Πρόβλεψη με χρήση γενικευμένων νευρωνικών δικτύων αξιοποιώντας μεγάλο όγκο δεδομένων

Μπλέτσας, Νικόλαος; Bletsas, Nikolaos

dc.contributor.author	Μπλέτσας, Νικόλαος	el
dc.contributor.author	Bletsas, Nikolaos	en
dc.date.accessioned	2025-01-08T12:02:44Z
dc.date.available	2025-01-08T12:02:44Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/60657
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.28353
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by/3.0/gr/	*
dc.subject	Πολυστρωματικό Perceptron	el
dc.subject	Καθολική Εκπαίδευση	el
dc.subject	Τεχνητά Νευρωνικά ∆ίκτυα	el
dc.subject	Πρόβλεψη Χρονοσειρών	el
dc.subject	Tεχνικές Προβλέψεων	el
dc.subject	Multilayer Perceptron	en
dc.subject	Global Training	en
dc.subject	Artificial Neural Networks	en
dc.subject	Time-series Forecasting	en
dc.subject	Forecasting Techniques	en
dc.title	Πρόβλεψη με χρήση γενικευμένων νευρωνικών δικτύων αξιοποιώντας μεγάλο όγκο δεδομένων	el
heal.type	bachelorThesis
heal.classification	Νευρωνικά δίκτυα	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-07-16
heal.abstract	Η παρούσα διπλωματική εργασία έχει ως στόχο να σχεδιάσει και να εκπαιδεύσει ένα νευρωνικό δίκτυο με χρήση μεγάλου όγκου δεδομένων το οποίο θα είναι σε θέση να προβλέπει χρονοσειρές οι οποίες αναφέρονται σε δεδομένα κατανάλωσης ενέργειας, καθιστώντας το κατάλληλο για γενικευμένη χρήση. Τα τελευταία χρόνια, με τη ραγδαία βελτίωση των συστημάτων μηχανικής μάθησης και την ανάγκη για πρόβλεψη χρονοσειρών σε ενεργειακά δεδομένα, έχουν γίνει σημαντικές έρευνες χρησιμοποιώντας διάφορα είδη νευρωνικών δικτύων για βέλτιστη πρόβλεψη. Η δημιουργία των μοντέλων βασίστηκε στην καθολική εκπαίδευση και την αξιοποίηση μεγάλου όγκου δεδομένων. Αυτή η μέθοδος επιτρέπει την αξιοποίηση διαφορετικών συνόλων δεδομένων και προηγμένων τεχνικών μοντελοποίησης για τη δημιουργία προβλέψεων υψηλής ακρίβειας. Η αρχιτεκτονική που χρησιμοποιήθηκε είναι το πολυεπίπεδο τεχνητό νευρωνικό δίκτυο, το οποίο, παρά την απλότητά του, παρουσιάζει ικανοποιητικές προβλέψεις σε ενεργειακά δεδομένα. Η παρούσα εργασία ξεκινά με μια θεωρητική ανάλυση των στατιστικών μεθόδων πρόβλεψης,εξετάζοντας επίσης τις διαφορετικές αρχιτεκτονικές νευρωνικών δικτύων που μπορούν να χρησιμοποιηθούν για την πρόβλεψη χρονοσειρών καθώς και μετρικών που θα εφαρμοστούν κατά τη διάρκεια της έρευνας. Στο πλαίσιο του πειραματικού σταδίου, προηγείται μια σημαντική φάση συλλογής και προεπεξεργασίας των δεδομένων, η οποία είναι ουσιώδης για τη διασφάλιση της κατάλληλης δομής της εισόδου στα νευρωνικά δίκτυα αλλά και της ποιότητας των δεδομένων. Έπειτα, προχωρούμε σε μια εμπεριστατωμένη ανάλυση όλων των δημιουργηθέντων μοντέλων και της αρχιτεκτονικής των νευρωνικών δικτύων τα οποία χρησιμοποιήθηκαν, με στόχο την επίτευξη προβλέψεων υψηλής ακρίβειας, ακολουθούμενη από μια λεπτομερή εξέταση των προκύπτοντων αποτελεσμάτων τόσο σε συνολικό βαθμό όσο και ανάλογα τον τύπο κτιρίου, το είδος ενέργειας και τον τύπο χρήσης ενέργειας. Παρατηρήθηκε ότι η καθολική εκπαίδευση είναι σημαντική για την αξιοποίηση του μεγάλου συνόλου δεδομένων, ενώ η εστίαση των μοντέλων σε υποσύνολο δεδομένων βελτίωσε τα συνολικά αποτελέσματα. Τέλος, προτείνονται διάφορες μελλοντικές επεκτάσεις για τη βελτίωση της μελέτης και των αποτελεσμάτων.	el
heal.abstract	The present thesis aims to design and train a neural network using a large dataset that will be able to predict time series referring to energy consumption data, making it suitable for general use. In recent years with the rapid improvement of machine learning systems as well as the need for time series prediction in energy data, significant research has been done using various kinds of neural networks in order to optimally predict the target energy timeseries. Due to the need to predict such time series and the ever-increasing amount of global data available for analysis, the creation of the models used was based on global training and the exploitation of a large amount of data. Global training of neural networks is an important training method as by using this method if is possible to take advantage of different data sets and advanced modeling techniques aiming to generate accurate predictions. The neural network architecture used during the thesis was that of the multilayer perceptron (MLP) which, despite its simplicity, has demonstrated satisfactory predictions in energy data. This study begins with a theoretical analysis of statistical forecasting methods, also examining the different neural network architectures that can be used for time series prediction, as well as the metrics that will be applied during the research. In the experimental phase, a significant data collection and preprocessing stage precedes, which is essential for ensuring the proper structure of the input to the neural networks and the quality of the data. Then, we proceed with an in-depth analysis of all the created models and the architecture of the neural networks used, aiming to achieve high-accuracy predictions, followed by a detailed examination of the resulting outcomes both overall and according to building type, energy type, and energy usage type. It was observed that global training is essential for the correct utilization of the large dataset, while models that focused on subsets of data improved the overall results. Finally, various future extensions are proposed to enhance the study and its outcomes.	en
heal.advisorName	Ασημακόπουλος, Βασίλειος	el
heal.advisorName	Σπηλιώτης, Ευάγγελος	el
heal.committeeMemberName	Δούκας, Χρυσόστομος	el
heal.committeeMemberName	Μαρινάκης, Ευάγγελος	el
heal.committeeMemberName	Ασημακόπουλος, Βασίλειος	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	105 σ.	el
heal.fullTextAvailability	false