Show simple item record

Prediction of Bicycle Trip Segment Velocities by Machine Learning



dc.contributor.advisorDrchal Jan
dc.contributor.authorAlexandr Zemek
dc.date.accessioned2020-06-10T11:12:54Z
dc.date.available2020-06-10T11:12:54Z
dc.date.issued2020-06-08
dc.identifierKOS-857605371305
dc.identifier.urihttp://hdl.handle.net/10467/87694
dc.description.abstractCílem této práce je vytvořit model strojového učení, který bude schopen predikovat rychlosti segmentů cyklistických tras v Praze a okolí. Model je trénován na datovém souboru složeném z GPS záznamů cyklistických tras a jejich odpovídajících reprezentací v dopravní síti vytvořené z dat Open Street Map. Trasy jsou rozděleny na segmenty, které obsahují různé prvky, jež budou využity pro učení konkrétního modelu. Cyklistické trasy jsou zaznamenány jednotlivými cyklisty a výsledná rychlost vykonaná jednotlivcem je predikována zvlášť pro každý segment dané trasy. Prvky dopravních segmentů jsou extrahovány z dopravní sítě a ty mohou být dále rozšířeny i o další informace z OSM. Po náležité datové analýze se práce věnuje průzkumu různých metod strojového učení, jako jsou například rekurentní neuronové sítě, časově konvoluční sítě nebo regrese náhodných lesů, stejně jako jejich porovnání a vyhodnocení důležitosti dodatečných OSM prvků.cze
dc.description.abstractThe goal of this thesis is to build a machine learning model which will be able to predict velocities of bicycle trip segments in the city of Prague and its surroundings. The model is trained on a dataset composed of GPS track recordings and their corresponding representation in a traffic network created from Open Street Map data. The tracks are divided into segments which contain various features which will be used for learning a particular model. The bicycle tracks are recorded by individual cyclists and the generalized velocity performed by an individual is predicted for each segment of the track. The features are extracted from the traffic network and can be extended by even more OSM information. After the proper analysis of the dataset, the work focuses on developing different machine learning methods such as recurrent neural networks, temporal convolutional networks or random forest regression as well as comparing them and evaluating the additional OSM feature importance.eng
dc.publisherČeské vysoké učení technické v Praze. Vypočetní a informační centrum.cze
dc.publisherCzech Technical University in Prague. Computing and Information Centre.eng
dc.rightsA university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmleng
dc.rightsVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.htmlcze
dc.subjectpredikcecze
dc.subjectstrojové učenícze
dc.subjectcyklistická rychlostcze
dc.subjectGPScze
dc.subjectpredictioneng
dc.subjectmachine learningeng
dc.subjectbicycle velocityeng
dc.subjectGPSeng
dc.titlePredikce rychlostí úseků cyklistických tras pomocí strojového učenícze
dc.titlePrediction of Bicycle Trip Segment Velocities by Machine Learningeng
dc.typebakalářská prácecze
dc.typebachelor thesiseng
dc.contributor.refereeJakob Michal
theses.degree.disciplineInformatika a počítačové vědycze
theses.degree.grantorkatedra kybernetikycze
theses.degree.programmeOtevřená informatikacze


Files in this item





This item appears in the following Collection(s)

Show simple item record