Πρόβλεψη χρονοσειρών πλημμυρικών φαινομένων με χρήση βαθέων νευρωνικών δικτύων

Τεπετίδης, Νικόλαος; Tepetidis, Nikolaos

dc.contributor.author	Τεπετίδης, Νικόλαος	el
dc.contributor.author	Tepetidis, Nikolaos	en
dc.date.accessioned	2023-11-24T08:04:54Z
dc.date.available	2023-11-24T08:04:54Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/58315
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.26011
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) "Επιστήμη Δεδομένων και Μηχανική Μάθηση"	el
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	Πλημμύρες	el
dc.subject	Παροχές ποταμών	el
dc.subject	Πρόβλεψη χρονοσειρών	el
dc.subject	Βαθιά νευρωνικά δίκτυα	el
dc.subject	Μετασχηματιστές	el
dc.subject	Μοντέλο πληροφόρησης	el
dc.subject	Floods	en
dc.subject	River streamflows	en
dc.subject	Time series forecasting	en
dc.subject	Deep neural networks	en
dc.subject	Transformers	en
dc.subject	Informer model	en
dc.title	Πρόβλεψη χρονοσειρών πλημμυρικών φαινομένων με χρήση βαθέων νευρωνικών δικτύων	el
dc.title	Time Series Forecasting of Flood Events Using Deep Neural Networks	en
heal.type	masterThesis
heal.classification	Βαθιά Μάθηση	el
heal.classification	Deep Learning	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-07-12
heal.abstract	Τα πλημμυρικά φαινόμενα αποτελούν σημαντική απειλή για τις κοινότητες παγκοσμίως, απαιτώντας ακριβή και έγκαιρη πρόβλεψη για τον αποτελεσματικό μετριασμό και την αντιμετώπισή τους. Πρόσφατες μελέτες έχουν αναδείξει τις δυνατότητες των δικτύων μετασχηματιστών (γνωστά ως transformers) στην αύξηση της ικανότητας πρόβλεψης. Ωστόσο, οι κλασικοί μετασχηματιστές παρουσιάζουν διάφορα προβλήματα όπως η χρονική υπολογιστική πολυπλοκότητα και οι υψηλές απαιτήσεις μνήμης, που καθιστούν δύσκολη τη μακροπρόθεσμη πρόβλεψη. Εξετάζεται η συνεισφορά στην πρόβλεψη χρονοσειρών πλημμυρικών φαινομένων με χρήση τεχνικών βαθιάς μάθησης, με ιδιαίτερη έμφαση στην αξιολόγηση της απόδοσης του μοντέλου πληροφόρησης Informer, το οποίο προσπαθεί να ξεπεράσει τις προαναφερθέντες αδυναμίες. Η μελέτη διερευνά τις δυνατότητες πρόβλεψης του μοντέλου Informer σε σύγκριση με παραδοσιακές στατιστικές μεθόδους, στοχαστικά μοντέλα και παραδοσιακά βαθιά νευρωνικά δίκτυα. Το μοντέλο πληροφόρησης αποτελεί ένα αποδοτικό μοντέλο βασισμένο στην αρχιτεκτονική των μετασχηματιστών που έχει σχεδιαστεί για το πρόβλημα της μακροπρόθεσμης πρόβλεψης. Εισάγει καινοτόμα χαρακτηριστικά για την ενίσχυση της αποδοτικότητας και της ακρίβειας. Αρχικά, εισάγει ένα είδος πιθανοτικού μηχανισμού προσοχής (Probabilistic Sparsity attention mechanism) μειώνοντας την πολυπλοκότητα του υπολογιστικού χρόνου. Επιπλέον χρησιμοποιεί μια τεχνική εξαγωγής χρήσιμης πληροφορίας, που αναδεικνύει την κυρίαρχη προσοχή επιτρέποντας τον αποτελεσματικό χειρισμό εξαιρετικά μεγάλων ακολουθιών εισόδου. Πέρα από αυτό το μοντέλο ενσωματώνει ένα είδος αποκωδικοποιητή (decoder) το οποίο προβλέπει μακροπρόθεσμες ακολουθίες χρονοσειρών με ένα προς-τα-εμπρός πέρασμα. Η ακρίβεια, η αποδοτικότητα, καθώς και τα όρια των προσεγγίσεων αναδεικνύονται μέσα από εφαρμογές που αφορούν σε πραγματικούς ποταμούς. Αξιοποιώντας ημερήσια δεδομένα παροχής του ποταμού River Test στην Αγγλία ως τη βασική εφαρμογή μελέτης, η παρούσα εργασία διεξάγει μια αυστηρή αξιολόγηση της αποτελεσματικότητας των μοντέλων στην καταγραφή των πολύπλοκων χρονικών εξαρτήσεων που υπάρχουν στις χρονοσειρές πλημμυρών. Συμπληρωματικά το δίκτυο πληροφόρησης εφαρμόζεται σε ένα μεγάλο πλήθος ποταμών (>100), προκειμένου να συμπεριλάβει διαφορετικά σύνολα δεδομένων χρονοσειρών από διάφορες τοποθεσίες στο Ηνωμένο Βασίλειο, παρέχοντας πληροφορίες σχετικά με τη δυνατότητα γενίκευσης του μοντέλου. Τα αποτελέσματα αναδεικνύουν τη σημαντική υπεροχή του μοντέλου Informer έναντι των παραδοσιακών μεθόδων, ειδικά στο πρόβλημα της μακροπρόθεσμης πρόβλεψης. Παρατηρείται ακόμη πως η υψηλή ασυμμετρία χρονοσειρών επηρεάζει αρνητικά την απόδοση του μοντέλου.	el
heal.abstract	Flood events pose a significant threat to communities worldwide, demanding accurate and timely forecasting for effective mitigation and response. Recent studies have shown the potential of Τransformer networks in increasing prediction capacity. However, classical transformers present several problems such as computational time complexity and high memory requirements, which make Long Sequence Time-Series Forecasting (LSTF) intractable. The contribution to the prediction of time series of flood events using deep learning techniques is examined, with a particular focus on evaluating the performance of the Informer model, which attempts to address the previous issues. The study explores the predictive capabilities of the Informer model compared to statistical methods, stochastic models and traditional deep neural networks. The Informer model is an efficient transformer-based model designed for LSTF. It introduces several key innovations to enhance efficiency and accuracy. Firstly, it introduces a Probabilistic Sparsity attention mechanism to reduce the computational time complexity. Additionally, it employs a self-attention distilling approach that highlights the most influential attention weights enabling efficient processing of extreme long input sequences. Moreover the model incorporates a generative style decoder that predicts the long time-series sequences at one forward operation. The accuracy, efficiency as well as the limits of the approaches are demonstrated via numerical benchmarks relating to real river applications. Using daily flow data from the River Test in England as the main case study, the thesis conducts a rigorous evaluation of the Informer efficacy in capturing the complex temporal dependencies inherent in flood time series. Among other things, the present work extends its analysis to encompass diverse time series datasets from various locations (>100) in the United Kingdom, providing insights into the generalizability of the Informer. The results highlight the significant superiority of the Informer model over established forecasting methods, especially regarding the LSTF problem. Furthermore, it is observed that the high asymmetry of time series negatively affects the performance of the Informer network.	en
heal.advisorName	Βουλόδημος, Αθανάσιος	el
heal.advisorName	Voulodimos, Athanasios	en
heal.committeeMemberName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Παπαδόπουλος, Βησσαρίων	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	123 σ.	el
heal.fullTextAvailability	false