dc.contributor.author | Γεωργακόπουλος, Αθανάσιος-Μάριος![]() |
el |
dc.contributor.author | Georgakopoulos, Athanasios-Marios![]() |
en |
dc.date.accessioned | 2022-12-02T07:53:03Z | |
dc.date.available | 2022-12-02T07:53:03Z | |
dc.identifier.uri | https://dspace.lib.ntua.gr/xmlui/handle/123456789/56335 | |
dc.identifier.uri | http://dx.doi.org/10.26240/heal.ntua.24033 | |
dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
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 | Χρονοσειρές | el |
dc.subject | Πρόβλεψη | el |
dc.subject | Μηχανές Διανυσμάτων Υποστήριξης | el |
dc.subject | Δένδρα Απόφασης | el |
dc.subject | κ-Κοντινότεροι Γείτονες | el |
dc.subject | Deep Learning | en |
dc.subject | Single Page Application | en |
dc.subject | Linear Regression | en |
dc.subject | Machine Learning | en |
dc.subject | Gradient Boosting | en |
dc.title | Πρόβλεψη μέσης ωριαίας κατανάλωσης ηλεκτρικής ισχύος με χρήση μεθόδων μηχανικής μάθησης | el |
heal.type | bachelorThesis | |
heal.classification | Μηχανική Μάθηση | el |
heal.language | el | |
heal.access | free | |
heal.recordProvider | ntua | el |
heal.publicationDate | 2022-07-22 | |
heal.abstract | Ο σκοπός της παρούσας εργασίας είναι να προσαρμόσει διάφορους αλγορίθμους μηχανικής μάθησης και αρχιτεκτονικές βαθιάς μάθησης στο πρόβλημα της πρόβλεψης χρονοσειρών. Με άλλα λόγια μετατρέπουμε το πρόβλημα της παλινδρόμησης στην πρόβλεψη χρονοσειρών. Για να το πετύχουμε αυτό εξετάζουμε διάφορες τεχνικές με τις οποίες τα μοντέλα εκπαιδεύονται και παράγουν τις ζητούμενες προβλέψεις. Τα δεδομένα μας προέρχονται από ένα σύνολο μετρήσεων της κατανάλωσης ισχύος σε μία τριφασική γραμμή, οι οποίες μετά από κατάλληλη επεξεργασία μας δίνουν τις τελικές χρονοσειρές. Αρχικά, παρουσιάστηκαν οι βασικές έννοιες που αφορούν τις χρονοσειρές. Αναφερθήκαμε στην ανάλυση χρονοσειρών μέσω διαφόρων δεικτών και στην διαδικασία πρόβλεψης με στατιστικές μεθόδους. Οι στατιστικές μέθοδοι που αναλύθηκαν είναι η απλοϊκή, οι μέθοδοι εκθετικής εξομάλυνσης, τα μοντέλα ARIMA, η αποσύνθεση και ο απλός μέσος όρος. Για τις τρεις πρώτες παρουσιάσαμε και τις εποχιακές εκδοχές τους. Επίσης, κάναμε μία σύντομη αναφορά στην μέθοδο Θ, στην γραμμική παλινδρόμηση και στον αλγόριθμο Facebook Prophet. Είναι λογικό να θέλουμε να αξιολογήσουμε τις προβλέψεις μας. Για να γίνει αυτό είναι απαραίτητο να έχουμε τα πραγματικά δεδομένα ώστε να τα αντιπαραβάλλουμε με την πρόβλεψή μας. Αν τα δεδομένα αυτά είναι μελλοντικές τιμές πρέπει να περιμένουμε μέχρι να γίνουν διαθέσιμα. Στην εργασία μας προβλέπουμε τις τελευταίες τιμές των χρονοσειρών, τις οποίες θεωρούμε άγνωστες. Στην παρούσα εργασία θα δουλέψουμε με το MAPE, που ανήκει στην κατηγορία των ποσοστιαίων σφαλμάτων. Οι μέθοδοι μηχανικής μάθησης που χρησιμοποιήσαμε για να κάνουμε προβλέψεις είναι η γραμμική παλινδρόμηση, οι μηχανές διανυσμάτων υποστήριξης, οι κ-κοντινότεροι γείτονες, το δένδρο απόφασης, το τυχαίο δάσος και η ενίσχυση κλίσης. Από το κομμάτι της βαθιάς μάθησης χρησιμοποιούμε τα τεχνητά νευρωνικά δίκτυα και τον σύγχρονο αλγόριθμο N-Beats. Σύντομη αναφορά γίνεται στα συνελικτικά νευρωνικά δίκτυα και στα αναδρομικά νευρωνικά δίκτυα. Η εκπαίδευση των μοντέλων σε κάθε περίπτωση γίνεται μετατρέποντας την χρονοσειρά σε δείγματα, όπου ως εισόδους θα έχουν παρελθοντικές τιμές. Για την διευκόλυνση της διαδικασίας δημιουργίας προβλέψεων δημιουργήσαμε μία εφαρμογή. Στην εφαρμογή αυτή ο χρήστης μπορεί να κάνει πρόβλεψη με όσους από τους έξι αλγορίθμους επιθυμεί ή να δημιουργήσει ένα νευρωνικό δίκτυο για τον σκοπό αυτό. Πέραν αυτού, η εφαρμογή δίνει την δυνατότητα στον χρήστη να δει τα δεδομένα καθώς και τις προβλέψεις που έκανε στο παρελθόν. Τέλος, πραγματοποιήσαμε διάφορα πειράματα πρόβλεψης και συγκρίναμε τους αλγορίθμους και τις τεχνικές βάσει των αποτελεσμάτων τους. | el |
heal.abstract | The cause of this work is to adapt various machine learning algorithms and deep learning architectures to the problem of time-series forecasting. In other words, we convert the regression problem into time-series forecasting. In order to do this we examine various techniques, which are used to train models and produce the asked predictions. The data we used comes from a set of measurements of power consumption from a three-phase electrical line. With proper processing we make the final time-series. Initially, basic concepts of forecasting have been presented. We referred to time-series analysis via various indicators and to forecasting process via statistical methods. The statistical methods that we referred to, are Naive, exponential smoothing, ARIMA models, decomposition and simple average. For the first three methods, we included the seasonal versions of them. Furthermore, we made a short reference to theta method, to linear regression, and to the Facebook Prophet algorithm. It’s logical that we want to evaluate the predictions. In order to do this, it’s necessary to have the actual data to contrast them with the predictions. If these data are future values we need to await them. In this work we forecast the last values of the time-series, which we consider unknown. In this work we will use MAPE, which belongs to absolute percentage errors. The machine learning methods that we used to make predictions are linear regression, support vector machines, k-nearest neighbors, decision tree, random forest and gradient boosting. From the part of deep learning we used custom neural networks and the modern algorithm N-Beats. We made a short reference to convolutional neural networks and recurrent neural networks. Training of models in all cases is made by using converted time-series to samples, which have as input some past values. In order to facilitate the process of producing predictions, we created a web application. In this application, user can make a forecast using as many algorithms as he wants from the six presented algorithms or can create a neural network for this purpose. Besides this, application enables user to see the data and the past predictions. Finally, we run several experimental forecasts and compared algorithms and techniques based on their results. | en |
heal.advisorName | Βαρβαρίγου, Θεοδώρα | el |
heal.committeeMemberName | Βαρβαρίγος, Εμμανουήλ | el |
heal.committeeMemberName | Παπαβασιλείου, Συμεών | el |
heal.academicPublisher | Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Επικοινωνιών, Ηλεκτρονικής και Συστημάτων Πληροφορικής | el |
heal.academicPublisherID | ntua | |
heal.numberOfPages | 110 σ. | el |
heal.fullTextAvailability | false |
Οι παρακάτω άδειες σχετίζονται με αυτό το τεκμήριο: