Ανάλυση και πρόβλεψη χρονοσειρών: μέθοδοι και εφαρμογές

Μπίνου, Γεωργία; Binou, Georgia

dc.contributor.author	Μπίνου, Γεωργία	el
dc.contributor.author	Binou, Georgia	en
dc.date.accessioned	2016-09-07T12:08:43Z
dc.date.available	2016-09-07T12:08:43Z
dc.date.issued	2016-09-07
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/43423
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.12951
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Προβλέψεις	el
dc.subject	Χρονοσειρές	el
dc.subject	Μοντέλα	el
dc.subject	Μέθοδοι	el
dc.subject	Εφαρμογές	el
dc.subject	Forecasting	en
dc.subject	Time series	el
dc.subject	Models	el
dc.subject	Methods	el
dc.subject	Arima	el
dc.title	Ανάλυση και πρόβλεψη χρονοσειρών: μέθοδοι και εφαρμογές	el
heal.type	bachelorThesis
heal.secondaryTitle	Forecasting with time series analysis: methods and applications	en
heal.classification	Μαθηματικές μέθοδοι	el
heal.classification	Μοντέλα προγραμματισμού	el
heal.classification	Μαθηματικά μοντέλα και μοντέλα προσομοίωσης	el
heal.classificationURI	http://data.seab.gr/concepts/6ca5fa29c7950767cbdff3b3c2db129576fe533a
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2016-07-13
heal.abstract	H παρούσα διπλωματική εργασία έχει ως σκοπό τη μελέτη των μεθόδων και εργαλείων που απαιτούνται για τη βέλτιστη επιλογή ενός μοντέλου πρόβλεψης. Τα δεδομένα στα οποία βασίζονται οι προβλέψεις, είναι σε πολλές περιπτώσεις χρονοσειρές. Οι χρονοσειρές βρίσκουν άμεση εφαρμογή σε πολλούς κλάδους ένας εκ των οποίων είναι και η επιχειρησιακή έρευνα. Στο εισαγωγικό κεφάλαιο γίνεται αναφορά στην επιχειρησιακή έρευνα και στη σημασία που έχει ως κλάδος μέσα από μια ιστορική αναδρομή. Στη συνέχεια γίνεται μια αναφορά στις διάφορες μεθόδους πρόβλεψης και στα βασικά εργαλεία της ανάλυσης δεδομένων. Ακολουθεί η ανάλυση χρονοσειρών, όπου παρουσιάζονται και αναλύονται τρεις βασικές μέθοδοι προβλέψεων: οι μέθοδοι αποσύνθεσης, οι μέθοδοι εξομάλυνσης και η ανάλυση υποδειγμάτων ARIMA. Τέλος γίνεται η εφαρμογή των μεθόδων αυτών σε τρία σύνολα δεδομένων, για την επιλογή του καλύτερου μοντέλου πρόβλεψης.	el
heal.abstract	This diploma thesis aims to study the methods and tools required for optimal selection of a predictive model. The data underlying the forecasts are in many cases time series. Time series find direct application in many sectors, one of which is operational research. The introductory chapter, refers to operational research and its importance gained as an industry through a throwback. Then there is a reference to the different methods of forecasting and basic tools of data analysis. Time series analysis follows, and three basic methods of forecasting are presented and analyzed: the time series decomposition methods, the exponential smoothing methods, and the ARIMA model analysis. At the end, applications of these methods regarding three different data sets are presented for the selection of the best predictive model.	en
heal.advisorName	Κολέτσος, Ιωάννης	el
heal.committeeMemberName	Κοκκίνης, Βασίλειος	el
heal.committeeMemberName	Τυχόπουλος, Ευάγγελος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών. Τομέας Μαθηματικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	171 σ.
heal.fullTextAvailability	true