Human-in-the-loop predictive analytics for incident detection in smart transportation systems

Abstract

The current PhD dissertation explores the need for advanced real-time traffic incident detection systems in urban environments, where the complexity and volume of data often overwhelm traditional methods. The research focuses on integrating advanced data analytics including Machine Learning and Deep Learning, in addition to Automated Machine Learning (AutoML), Human-in-the-Loop (HITL) approaches, and Explainability techniques to develop a robust and scalable framework for incident detection. Moreover, an end-to-end information system is presented, which has been tested and validated in real-world scenarios in two major European cities, where the results demonstrated its effectiveness and superiority compared to traditional methods.

Η παρούσα διδακτορική διατριβή διερευνά την ανάγκη για προηγμένα συστήματα ανίχνευσης κυκλοφοριακών συμβάντων σε πραγματικό χρόνο σε αστικά περιβάλλοντα, όπου οι παραδοσιακές μέθοδοι αδυνατούν να ανταποκριθούν στην πολυπλοκότητα και τον όγκο των δεδομένων. Η έρευνα επικεντρώνεται στην ενσωμάτωση προηγμένης αναλυτικής δεδομένων, συμπεριλαμβανομένης της μηχανικής μάθησης και της βαθιάς μάθησης, καθώς και την αυτοματοποιημένη μηχανική μάθηση (AutoML), σε συνδυασμό με προσεγγίσεις Human-in-the-Loop (HITL) και τεχνικές Εξηγησιμότητας για την ανάπτυξη ενός αποτελεσματικού και επεκτάσιμου πλαισίου για την ανίχνευση συμβάντων. Ακολούθως, αναπτύχθηκε και παρουσιάζεται ένα end-to-end υπολογιστικό σύστημα το οποίο δοκιμάστηκε και επικυρώθηκε σε σενάρια πραγματικού κόσμου σε δύο μεγάλες ευρωπαικές πόλεις, όπου τα αποτελέσματα κατέδειξαν την αποτελεσματικότητα και την υπεροχή του σε σύγκριση με τις παραδοσιακές μεθόδους.