Βελτίωση της Μεθόδου Θήτα με χρήση Νευρωνικών Δικτύων

Βρακατσέλης, Κωνσταντίνος; Vrakatselis, Konstantinos

dc.contributor.author	Βρακατσέλης, Κωνσταντίνος	el
dc.contributor.author	Vrakatselis, Konstantinos	en
dc.date.accessioned	2017-09-07T07:27:32Z
dc.date.available	2017-09-07T07:27:32Z
dc.date.issued	2017-09-07
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/45542
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.14546
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	Μέθοδος Θήτα	el
dc.subject	Πρόβλεψη	el
dc.subject	Νευρωνικά Δίκτυα	el
dc.subject	Διαγωνισμοί Μακριδάκη	el
dc.subject	Theta Method	en
dc.subject	Forecasting	en
dc.subject	Neural Networks	en
dc.subject	M-Competitions	en
dc.title	Βελτίωση της Μεθόδου Θήτα με χρήση Νευρωνικών Δικτύων	el
dc.title	An Improvement of the Theta Method with the Use of Neural Networks	en
heal.type	bachelorThesis
heal.classification	Forecasting	el
heal.classificationURI	http://id.loc.gov/authorities/subjects/sh85050485
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2016-07-29
heal.abstract	Η εργασία ασχολείται με την εξέταση της αποτελεσματικότητας μιας παραλλαγής της μεθόδου πρόβλεψης Θήτα η οποία κάνει χρήση εργαλείων τεχνητής νοημοσύνης και συγκεκριμένα νευρωνικών δικτύων. Αρχικά, γίνεται μια ευρεία αλλά συνοπτική επισκόπηση του γενικού πεδίου των προβλέψεων, των εννοιών και των εργαλείων που αυτό χρησιμοποιεί. Εν συνεχεία, εξετάζεται το θεωρητικό υπόβαθρο της μεθόδου Θήτα στην κλασική της εκδοχή, η πρακτικής εφαρμογής της, καθώς και μια αξιολόγηση της αποτελεσματικότητάς της. Κατόπιν παρουσιάζονται οι "Διαγωνισμοί Μακριδάκη" ("M-Competitions"), οι οποίοι αποτελούν και το γνωστότερο πεδίο συγκριτικής αξιολόγησης του συνόλου των θεωρητικών και πρακτικών εργαλείων που χρησιμοποιεί το πεδίο των προβλέψεων. Η σκοπιμότητα της παρουσίασης έγκειται στο γεγονός ότι από τους διαγωνισμούς αυτούς αντλείται το πεδίο των χρονοσειρών επί του οποίου θα γίνει τελικά η συγκριτική δοκιμή, ενώ από τους διαγωνισμούς υπάρχει ήδη μια εικόνα σχετικά με τη συγκριτική επίδοση των χρησιμοποιούμενων μεθόδων στην πρόβλεψη. Προκειμένου να φθάσουμε στην παρουσίαση της παραλλαγής της Μεθόδου Θήτα που χρησιμοποιεί στοιχεία Τεχνητής Νοημοσύνης (μεθόδου "ThetaAI"), γίνεται μια συνοπτική παρουσίαση των νευρωνικών δικτύων, της απαρχής τους καθώς και των τεχνικών που χρησιμοποιούνται για την προσομοίωσή τους. Τα νευρωνικά δίκτυα είναι ο κλάδος του ευρύτερου πεδίου της Τεχνητής Νοημοσύνης που αξιοποιείται για την βελτίωση της επίδοσης της Μεθόδου Θήτα. Σε λογική συνέχεια, γίνεται η παρουσίαση της παραλλαγής της Μεθόδου Θήτα που εκμεταλλεύεται τεχνικές του πεδίου της Τεχνητής Νοημοσύνης και ειδικότερα των Νευρωνικών Δικτύων. Πρόκειται για τη Μέθοδο ThetaAI (Theta Artificial Intelligence), που είναι μια ήδη επεξεργασμένη και δοκιμασμένη μέθοδος πρόβλεψης σε χρονοσειρές. Τέλος, γίνεται και πάλι εφαρμογή της μεθόδου ThetaAI σε σύνολα χρονοσειρών που είχαν χρησιμοποιηθεί στους διαγωνισμούς NN3 και Μ3. Στον διαγωνισμό ΝΝ3 η ThetaAI είχε εφαρμοστεί στο σύνολο των 11 χρονοσειρών του διαγωνισμού με μη αυτοματοποιημένη υλοποίηση, όπου και είχε την καλύτερη απόδοση στο διαγωνισμό, και με αυτοματοποιημένο τρόπο στο σύνολο των 111 χρονοσειρών, χωρίς να έχει καλύτερα αποτελέσματα από την κλασική Θήτα. Αυτή τη φορά, εφαρμόζεται η μη αυτοματοποιημένη μέθοδος ThetaAI στις 111 χρονοσειρές του διαγωνισμού ΝΝ3 και η αυτοματοποιημένη μέθοδος ThetaAI στις μηνιαίες χρονοσειρές του διαγωνισμού Μ3.	el
heal.abstract	This study examines the effectiveness of a variation of the Theta forecasting method that makes use of artificial intelligence tools, and more specifically of neural networks. Initially, the study surveys in brief the general field of forecasting and the concept and tools that the field utilizes. Subsequently, the study examines the theoretical foundation of the Theta method in its classic form, its practical application as well as an appraisal of its effectiveness. The Makridakis Competitions ("M-Competitions") are then presented, as they constitute the most well-known field of comparative evaluation of the theoretical and practical tools used in the field of forecasting. The rational of the presentation lies in the fact that the sets of timeseries on which the comparative tests are eventually performed are drawn from them as well as the fact that the M-Competitions already provide a broad view of the comparative effectiveness of forecasting methods. In order to reach the presentation of the variation of the Theta method that utilizes elements of Artificial Intelligence (the "ThetaAI method") we make a brief presentation of neural networks, their origin as well as the basic techniques used to simulate them. Neural networks constitute a branch of the broader field of Artificial Intelligence and are used to improve the effectiveness of the Theta method. The variation of the Theta method that exploits artificial intelligence techniques, and more specifically, neural networks, is then presented. It is the Theta AI method, an already established and tested method of forecasting. Finally, the ThetaAI method is applied again on timeseries sets that had been used in the NN3 and M3 cometitions. In the NN3 competition, ThetaAI had been used twice: it was applied once on the 11 timeseries set in a non-automated manner, achieving the best performance in the competition, and once on the 111 timeseries set, without performing better than the classic Theta method. This time, the non-automated ThetaAI method was applied on the 111 timeseries set of the NN3 competition, and the automated ThetaAI method was applied on the monthly timeseries of the M3 competition.	en
heal.advisorName	Ασημακόπουλος, Βασίλειος	el
heal.committeeMemberName	Ασημακόπουλος, Βασίλειος	el
heal.committeeMemberName	Ασκούνης, Δημήτριος	el
heal.committeeMemberName	Ψαρράς, Ιωάννης	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικών Βιομηχανικών Διατάξεων και Συστημάτων Αποφάσεων	el
heal.academicPublisherID	ntua
heal.numberOfPages	64 σ.	el
heal.fullTextAvailability	true