Πρόβλεψη χρονοσειρών μέσω εικόνων με χρήση γεννητικών ανταγωνιστικών νευρωνικών δικτύων

Μαρκουλέσκου, Έλενα - Μπιάνκα; Marculescu, Elena - Bianca

dc.contributor.author	Μαρκουλέσκου, Έλενα - Μπιάνκα	el
dc.contributor.author	Marculescu, Elena - Bianca	en
dc.date.accessioned	2021-03-31T07:45:33Z
dc.date.available	2021-03-31T07:45:33Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/53220
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.20918
dc.rights	Default License
dc.subject	Προβλέψεις	el
dc.subject	Χρονοσειρά	el
dc.subject	Γραφική αναπαράσταση	el
dc.subject	Εικόνα	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Νευρωνικό δίκτυο	el
dc.subject	Αυτοκωδικοποιητής	el
dc.subject	Γεννητικό ανταγωνιστικό δίκτυο	el
dc.subject	Forecasting	en
dc.subject	Time series	en
dc.subject	Time series graph	en
dc.subject	Picture	en
dc.subject	Machine learning	en
dc.subject	Neural network	en
dc.subject	Autoencoder	en
dc.subject	Generative adversarial network	en
dc.subject	GAN	en
dc.title	Πρόβλεψη χρονοσειρών μέσω εικόνων με χρήση γεννητικών ανταγωνιστικών νευρωνικών δικτύων	el
dc.contributor.department	Forecasting and Strategy Unit	el
heal.type	bachelorThesis
heal.classification	Πρόβλεψη Χρονοσειρών	el
heal.classification	Timeseries Forecasting	en
heal.classification	Μηχανική Μάθηση	el
heal.classification	Machine Learning	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-03-18
heal.abstract	Σκοπός της διπλωματικής εργασίας είναι η ανάπτυξη μιας μεθοδολογίας για την παραγωγή προβλέψεων μέσω γραφικών αναπαραστάσεων χρονοσειρών, με τη χρήση μοντέλων μηχανικής μάθησης. Οι προβλέψεις αποτελούν αναπόσπαστο κομμάτι των επιχειρήσεων. Η ορθότητά τους είναι πολύ σημαντική για τη λήψη αποφάσεων, που καθορίζουν το μέλλον μιας επιχείρησης. Ακόμα, η επιστήμη των νευρωνικών δικτύων τα τελευταία χρόνια έχει στραφεί προς το χώρο της εικόνας, όπου έχουν εφευρεθεί πολυάριθμες τεχνικές για επεξεργασία, κατηγοριοποίηση ή παραγωγή τους. Έτσι, είναι επόμενο να αναζητήσει κανείς τρόπους για να αξιοποιήσει αυτές τις καλά εδραιωμένες τεχνικές σε άλλους τομείς, όπως αυτός των προβλέψεων. Στα πλαίσια της παρούσας διπλωματικής εργασίας παρουσιάζεται μια πλήρης μεθοδολογία για την πρόβλεψη μελλοντικών συμπεριφορών χρονοσειρών από εικόνες. Αρχικά προτείνεται μια μέθοδος για μετατροπή των χρονοσειρών σε εικόνες των γραφικών τους αναπαραστάσεων, σε μορφή κατάλληλη για εισαγωγή σε κάποιο νευρωνικό μοντέλο. Στη συνέχεια μελετάται η αρχιτεκτονική αυτού του μοντέλου. Τέλος, αναλύεται ένας αλγόριθμος για την μετατροπή των εξαγόμενων εικόνων σε αριθμητικά δεδομένα χρονοσειρών, έτσι ώστε να καταστεί δυνατή η ποσοτική μελέτη των αποτελεσμάτων. Το νευρωνικό μοντέλο που προτείνεται για την παραγωγή προβλέψεων είναι αυτό των Γεννητικών Ανταγωνιστικών Δικτύων. Τα Γεννητικά Ανταγωνιστικά δίκτυα προτάθηκαν για πρώτη φορά το 2014 από τον \en{Ian Goodfellow} και έκτοτε έχουν βρει πολλές εφαρμογές, κυρίως σε ό,τι αφορά την επεξεργασία και παραγωγή εικόνων αλλά και σε άλλους τομείς όπως είναι η κινούμενη εικόνα ή ακόμα και η ασφάλεια. Το μεγάλο πλεονέκτημά τους είναι η δυνατότητά τους να παράγουν αληθοφανείς εικόνες, που δεν ξεχωρίζουν από τις πραγματικές. Η διπλωματική εργασία περατώνεται με τον υπολογισμό και τη μελέτη ποσοτικών αποτελεσμάτων και ποιοτικών χαρακτηριστικών των εξαγόμενων από τα μοντέλα εικόνων και αντίστοιχων τιμών. Συγκρίνονται διάφορες αρχιτεκτονικές τόσο μεταξύ τους όσο και με κλασικές στατιστικές μεθόδους. Διατυπώνονται συμπεράσματα και προτείνονται τρόποι για περαιτέρω βελτίωση και αξιοποίηση της παρούσας μελέτης.	el
heal.abstract	The aim of this diploma thesis is to develop a methodology for time series forecasting with neural networks, based on time series' graphic representation. Forecasting is for supporting decisions in enterprises and their accuracy determines the future path of a business. Moreover numerous breakthroughs have been made during the past years, regarding the editing, classification and generation of images with the help of machine learning models. It is only natural for someone to think of ways to make good use of these techniques for other tasks such as forecasting. This thesis proposes a methodological approach for predicting a time series' future behavior through its graph. Firstly, an algorithm is proposed with duty to transform a time series into its graph in a way that is suitable for feeding it into a machine learning model. Secondly, neural networks architectures are studied. Last but not least, in order to compare the results quantitatively, a method which converts time series images into their values is developed. The proposed model for image to image forecasting is a Generative Adversarial Network (GAN). GANs were first proposed in 2014 by Ian Goodfellow. Since then, they have been used in numerous applications dealing not only with image processing and generation but also video and even security. Their biggest advantage is their ability to produce images which are indistinguishable from the real ones. The thesis ends by presenting the results and calculating the method's accuracy as well as qualitative characteristics. Different architectures are compared with classical forecasting models. Conclusions are drawn regarding the methodology and its outcome. Future improvements and practical uses are suggested.	en
heal.advisorName	Assimakopoulos, Vassileios	en
heal.advisorName	Ασημακόπουλος, Βασίλειος	el
heal.committeeMemberName	Ασκούνης, Δημήτριος	el
heal.committeeMemberName	Ψαρράς, Ιωάννης	el
heal.committeeMemberName	Ασημακόπουλος, Βασίλειος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	100 σ.	el
heal.fullTextAvailability	false