Přístupnostní navigace
E-application
Search Search Close
Bachelor's Thesis
Author of thesis: Bc. Kryštof Paulík
Acad. year: 2023/2024
Supervisor: Ing. Juraj Lazúr
Reviewer: Ing. Jiří Hynek, Ph.D.
With the growing population of cities, there is an increase in the number of cars as well as other means of transport in the streets, leading to traffic complications causing delays in public transit vehicles. Users planning their public transit journey need to simply search for the fastest route. However, this gets complicated by vehicle delays, which can often lead to missed transfers or other problems. The intention of this thesis is to introduce machine learning to public transit route search so that possible delays of vehicles are taken into account when searching for a route. The application aims to reduce the time passengers spend on their journey by finding more reliable routes in the public transit system.
data, public transit, GTFS, route search, delay, machine learning
Date of defence
10.06.2024
Result of the defence
Defended (thesis was successfully defended)
Grading
C
Process of defence
Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm C.
Topics for thesis defence
Language of thesis
Czech
Faculty
Fakulta informačních technologií
Department
Department of Information Systems
Study programme
Information Technology (BIT)
Composition of Committee
doc. Dr. Ing. Dušan Kolář (předseda) RNDr. Marek Rychlý, Ph.D. (člen) doc. Dr. Ing. Otto Fučík (člen) Ing. František Grézl, Ph.D. (člen) Ing. Filip Orság, Ph.D. (člen)
Supervisor’s reportIng. Juraj Lazúr
Študent k svojej práci pristupoval s plnou vážnosťou. Výsledky jeho práce ukazujú vhodné spôsoby využitia strojového učenia v oblasti hromadnej dopravy, ktoré nájdu využitie pri zvyšovaní presnosti a kvality vyhľadávania spojení. Navrhujem hodnotenie stupňom B.
Cieľom práce bolo overenie možností využitia strojového učenia v oblasti vyhľadávania najvhodnejšieho spojenia v rámci systémov hromadnej dopravy. Študent sa konkrétne venoval skúmaniu a testovaniu použiteľnosti rôznych klasifikačných a prediktívnych metód nad historickými dátami o meškaní vozidiel. Pre účely práce študent preštudoval spôsoby pre popis systémov hromadnej dopravy pomocou univerzálnych štandardizovaných formátov (napr. GTFS, Transmodel), ako aj algoritmy pre vyhľadávanie spojení v reálnom čase. Okrem toho sa študent musel oboznámiť s rôznymi druhmi strojového učenia, pričom skúmal vhodnosť použitia jednotlivých druhov a metód nad dostupnými dátami, ako aj na základe výsledkov predchádzajúcich štúdií v danej oblasti. Celkový výsledok hodnotím kladne. Prínos práce spočíva najmä v priamej praktickej aplikácií výsledkov na rozdiel od predchádzajúcich štúdií. Práca predstavuje prvý krok multimodálneho plánovača, ktorý vzniká v spolupráci s mestom Brno. Výsledky práce tak budú slúžiť ako základ nástroja, ktorý má potenciál zlepšiť cestovanie hromadnou dopravou nielen v Brně.
Študent aktívne skúmal odbornú literatúru s využitím dostupných nástrojov, ako aj dokumentáciu k použitým nástrojom.
Študent aktívne komunikoval počas celého riešenia práce, konzultácie prebiehali pravidelne každé dva týždne. Práca postupovala dobrým tempom.
Práca bola dokončená s rezervou a mohla tak byť dostatočne konzultovaná.
Grade proposed by supervisor: B
Reviewer’s reportIng. Jiří Hynek, Ph.D.
Student splnil zadání. Práce obsahuje některé výše zmíněné nedostatky jak v teoretické, tak v praktické části. Student nicméně řešil obtížnější zadání. Navrhuji hodnocení stupněm C.
Evaluation level: obtížnější zadání
Cílem práce bylo implementovat aplikaci pro vyhledávání spojů Integrovaného dopravního systému Jihomoravského kraje (IDS JMK) se zohledněním historických dat o zpoždění. Student prostudoval známé formáty reprezentace systémů hromadné dopravy, problematiku strojového učení, dále knihovnu scikit-learn, s jejíž využitím natrénoval prediktor zpoždění, který je využitý při hledání spojení. Zadání hodnotím jako obtížnější.
Text je rozumně rozčleněn na teoretickou a praktickou část. Vytkl bych zejména nedostatečný popis výsledného algoritmu predikce zpoždění v sekci 7.4 představujícího jádro práce. Daná sekce je velmi stručná a považuji ji za nedostatečnou.
Formální úprava dokumentu je na přijatelné úrovni. Vytkl bych zejména některé opakující se typografické chyby (např. špatné pomlčky) nebo nedostatečné zvýrazňování pojmů.
Výstupem práce je aplikace implementovaná v jazyce Python a knihovně PyQt5. Aplikace vyhledává nejvhodnější spojení mezi uživatelsky zadanými zastávkami se zohledněním historie zpoždění. Aplikace by mohla být více propracovaná z hlediska parametrizace vyhledávání. Rovněž by bylo přínosné, kdyby uměla porovnávat různé prediktory zpoždění a nepoužívala pouze jeden.
Využitelnost výsledků je momentálně spíše akademická a poslouží k dalšímu výzkumu optimalizace hromadné dopravy.
Evaluation level: zadání splněno
Evaluation level: je v obvyklém rozmezí
Student prostudoval dostatečné množství odborných zdrojů. Vytkl bych nicméně slabší citování v sekci 2.2.
Grade proposed by reviewer: C
Responsibility: Mgr. et Mgr. Hana Odstrčilová