Ανάπτυξη αρχιτεκτονικών συνελικτικών νευρωνικών δικτύων για πρόβλεψη χρονοσειρών

Δίκαρος, Νικόλαος; Dikaros, Nikolaos

dc.contributor.author	Δίκαρος, Νικόλαος	el
dc.contributor.author	Dikaros, Nikolaos	en
dc.date.accessioned	2022-11-14T09:05:06Z
dc.date.available	2022-11-14T09:05:06Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56125
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.23823
dc.rights	Default License
dc.subject	Deep learning	el
dc.subject	Neural networks	en
dc.subject	Forecasting techniques	en
dc.subject	Python keras	en
dc.subject	Συνελλικτικά νευρωνικά δίκτυα	el
dc.subject	Τεχνικές προβλέψεων	el
dc.subject	Βαθιά μάθηση	el
dc.title	Ανάπτυξη αρχιτεκτονικών συνελικτικών νευρωνικών δικτύων για πρόβλεψη χρονοσειρών	el
heal.type	bachelorThesis
heal.classification	Τεχνικές προβλέψεων, βαθιά μηχανική μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-07-12
heal.abstract	Ο τομέας των προβλέψεων, και ειδικότερα των επιχειρησιακών, παρουσιάζει μία αξιοσημείωτη ανάπτυξη τα τελευταία χρόνια, η οποία λαμβάνει χώρα παράλληλα με την επανάσταση της επιστήμης των δεδομένων. Οι παραδοσιακές στατιστικές μέθοδοι προβλέψεων που κυριαρχούσαν στον χώρο κατά τα πρώτα χρόνια της νέας χιλιετίας, αρχίζουν να δέχονται έντονο ανταγωνισμό από τις μεθόδους μηχανικής μάθησης και ιδιαίτερα από τα νευρωνικά δίκτυα, προς τα οποία το ενδιαφέρον της επιστημονικής κοινότητας, πέρασε από τον ενθουσιασμό κατά την δεκαετία του 80, στον παροπλισμό, και κατόπιν στην φρενήρη υιοθέτησή τους κατά τη δεύτερη δεκαετία του 21ου αιώνα. Στο πρώτο τμήμα της παρούσας διπλωματικής γίνεται μία εκτενής παρουσίαση των παραδοσιακών μεθόδων και τεχνικών παραγωγής προβλέψεων. Κατόπιν, η εργασία εστιάζει στις μεθόδους μηχανικής μάθησης και ιδιαίτερα στα νευρωνικά δίκτυα και τον τρόπο χρήσης τους στον χώρο τον προβλέψεων. Ακολουθεί η περιγραφή της πειραματικής διαδικασίας που υλοποιήθηκε με τη γλώσσα προγραμματισμού python. Στα πλαίσιά της υλοποιήθηκαν και διερευνήθηκαν πολλές αρχιτεκτονικές συνελικτικών νευρωνικών δικτύων (CNN) προκειμένου να εκπονηθούν σημειακές προβλέψεις για τις ετήσιες χρονοσειρές του διαγωνισμού Μ4. Μέσα από μια διαδικασία βελτιστοποίησης υπερπαραμέτρων, επιλέχθηκε η βέλτιστη αρχιτεκτονική, και οι επιδόσεις της συγκρίθηκαν με ένα Multi Layer Perceptron που αναπτύχθηκε ως benchmark μέθοδος για τις ανάγκες της παρούσας, την μέθοδο Theta που αποτελεί καθιερωμένη στατιστική μέθοδο με εξαιρετικές επιδόσεις σε προηγούμενους διαγωνισμούς Μ, καθώς και με την μέθοδο ES-RNN (Exponential Smoothing Recurrent Neural Network), που ούσα υβριδική μέθοδος (συνδυασμός εκθετικής εξομάλυνσης με αναδρομικά νευρωνικά δίκτυα) αναδείχθηκε νικήτρια του διαγωνισμού Μ4. Η εργασία ολοκληρώνεται με προτάσεις περαιτέρω βελτιστοποίησης της επιλεχθείσας αρχιτεκτονικής συνελικτικού δικτύου, καθώς και δημιουργίας μίας δικτυακής εφαρμογής, προκειμένου τα απότοκα της παρούσας να τεθούν σε παραγωγική λειτουργία και στην διάθεση του κοινού. Τέλος, γίνεται συζήτηση σχετικά με το ενεργειακό αποτύπωμα των μεθόδων που χρησιμοποιήθηκαν. Λέξεις κλειδιά: Τεχνικές Προβλέψεων, Μηχανική Μάθηση, Συνελικτικά Νευρωνικά δίκτυα, Python, Keras.	el
heal.advisorName	Ασημακόπουλος, Βασίλειος	el
heal.committeeMemberName	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	164 σ.	el
heal.fullTextAvailability	false