • 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.