Ανάπτυξη προγνωστικών μοντέλων κρουσμάτων γριπωδών 
συνδρομών με χρήση τεχνικών μηχανικής μάθησης

Φραγκοζίδης, Γεώργιος

dc.contributor.author	Φραγκοζίδης, Γεώργιος	el
dc.date.accessioned	2021-02-02T08:59:13Z
dc.date.available	2021-02-02T08:59:13Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/52844
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.20542
dc.rights	Default License
dc.subject	Γρίπη	el
dc.subject	Πρόβλεψη	el
dc.subject	Επεξεργασία φυσικής γλώσσας	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Τεχνητά νευρωνικά δίκτυα	el
dc.subject	Influenza	en
dc.subject	Prediction	en
dc.subject	Natural language processing	en
dc.subject	Machine learning	en
dc.subject	Artificial neural networks	en
dc.title	Ανάπτυξη προγνωστικών μοντέλων κρουσμάτων γριπωδών συνδρομών με χρήση τεχνικών μηχανικής μάθησης	el
dc.contributor.department	Τομέας συστημάτων μετάδοσης πληροφορίας και τεχνολογίας υλικών	el
heal.type	bachelorThesis
heal.classification	Machine Learning	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-01-10
heal.abstract	Αντικείμενο της παρούσας διπλωματικής εργασίας αποτελεί η σχεδίαση, η ανάπτυξη και η αξιολόγηση υπολογιστικών μοντέλων με στόχο την πρόβλεψη του αριθμού των κρουσμάτων γριπωδών συνδρομών (Influenza Like Illness ή ILI) στον πληθυσμό της Ελλάδας, βασισμένου στη χρήση ετερογενών δεδομένων και στην εφαρμογή μεθόδων μηχανικής μάθησης. Για την δεκαετία 2010-2020 συλλέχθηκαν μετεωρολογικά δεδομένα των 13 περιφερειών της Ελλάδας, δεδομένα του συστήματος επιτήρησης γρίπης «Sentinel», που παραχωρήθηκαν από τον Εθνικό Οργανισμό Δημόσιας Υγείας (ΕΟΔΥ), και δημοσιεύσεις στο Twitter που αφορούσαν την υγεία των χρηστών. Πιο συγκεκριμένα, οι μετεωρολογικοί δείκτες που λήφθηκαν υπόψη ήταν η ημερήσια θερμοκρασία, η υγρασία, η ταχύτητα του ανέμου και η ηλιοφάνεια, και έχουν συσχετιστεί άμεσα με την εξάπλωση των ιών, που φέρουν συμπτώματα παρόμοια με αυτά της γρίπης. Για τα δεδομένα κοινωνικής δικτύωσης πραγματοποιήθηκε συλλογή δημοσιεύσεων από την πλατφόρμα του Twitter με χρήση συγκεκριμένων λέξεων κλειδιών σχετικών με τις ILI, και εφαρμόστηκαν προηγμένες τεχνικές προεπεξεργασίας όπως η φασματική ομαδοποίηση και η εποχική αποδόμηση με στόχο την εξαγωγή χαρακτηριστικών εισόδου με ποιοτικά ενισχυμένη πληροφορία. Τέλος, συνυπολογίστηκε ο εβδομαδιαίος αριθμός των κρουσμάτων ILI για την Ελλάδα. Οι τρεις κατηγορίες δεδομένων (μετεωρολογικά, επιδημιολογικά, κοινωνικής δικτύωσης) χρησιμοποιήθηκαν για την ανάπτυξη τριών πρωταρχικών προγνωστικών μοντέλων. Κάθε πρωταρχικό μοντέλο έλαβε ως είσοδο τιμές δεδομένων προηγούμενων εβδομάδων και παρείχε εκτιμήσεις για τον αριθμό των κρουσμάτων ILI κατά την τρέχουσα εβδομάδα και τις δύο επόμενες εβδομάδες. Στη συνέχεια, τα πρωταρχικά μοντέλα αξιοποιήθηκαν στο πλαίσιο συνδυαστικών αρχιτεκτονικών με στόχο τη δημιουργία σύνθετων μοντέλων με υψηλή προγνωστική ικανότητα. Για την ανάπτυξη των προγνωστικών μοντέλων και την αποτελεσματική διαχείριση της χρονολογικής φύσης των δεδομένων εισόδου επιστρατεύτηκε η μέθοδος των Νευρωνικών Δικτύων Μακρόχρονης και Βραχύχρονης Μνήμης (Long Short Term Memory Neural Networks-LSTM). Τα πρωταρχικά και σύνθετα μοντέλα αξιολογήθηκαν ως προς την ικανότητά τους να παρέχουν ακριβείς εκτιμήσεις του αριθμού κρουσμάτων ILI για χρονικό ορίζοντα έως και τριών εβδομάδων στο μέλλον.	el
heal.advisorName	Νικήτα, Κωνσταντίνα	el
heal.committeeMemberName	Νικήτα, Κωνσταντίνα	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Γεώργιος Στάμου	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	76 σ.	el
heal.fullTextAvailability	false