Συγκριτική αξιολόγηση μοντέλων μηχανικής μάθησης για την πρόβλεψη χρονοσειράς τιμών του αλουμινίου

Κανέλλου, Μαρία; Kanellou, Maria

dc.contributor.author	Κανέλλου, Μαρία	el
dc.contributor.author	Kanellou, Maria	en
dc.date.accessioned	2025-01-17T10:59:47Z
dc.date.available	2025-01-17T10:59:47Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/60865
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.28561
dc.rights	Default License
dc.subject	Τιμές αλουμινίου	el
dc.subject	Χρονοσειρές	el
dc.subject	Μοντέλα πρόβλεψης	el
dc.subject	Στατιστικά μοντέλα	el
dc.subject	Μηχανική μάθηση	el
dc.title	Συγκριτική αξιολόγηση μοντέλων μηχανικής μάθησης για την πρόβλεψη χρονοσειράς τιμών του αλουμινίου	el
heal.type	bachelorThesis
heal.classification	Στατιστική	el
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2024-07-22
heal.abstract	Η παρούσα διπλωματική εργασία διερευνά την αγορά αλουμινίου, εστιάζοντας στην παραγωγή, τη ζήτηση, τις εφαρμογές και την τιμολόγησή του. Το αλουμίνιο είναι ένα ευπροσάρμοστο μέταλλο με ευρύ φάσμα χρήσεων σε διάφορες βιομηχανίες. Η διαδικασία παραγωγής του αλουμινίου περιλαμβάνει πολλαπλά στάδια και η κατανόηση αυτής της διαδικασίας είναι ζωτικής σημασίας για την κατανόηση της δυναμικής της αγοράς. Η διατριβή αναλύει τα ιστορικά πρότυπα στις τιμές του αλουμινίου από το 1990 έως σήμερα, δίνοντας έμφαση στις αξιοσημείωτες διακυμάνσεις και τις μεταβλητές που συμβάλλουν σε αυτές. Περιλαμβάνεται επίσης μια μελέτη της κύριας αγοράς αλουμινίου, καθώς και μια ενδελεχής εξέταση σημαντικών διεθνών χρηματιστηρίων, συμπεριλαμβανομένων του Χρηματιστηρίου Μετάλλων της Σαγκάης και του Χρηματιστηρίου Μετάλλων του Λονδίνου. Η μελέτη επικεντρώνεται κυρίως στην εφαρμογή διαφόρων μοντέλων για την πρόβλεψη των τιμών του αλουμινίου. Αξιολογείται η αποτελεσματικότητα των συμβατικών τεχνικών ανάλυσης χρονοσειρών, όπως τα μοντέλα Drift, ARIMA, Naïve και Simple Exponential Smoothing. Για τη βελτίωση της ακρίβειας της πρόβλεψης χρησιμοποιούνται επίσης σύγχρονες μέθοδοι μηχανικής μάθησης, όπως το TimeGPT και τα Τεχνητά Νευρωνικά Δίκτυα. Προκειμένου να αυξηθεί η απόδοση, η μελέτη διερευνά επίσης την εφαρμογή συνδυασμών μοντέλων, με σκοπό τη μείωση του σφάλματος της πρόβλεψης. Τα αποτελέσματα αυτών των μοντέλων πρόβλεψης εξετάζονται προσεκτικά για να αποκαλύψουν λεπτομέρειες σχετικά με την αξιοπιστία και την ακρίβειά τους. Αυτή η ενδελεχής μελέτη παρέχει πληθώρα πληροφοριών στους ενδιαφερόμενους του κλάδου, επιτρέποντάς τους να κατανοήσουν τη σημασία αξιοποίησης κλασσικών αλλά και προηγμένων μοντέλων πρόβλεψης για την χρονοσειρά των τιμών του αλουμινίου.	el
heal.advisorName	Δαμίγος, Δημήτριος	el
heal.committeeMemberName	Δαμίγος, Δημήτριος	el
heal.committeeMemberName	Καλιαμπάκος, Δημήτριος	el
heal.committeeMemberName	Γαγάνης, Βασίλειος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Μηχανικών Μεταλλείων Μεταλλουργών. Τομέας Μεταλλευτικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	89 σ.	el
heal.fullTextAvailability	false