Ανάλυση χρονοσειρών με χρήση νευρωνικών δικτύων μετασχηματιστών

Κονταράς, Μαρίνος; Kontaras, Marinos

dc.contributor.author	Κονταράς, Μαρίνος	el
dc.contributor.author	Kontaras, Marinos	en
dc.date.accessioned	2024-01-08T11:45:13Z
dc.date.available	2024-01-08T11:45:13Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/58524
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.26220
dc.rights	Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nd/3.0/gr/	*
dc.subject	Ανάλυση χρονοσειρών	el
dc.subject	Ευφυές Σύστημα Μεταφορών	el
dc.subject	Δίκτυα Μετασχηματιστών	el
dc.subject	Βαθιά Μάθηση	el
dc.subject	Μονομεταβλητή πρόβλεψη χρονοσειρών	el
dc.subject	Time-series Analysis	en
dc.subject	Intelligent Transportation System	en
dc.subject	Transformer	en
dc.subject	Deep Learning	en
dc.subject	Univariate Forecasting	en
dc.title	Ανάλυση χρονοσειρών με χρήση νευρωνικών δικτύων μετασχηματιστών	el
heal.type	bachelorThesis
heal.classification	Νευρωνικά Δίκτυα	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-04-30
heal.abstract	Η πρόβλεψη χρονοσειρών αποτελεί μία κρίσιμη εργασία για ποικίλους τομείς, με τα παραδοσιακά στατιστικά μοντέλα να αποτυγχάνουν συχνά να συλλάβουν πολύπλοκες χρονικές και μακροπρόθεσμες εξαρτήσεις. Για την αντιμετώπιση αυτού του ζητήματος, τα μοντέλα βαθιάς μάθησης έχουν αναδειχθεί ως ένα ισχυρό εναλλακτικό εργαλείο. Πιο συγκεκριμένα, τα νευρωνικά δίκτυα μετασχηματιστών, τα οποία έχουν επιδείξει εντυπωσιακές επιδόσεις σε τομείς με χρονική αλληλεξάρτηση όπως είναι η επεξεργασία φυσικής γλώσσας, έχουν πρόσφατα επεκταθεί στην πρόβλεψη χρονοσειρών. Η παρούσα διπλωματική εργασία στοχεύει στην βελτίωση ενός ήδη υπάρχοντος ευφυούς συστήματος μεταφορών που χρησιμοποιείται για αποτελεσματικές στρατηγικές ελέγχου και διαχείρισης της κυκλοφορίας, αλλά και βελτιστοποιημένες ταξιδιωτικές αποφάσεις και προγραμματισμό για τους ενδιαφερόμενους χρήστες. Αυτό το σύστημα ενσωματώνει διάφορες βάσεις δεδομένων και εργαλεία για την εκπαίδευση και αξιολόγηση μοντέλων μηχανικής \& βαθιάς μάθησης, με έμφαση στα μοντέλα μετασχηματιστών για δεδομένα χρονοσειρών. Επιπλέον, η συγκεκριμένη έρευνα παρέχει μια ολοκληρωμένη μελέτη της ανάλυσης χρονοσειρών με τη χρήση μετασχηματιστών, καλύπτοντας τόσο τις θεωρητικές βάσεις όσο και τις πρακτικές υλοποιήσεις. Επιπλέον, προτείνονται νέες επεκτάσεις υφιστάμενων μοντέλων μετασχηματιστών για την βελτίωση της πρόβλεψης δεδομένων χρονοσειρών, μέσω της ορθής αξιοποίησης και ενσωμάτωσης εξωτερικών μεταβλητών στις υπό μελέτη αρχιτεκτονικές. Η αποτελεσματικότητα αυτών των προτεινόμενων μεθόδων επαληθεύεται σε ένα πραγματικό σύνολο κυκλοφοριακών δεδομένων, από σταθμούς διοδίων της Ολυμπίας Οδού, ενός από τους σημαντικότερους και μεγαλύτερους αυτοκινητόδρομους στην Ελλάδα. Συνολικά, η παρούσα διπλωματική εργασία παρέχει πολύτιμες γνώσεις σχετικά με την εφαρμογή μοντέλων που βασίζονται σε μετασχηματιστές για την πρόβλεψη χρονοσειρών σε συστήματα ευφυών μεταφορών. Το σύστημα που σχεδιάστηκε και υλοποιήθηκε σε αυτή τη εργασία μπορεί να αποτελέσει την αφετηρία για μελλοντική έρευνα σε αντίστοιχες εφαρμογές πραγματικού κόσμου.	el
heal.abstract	Time-series forecasting has become a critical task for many applications across a variety of fields, with traditional statistical models often failing to capture complex temporal and long-term dependencies. To address this issues, deep learning models have emerged as a powerful alternative tool in this field. More specifically, transformer-based neural networks, which have shown impressive performance in tasks with temporal dependencies such as natural language processing, have recently been extended to time-series forecasting. This diploma thesis aims to the improvement of an existing intelligent transportation system that is utilized for efficient traffic control and management strategies, as well as optimized travel decisions and scheduling for commuters. This system incorporates various databases and tools for training and evaluating machine \& deep learning models, with a focus on transformer architectures for time-series data. Moreover, this thesis provides a comprehensive study of time-series analysis using transformers, covering both the theoretical foundations and practical implementations. In addition, novel extensions to the existing transformer-based models are proposed for time-series analysis, including the incorporation of external variables and leveraging multi-horizon forecasting. The effectiveness of the proposed methods are demonstrated on a real-world traffic dataset, originating from toll stations at Olympia Odos, a modern highway in Greece. Overall, this thesis provides valuable insight into the application of transformer-based models for time-series forecasting. The framework designed and implemented in this thesis can serve as a starting point for future research and real-world applications in intelligent transportation systems.	en
heal.sponsor	Ολυμπία Οδός Α.Ε.	el
heal.advisorName	Βουλόδημος, Αθανάσιος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Κόλλιας, Στέφανος	el
heal.committeeMemberName	Βουλόδημος, Αθανάσιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	135 σ.	el
heal.fullTextAvailability	false