Μοντελοποίηση και ανάλυση χωροχρονικών επιδημιολογικών δεδομένων με τεχνικές μηχανικής μάθησης

Ζουριδάκη, Ραφαέλα; Zouridaki, Rafaela

dc.contributor.author	Ζουριδάκη, Ραφαέλα	el
dc.contributor.author	Zouridaki, Rafaela	en
dc.date.accessioned	2022-11-30T11:14:26Z
dc.date.available	2022-11-30T11:14:26Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56316
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.24014
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	Μηχανική Μάθηση	el
dc.subject	Χρονοσειρές	el
dc.subject	Μοντέλα Πρόβλεψης	el
dc.subject	Βαρύτητα Μεταβλητών	el
dc.subject	Παλινδρόμηση	el
dc.subject	Machine Learning	en
dc.subject	Time Series Forecasting	en
dc.subject	Feature Importance	en
dc.subject	Evalution Metrics	en
dc.subject	Regression Models	en
dc.title	Μοντελοποίηση και ανάλυση χωροχρονικών επιδημιολογικών δεδομένων με τεχνικές μηχανικής μάθησης	el
heal.type	bachelorThesis
heal.secondaryTitle	Modeling and Analysis of Spatiotemporal Epidemiological Data Using Machine Learning Techniques	en
heal.classification	Γεωπληροφορική	el
heal.classification	Μηχανική Μάθηση	el
heal.classification	Geoinformatics	en
heal.classification	Machine Learning	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-07-19
heal.abstract	Η παρούσα διπλωματική εργασία έχει ως θέμα τη δημιουργία και ανάλυση μοντέλων χωροχρονικών επιδημιολογικών δεδομένων με χρήση τεχνικών μηχανικής μάθησης. Τα εν λόγω μοντέλα δημιουργούνται με αλγορίθμους μηχανικής μάθησης και προβλέπουν τα κρούσματα και τους θανάτους κορονοϊού για εννέα πόλεις. Ακόμη, μελετώνται εκείνες οι μεταβλητές οι οποίες διαδραματίζουν σημαντικό ρόλο στην πρόβλεψη. Τέλος, επιλέγεται εκείνο το μοντέλο το οποίο έχει παρουσιάσει την καλύτερη προσαρμογή στα δεδομένα. Τα τελευταία δύο χρόνια, ο πλανήτης έχει έρθει αντιμέτωπος με την πανδημία του κορονοϊού. Ένα μεγάλο μέρος της επιστημονικής κοινότητας έχει στρέψει το ενδιαφέρον της στη μελέτη, κατανόηση ακόμη και στην πρόβλεψη του φαινομένου του κορονοϊού. Συναντώνται αρκετά δημιουργηθέντα μοντέλα πρόβλεψης της διασποράς του κορονοϊού, αλλά και των θανάτων οι οποίοι αποδίδονται στον κορονοϊό. Επιπροσθέτως, γίνονται προσπάθειες προσδιορισμού των χαρακτηριστικών εκείνων τα οποία επηρεάζουν τη διάδοση και τους θανάτους. Έτσι, δημιουργείται η τρέχουσα εργασία, στην οποία παρουσιάζονται τα αποτελέσματα και η αξιολόγηση μοντέλων παλινδρόμησης και παρουσιάζονται εκείνα τα χαρακτηριστικά τα οποία φαίνεται να έχουν σημαντικό βάρος στις προβλέψεις. Όπως ήδη αναφέρθηκε, χρησιμοποιήθηκε ένα σετ δεδομένων για εννέα διαφορετικές πρωτεύουσες. Τα δεδομένα αυτά, αρχικά, οπτικοποιήθηκαν με σκοπό να ελεγχθούν ως προς την πληρότητά τους, αλλά και με σκοπό την καλύτερη ερμηνεία και κατανόηση της διακύμανσης και της πιθανής σχέσης ανάμεσα στη διάδοση και στους θανάτους κορονοϊού. Στη συνέχεια, δημιουργήθηκαν μοντέλα με χρήση έξι διαφορετικών αλγορίθμων. Συγκεκριμένα, χρησιμοποιήθηκε το Multiple Linear Regression, το Support Vector Regression, το LASSO, το Gaussian Process Regression, το Random Forest Regression και το XGBoost Regression. Στη συνέχεια, τα μοντέλα αξιολογήθηκαν βάσει των αποδόσεών τους, τόσο με χρήση μετρικών αξιολόγησης μοντέλων παλινδρόμησης, όσο και με τη χρήση διαγραμμάτων. Τέλος, εντοπίζονται τα βάρη εκάστης ανεξάρτητης μεταβλητής στην πρόβλεψη. Για τα μοντέλα Random Forest Regression και XGBoost Regression χρησιμοποιείται έτοιμος τρόπος υπολογισμού τους μέσω χρήσης βιβλιοθήκης της Python, ενώ για τα υπόλοιπα μοντέλα υπολογίζονται τα βάρη των συντελεστών. Από την παραπάνω ανάλυση, προκύπτει ότι τα καλύτερα αποτελέσματα, για την πλειονότητα των πόλεων, εμφανίζονται για το μοντέλο Random Forest Regression. Άρα, ως βέλτιστο μοντέλο επιλέγεται αυτό. Αρκετά ικανοποιητική απόδοση εμφάνισε και το μοντέλο του XGBoost Regressor. Επιπροσθέτως, οι μεταβλητές οι οποίες φαίνεται να επηρέασαν τις προβλέψεις σχετίζονται, κυρίως, με την κάλυψη των περιοχών σε βλάστηση, με ατμοσφαιρικούς ρύπους και με μετεωρολογικά φαινόμενα. Εν κατακλείδι, ως τελικό πόρισμα για τη μοντελοποίηση και την ανάλυση των χωροχρονικών επιδημιολογικών δεδομένων με τεχνικές μηχανικής μάθησης είναι ότι καλύτερη απόδοση εμφανίζουν αλγόριθμοι οι οποίοι χρησιμοποιούν δένδρα αποφάσεων και τα χαρακτηριστικά τα οποία επηρεάζουν τη διάδοση και τους θανάτους είναι κατεξοχήν η μεταβλητή της κάλυψης σε βλάστηση και εν συνεχεία, οι ατμοσφαιρικοί ρύποι και τα μετεωρολογικά φαινόμενα.	el
heal.abstract	This thesis aims to create and analyze models of spatiotemporal epidemiological data using Machine Learning techniques. These models are created using ML algorithms, while focusing on predictions of cases and deaths of Covid-19, for nine cities. In addition, feature importance for each model is being extracted, in order to determine the possible factors that influence the Covid-19 spread. Subsequently, best fit model is the one that represents the best predictions for both propagation rates and mortality rates, based on model evaluation metrics. Over the past two years, the pandemic of covid-19 has been decimating humanity. More and more scientists turn their interest to studying, understanding and predicting Covid-19 spread. In the existing literature, numerous prediction models for the spread and the mortality caused by covid-19 can be found. In addition, scientists show particular interest in appointing all possible features that affect the spread of covid. In this specific thesis, the results of the models’ prediction and their evaluation are presented, as well as the feature importance of each variable. In an endeavor to address the aforementioned issues, there is a vital need to understand the data set. Thus, firstly, a visualization is provided of the actual values of cases and deaths, for each city. Subsequently, six ML models were created. The algorithms used are Multiple Linear Regression, Support Vector Regression, LASSO, Gaussian Process Regression, Random Forest Regression, and XGBoost Regressor. Besides, regression evaluation metrics were utilized to evaluate the models’ performance. Lastly, the score for all the input features was computed. Random Forest and XGBoost have built-in feature importance, therefore the scikit-learn package was used aiming to reckon that score. As for the rest of the models, coefficients were used as a crude type of feature importance. The presented evidence conclude that the Random Forest was the model with the best performance. Furthermore, the key factors that influence the evolution trend of Covid-19 are related to urban vegetation, air pollutants such as SO2, NO2, O3, PMxx and meteorological conditions such as temperature, humidity, wind speed and precipitation. Finally, algorithms based on decision trees tend to have better performance than simpler algorithms such as Linear Regression, LASSO, SVR and GPR. Ultimately there is a strong association between urban vegetation and the spread of the pandemic. Similar relationship can be found with respect to air pollutants and meteorological factors and the spread of Covid-19.	en
heal.advisorName	Δουλαμης, Νικολαος	el
heal.advisorName	Doulamis, Nikolaos	en
heal.committeeMemberName	Γεωργόπουλος, Ανδρέας	el
heal.committeeMemberName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Δουλάμης, Νικόλαος	el
heal.committeeMemberName	Doulamis, Nikolaos	en
heal.committeeMemberName	Karantzalos, Konstantinos	en
heal.committeeMemberName	Georgopoulos, Andreas	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	300 σ.	el
heal.fullTextAvailability	false