Προηγμένες Τεχνικές Πρόβλεψης στην Ανάλυση Χρονοσειρών

Ντουρής, Φίλιππος; Ntouris, Filippos

dc.contributor.author	Ντουρής, Φίλιππος	el
dc.contributor.author	Ntouris, Filippos	en
dc.date.accessioned	2025-11-13T09:18:38Z
dc.date.available	2025-11-13T09:18:38Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/62870
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.30566
dc.rights	Default License
dc.subject	Χρονοσειρές	el
dc.subject	Πρόβλεψη	el
dc.subject	Στατιστικά Μοντέλα	el
dc.subject	Τεχνητά Νευρωνικά Δίκτυα	el
dc.subject	Μηχανική Μάθηση	el
dc.subject	Time Series	en
dc.subject	Forecasting	en
dc.subject	ARIMA Models	en
dc.subject	Artificial Neural Networks	en
dc.subject	Support Vector Machines	en
dc.title	Προηγμένες Τεχνικές Πρόβλεψης στην Ανάλυση Χρονοσειρών	el
dc.contributor.department	Τμήμα Στατιστικής	el
heal.type	bachelorThesis
heal.secondaryTitle	Συγκριτική Μελέτη Στατιστικών Μεθόδων και Μοντέλων Μηχανικής Μάθησης	el
heal.generalDescription	Η παρούσα διπλωματική εργασία επικεντρώνεται στις τεχνικές πρόβλεψης χρονοσειρών, συνδυάζοντας παραδοσιακές στατιστικές μεθόδους, όπως τα μοντέλα ARIMA και SARIMA, με σύγχρονα μοντέλα μηχανικής μάθησης, όπως τα Τεχνητά Νευρωνικά Δίκτυα (ANN) και οι Μηχανές Διανυσμάτων Υποστήριξης (SVM). Μέσα από θεωρητική ανάλυση και εφαρμογές σε πραγματικά και συνθετικά δεδομένα, συγκρίνονται οι δυνατότητες και οι περιορισμοί κάθε μεθόδου, αναδεικνύοντας τις καταλληλότερες προσεγγίσεις για διαφορετικούς τύπους χρονοσειρών.	el
heal.classification	Στατιστική	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2025-05-01
heal.abstract	Η ανάλυση χρονοσειρών και η πρόβλεψη τους αποτελούν σημαντικούς τομείς έρευνας και πρακτικής εφαρμογής σε πλήθος πεδίων, όπως τα οικονομικά, η επιχειρηματική στρατηγική, η ενέργεια και οι φυσικές επιστήμες. Μια χρονοσειρά είναι μια ακολουθία που λαμβάνεται σε διαδοχικά ισαπέχουσες χρονικές στιγμές. Παραδείγματα χρονοσειρών είναι τα ύψη των παλιρροιών των ωκεανών, οι μετρήσεις των ηλιακών κηλίδων και η ημερήσια τιμή κλεισίματος του S&P 500 (χρηματιστηριακός δείκτης). Χρησιμοποιούνται στην στατιστική, στην επεξεργασία σήματος, στην αναγνώριση μοτίβων, στα χρηματοοικονομικά μαθηματικά, στην πρόγνωση καιρού, στην σεισμική πρόβλεψη, στο ηλεκτροεγκεφαλογράφημα, στην αστρονομία, στην μηχανική επικοινωνιών και σε μεγάλο βαθμό σε οποιοδήποτε τομέα των εφαρμοσμένων επιστημών περιλαμβάνει χρονικές μετρήσεις. Τα τρία κυριότερα στοιχεία της ανάλυσης χρονοσειρών είναι η περιγραφή, η επεξήγηση και η πρόβλεψη των εξαρτημένων δεδομένων. Η περιγραφή επιτυγχάνεται με τη βοήθεια διαφόρων γραφημάτων και η επεξήγηση χρησιμοποιώντας κάποιας μορφής μοντέλα για να εξερευνηθούν οι μηχανισμοί δημιουργίας της χρονοσειράς. Η πρόβλεψη χρονοσειρών, Time Series Forecasting, είναι η χρήση ενός μοντέλου για την πρόβλεψη μελλοντικών τιμών βάσει προηγούμενων. Οι παραδοσιακές στατιστικές μέθοδοι, όπως τα μοντέλα Box Jenkins γνωστά ως ARIMA, είναι από τις πιο διαδεδομένες τεχνικές για τη μοντελοποίηση χρονοσειρών. Αυτές οι μέθοδοι προσφέρουν μια σταθερή και συχνά ερμηνεύσιμη προσέγγιση για δεδομένα που παρουσιάζουν γραμμικά μοτίβα, καθώς και εποχικότητα ή τάση. Ωστόσο, με την ανάπτυξη της μηχανικής μάθησης, ποικιλία μοντέλων Βαθιάς Μάθησης, Deep Learning, αλλά και Επιβλεπόμενης Μάθησης, Supervised Learning, έχουν προστεθεί στο οπλοστάσιο των εργαλείων πρόβλεψης, καθώς είναι σε θέση να μοντελοποιούν πιο πολύπλοκες σχέσεις και μη γραμμικά μοτίβα. Σκοπός αυτής της εργασίας είναι η συγκριτική ανάλυση των παραδοσιακών μεθόδων ARIMA και SARIMA με τα πιο σύγχρονα ANN και SVM μοντέλα, ώστε να διαπιστωθεί ποια προσέγγιση είναι αποτελεσματικότερη σε διαφορετικά είδη χρονοσειρών. Η εργασία επιδιώκει να παρουσιάσει τα πλεονεκτήματα και τους περιορισμούς κάθε μοντέλου, καθώς και τις πρακτικές εφαρμογές που μπορούν να εξυπηρετηθούν καλύτερα από καθένα από αυτά.	el
heal.advisorName	Κουκουβίνος, Χρήστος	el
heal.committeeMemberName	Καρώνη, Χρυσηίς	el
heal.committeeMemberName	Βόντα, Φιλία	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών. Τομέας Μαθηματικών. Εργαστήριο Στατιστικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	90
heal.fullTextAvailability	false