Ομαδοποίηση χρονοσειρών βάσει ποιοτικών χαρακτηριστικών και μοτίβων και αξιοποίηση ευρημάτων για τη βελτίωση της ακρίβειας πρόβλεψης κλασικών μεθόδων

Αθηνιώτης, Νικόλαος; Athiniotis, Nikolaos

dc.contributor.author	Αθηνιώτης, Νικόλαος	el
dc.contributor.author	Athiniotis, Nikolaos	en
dc.date.accessioned	2019-07-22T09:19:54Z
dc.date.available	2019-07-22T09:19:54Z
dc.date.issued	2019-07-22
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/49111
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.16753
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	Τεχνικές προβλέψεων	el
dc.subject	Ομοιότητα χρονοσειρών	el
dc.subject	Επιλογή κατάλληλης μεθόδου πρόβλεψης	el
dc.subject	Λήψη αποφάσεων	el
dc.subject	Forecasting techniques	en
dc.subject	Similarity of time series	en
dc.subject	Selection of appropriate forecasting method	en
dc.subject	Decision making	en
dc.title	Ομαδοποίηση χρονοσειρών βάσει ποιοτικών χαρακτηριστικών και μοτίβων και αξιοποίηση ευρημάτων για τη βελτίωση της ακρίβειας πρόβλεψης κλασικών μεθόδων	el
heal.type	bachelorThesis
heal.classification	Τεχνικές προβλέψεων	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2019-02-28
heal.abstract	Σκοπός της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη μίας μεθοδολογίας μέσω της οποίας θα επιτευχθεί μείωση του μέσου σφάλματος που παράγει ένα σύνολο μεθόδων πρόβλεψης όταν αυτό καλείται να προεκτείνει μια συγκεκριμένη ομάδα χρονοσειρών. Η μείωση αυτή πραγματοποιείται μέσω της επιλογής της καταλληλότερης μεθόδου πρόβλεψης για κάθε χρονοσειρά, έχοντας ως γνώμονα την απόδοση των εξεταζόμενων μεθόδων σε αντίστοιχες χρονοσειρές ίδιου μοτίβου και ποιοτικών χαρακτηριστικών. Για να γίνει αυτό, οι χρονοσειρές συγκρίνονται αρχικά ως προς την ομοιότητά τους και στη συνέχεια ομαδοποιούνται ούτως ώστε να διαπιστωθεί βάσει ελέγχων ποιες μέθοδοι πρόβλεψης παράγουν το μικρότερο δυνατό σφάλμα ανά περίπτωση. Η ύπαρξη μιας τέτοιας μεθοδολογίας είναι ιδιαιτέρως χρήσιμη στις μέρες μας, καθώς τα μεγάλα δεδομένα (Big Data) καθιστούν την πρόβλεψη χρονοσειρών μέσω κλασικών διαγωνισμών μια επίπονη και χρονοβόρα διαδικασία. Αρχικά παρουσιάζεται το αντικείμενο της διπλωματικής, η περιγραφή του προβλήματος και οι πρακτικές εφαρμογές της. Στη συνέχεια, δίνεται ο γενικός ορισμός της χρονοσειράς και όλα τα βασικά χαρακτηριστικά της, καθώς και μια μικρή ιστορική ανασκόπηση του τομέα των προβλέψεων. Έπειτα, αναλύονται όλοι οι μέθοδοι πρόβλεψης που χρησιμοποιήθηκαν στην διπλωματική εργασία για την παραγωγή των προβλέψεων και γίνεται διεξοδική βιβλιογραφική επισκόπηση στις μεθόδους σύγκρισης χρονοσειρών. Στη συνέχεια της διπλωματικής παρουσιάζεται η γενική ιδέα της μεθοδολογίας που αναπτύχθηκε και το προγραμματιστικό περιβάλλον RStudio μαζί με τη γλώσσα προγραμματισμού R, τα οποία ήταν τα εργαλεία για την ανάλυση των δεδομένων και την εξαγωγή των αποτελεσμάτων. Έπειτα, αναλύεται όλη η διαδικασία και όλα τα πειράματα που εκτελέστηκαν, μαζί με τα αντίστοιχα αριθμητικά και γραφικά αποτελέσματα, ώστε τελικώς να καταλήξουμε στην προτεινόμενη μεθοδολογία. Στο τελευταίο κομμάτι της διπλωματικής εργασίας, συνοψίζονται τα αποτελέσματα όλων των πειραμάτων και βγαίνει ένα τελικό συμπέρασμα για την απόδοση της μεθοδολογίας. Επίσης προτείνονται μελλοντικές προεκτάσεις της συγκεκριμένης εργασίας και θα παρουσιαστεί όλη η βιβλιογραφία που χρησιμοποιήθηκε.	el
heal.abstract	The aim of the diploma thesis is to develop a methodology that improves the accuracy achieved by various forecasting methods utilized to extrapolate a set of time series. This becomes possible by selecting the most appropriate forecasting method per series, using as input information about the historical performance of the examined methods across series of similar patterns and characteristics. More specifically, time series are first grouped based on their similarity and then, forecasts are generated according to the accuracy reported for each one of the examined methods per group. The existence of such a methodology is particularly useful nowadays, since Big Data make traditional time series forecasting a strenuous and time intensive process. The thesis begins by presenting its subject, a description of the examined problem and a recommendation about where the proposed solution could be implemented. Then, an introduction in time series analysis is made, as well as a small literature review of relevant approaches. The forecasting methods used in this thesis are also presented and analyzed along with a thorough bibliographic overview on techniques used for comparing the similarity of times series. Afterwards, the proposed methodological framework is presented together with the RStudio programming environment and the programming language R, which were utilized for analyzing the data and exporting the results. Next, the process followed and the experiments performed are described, including numeric and graphical results that formulated the final proposal. In the last part of the diploma thesis, the results of all experiments are summarized and a final conclusion is drawn about the performance of the methodology. After that, future extensions of the thesis and the literature are proposed.	en
heal.advisorName	Ασημακόπουλος, Βασίλειος	el
heal.committeeMemberName	Ψαρράς, Ιωάννης	el
heal.committeeMemberName	Ασκούνης, Δημήτριος	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	94 σ.
heal.fullTextAvailability	true