Πιθανοτικές προβλέψεις με χρήση ντετερμινιστικών μεταβλητών και μοντέλων μηχανικής μάθησης

Μαργώνης, Ευάγγελος; Margonis, Evangelos

dc.contributor.author	Μαργώνης, Ευάγγελος	el
dc.contributor.author	Margonis, Evangelos	en
dc.date.accessioned	2025-06-06T09:53:38Z
dc.date.available	2025-06-06T09:53:38Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/62031
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.29727
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	Χρονοσειρά	el
dc.subject	Τεχνικές Προβλέψεων	el
dc.subject	Πιθανοτικές Προβλέψεις	el
dc.subject	Δέντρα Αποφάσεων	el
dc.subject	M5	en
dc.subject	LightGBM	en
dc.title	Πιθανοτικές προβλέψεις με χρήση ντετερμινιστικών μεταβλητών και μοντέλων μηχανικής μάθησης	el
heal.type	bachelorThesis
heal.classification	Τεχνικές Προβλέψεων	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2025-02-24
heal.abstract	Ένα πρόβλημα που αντιμετωπίζει διαχρονικά ο κλάδος του λιανεμπορίου, είναι η απο-τελεσματική αναπλήρωση του αποθέματος προϊόντων. Οι παράγοντες που επηρεάζουν τη ζήτηση και ως εκ τούτου τη διαδικασία αναπλήρωσης, περιλαμβάνουν μεταξύ άλ-λων τις προωθητικές ενέργειες του ίδιου του καταστήματος, την εποχιακότητα και τα ειδικά γεγονότα. Επομένως, κάθε πρόβλεψη ζήτησης οφείλει να λαμβάνει υπόψη τους συγκεκριμένους παράγοντες και να τους αξιοποιεί βέλτιστα για τη μείωση του σφάλ-ματος. Ταυτόχρονα, η πρόοδος των υπολογιστικών συστημάτων, έχει οδηγήσει στην κατακόρυφη άνοδο της τεχνητής νοημοσύνης και εδραιώσει τα μοντέλα μηχανικής μά-θησης στον τομέα των προβλέψεων χρονοσειρών. Στην παρούσα διπλωματική εργασία εξετάζεται η συνεισφορά ενδεικτικών ντετερμινι-στικών μεταβλητών, όπως οι παράγοντες που αναφέρθηκαν παραπάνω, στην ακρίβεια πρόβλεψης ζήτησης και διερευνάται αν πράγματι αυτές ωφελούν την τελική πρόβλεψη ή εισάγουν περιττή πληροφορία, μειώνοντας έτσι την απόδοση των μοντέλων. Η ανά-λυση επικεντρώνεται στην αξιολόγηση πιθανοτικών προβλέψεων θεωρώντας διάστημα εμπιστοσύνης 95%, το οποίο επιλέγεται συχνά από τις επιχειρήσεις για την εξασφάλιση υψηλής διαθεσιμότητας προϊόντων στις αποθήκες, χρησιμοποιώντας παράλληλα το σύνολο δεδομένων του διαγωνισμού προβλέψεων M5, που αφορά στις πωλήσεις προϊόντων σε δέκα καταστήματα της Walmart. Ξεκινώντας από κλασικές μεθόδους που χρησιμοποιούνται κατά κόρον για την πρό-βλεψη της ζήτησης στον κλάδου του λιανεμπορίου, όπως η απλή μέθοδος εκθετικής εξομάλυνσης και τα μοντέλα ARIMA με εξωγενείς μεταβλητές, καταλήγουμε σε μο-ντέλα μηχανικής μάθησης και πιο συγκεκριμένα σε δέντρα παλινδρόμησης αξιοποιώ-ντας τον αλγόριθμο LightGBM. Με αυτό τον τρόπο εξετάζονται και μη γραμμικά μο-ντέλα πρόβλεψης τα οποία δεν υποθέτουν κάποια συγκεκριμένη κατανομή για τη ζή-τηση αλλά την εκτιμούν εμπειρικά με βάση τα διαθέσιμα δεδομένα. Τα αποτελέσματα της εργασίας δείχνουν ότι η χρήση των μοντέλων μηχανικής μάθη-σης παρουσιάζει αρκετά βελτιωμένα αποτελέσματα στην ακρίβεια πρόβλεψη ζήτησης σε σχέση με τις κλασικές μεθόδους και πως η χρήση ντετερμινιστικών μεταβλητών είναι απαραίτητη για την καλύτερη παραμετροποίηση των μοντέλων πρόβλεψης.	el
heal.advisorName	Ασημακόπουλος, Βασίλειος	el
heal.committeeMemberName	Ασημακόπουλος, Βασίλειος	el
heal.committeeMemberName	Ασκούνης, Δημήτριος	el
heal.committeeMemberName	Δούκας, Χρυσόστομος	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	95 σ.	el
heal.fullTextAvailability	false