Dissertations https://dione.lib.unipi.gr/xmlui/handle/unipi/1 2026-06-21T03:39:53Z 2026-06-21T03:39:53Z Καραβοκύρη, Βασιλική https://dione.lib.unipi.gr/xmlui/handle/unipi/19449 2026-06-19T23:31:08Z 2026-06-03T00:00:00Z

Μελέτη σκοπιμότητας ίδρυσης ξενοδοχείου Καραβοκύρη, Βασιλική Η παρούσα έρευνα σκιαγραφεί τον σχεδιασμό και την κατασκευή του Chía Essence, ενός βιώσιμου πολυτελούς boutique θέρετρου που βρίσκεται σε μια απομονωμένη τοποθεσία. Η πρωτοβουλία συνδυάζει ιδέες από την υψηλή φιλοξενία, την περιβαλλοντική βιωσιμότητα και τον τουρισμό εμπειριών για να προσφέρει μια μοναδική πρόταση αξίας. Η μελέτη εξετάζει σημαντικά μέρη της λειτουργίας μιας επιχείρησης, όπως η διαχείριση της εφοδιαστικής αλυσίδας, η τεχνολογική υποδομή, η στρατηγική ανθρώπινου δυναμικού και η οργανωτική δομή. Η έμφαση δίνεται στη χρήση τοπικών πόρων, έξυπνων τεχνολογιών και πράσινων συστημάτων μηχανικής για τη βελτίωση τόσο της αποδοτικότητας όσο και της εμπειρίας των επισκεπτών. Τα προβλεπόμενα έσοδα, η εκτίμηση κόστους και οι μέθοδοι αξιολόγησης επενδύσεων, όπως η καθαρή παρούσα αξία (NPV), ο εσωτερικός συντελεστής απόδοσης (IRR) και ο χρόνος αποπληρωμής, χρησιμοποιούνται όλα για να γίνει μια πλήρης οικονομική αξιολόγηση. Χρησιμοποιούνται επίσης μελέτες κινδύνου και ευαισθησίας για να διαπιστωθεί πόσο καλά μπορεί η οικονομία να διαχειριστεί τις αλλαγές στην αγορά. Τα αποτελέσματα δείχνουν ότι ο συνδυασμός βιωσιμότητας, καινοτομίας και εμπειρικού σχεδιασμού μπορεί να βοηθήσει τη βιομηχανία τουρισμού πολυτελείας να παραμείνει ανταγωνιστική και να αποκομίσει κέρδη μακροπρόθεσμα, ειδικά στις νησιωτικές οικονομίες.

2026-06-03T00:00:00Z Χειλάς, Απόστολος https://dione.lib.unipi.gr/xmlui/handle/unipi/19448 2026-06-19T23:32:21Z 2026-05-01T00:00:00Z

Ανάλυση δεδομένων παραγγελιών και καταναλωτικής συμπεριφοράς σε ηλεκτρονική πλατφόρμα παραγγελιών φαγητού Χειλάς, Απόστολος Η παρούσα διπλωματική εργασία εξετάζει τη συμπεριφορά πελατών σε πλατφόρμα ηλεκτρονικών παραγγελιών φαγητού, αξιοποιώντας δεδομένα πραγματικών συναλλαγών, με στόχο τόσο την περιγραφική ανάλυση καταναλωτικών μοτίβων όσο και την πρόβλεψη της αποχώρησης πελατών (churn). Η μελέτη συνδυάζει τεχνικές ανάλυσης δεδομένων, τμηματοποίησης πελατών και προβλεπτικής μοντελοποίησης, προκειμένου να αναδειχθούν επιχειρησιακά χρήσιμα συμπεράσματα για τη διαχείριση πελατειακών σχέσεων και τη λήψη αποφάσεων βάσει δεδομένων. Αρχικά, πραγματοποιείται εκτενής διερευνητική ανάλυση δεδομένων παραγγελιών, με έμφαση στη συμπεριφορά χρηστών, τα χαρακτηριστικά καταστημάτων, τη γεωγραφική κατανομή της ζήτησης και βασικούς δείκτες απόδοσης. Η ανάλυση βασίζεται σε σύνολο άνω του 1,4 εκατομμυρίου παραγγελιών και καταδεικνύει έντονη συγκέντρωση της ζήτησης στα μεγάλα αστικά κέντρα, διαφοροποιήσεις μεταξύ αλυσίδων και ανεξάρτητων καταστημάτων, καθώς και τη σημασία παραγόντων όπως οι αξιολογήσεις και οι μέθοδοι πληρωμής. Στη συνέχεια, εφαρμόζεται η μεθοδολογία RFM (Recency, Frequency, Monetary) για την τμηματοποίηση των πελατών βάσει της αγοραστικής τους συμπεριφοράς. Μέσω αλγοριθμικής ομαδοποίησης προκύπτουν τρία (3) διακριτά προφίλ πελατών, τα οποία παρουσιάζουν σημαντικές διαφοροποιήσεις τόσο ως προς τη δραστηριότητα όσο και ως προς την πιθανότητα αποχώρησης. Η αποχώρηση ορίζεται έμμεσα, μέσω της παρατεταμένης χρονικής αδράνειας, με χρήση ποσοστιαίου κατωφλίου της μεταβλητής Recency, αποφεύγοντας φαινόμενα πληροφοριακής διαρροής (data leakage). Στο τελικό στάδιο της ανάλυσης αναπτύσσονται και συγκρίνονται, υπό ενιαίο πλαίσιο αξιολόγησης, προβλεπτικά μοντέλα αποχώρησης πελατών, και συγκεκριμένα μοντέλα λογιστικής παλινδρόμησης, δέντρου απόφασης, Gradient Boosting και Random Forest. Τα μοντέλα αξιολογούνται με βάση μετρικές διακριτικής ικανότητας (AUC, KS), ακρίβειας ταξινόμησης και επιχειρησιακής αποτελεσματικότητας (Lift και cumulative gain). Τα αποτελέσματα δείχνουν ότι όλα τα μοντέλα επιτυγχάνουν υψηλή και σταθερή απόδοση, με το Random Forest να παρουσιάζει οριακά ανώτερη επιχειρησιακή αποτελεσματικότητα στον εντοπισμό πελατών υψηλού κινδύνου αποχώρησης, ενώ η λογιστική παλινδρόμηση διατηρεί το πλεονέκτημα της ερμηνευσιμότητας. Συνολικά, η εργασία καταδεικνύει ότι ο συνδυασμός RFM τμηματοποίησης και προβλεπτικής ανάλυσης churn μπορεί να αποτελέσει ισχυρό εργαλείο υποστήριξης στρατηγικών αποφάσεων για ψηφιακές πλατφόρμες, επιτρέποντας τον στοχευμένο εντοπισμό πελατών υψηλού κινδύνου και την αποτελεσματικότερη εφαρμογή πολιτικών διατήρησης.

2026-05-01T00:00:00Z Christatos, Konstantinos Χρηστάτος, Κωνσταντίνος https://dione.lib.unipi.gr/xmlui/handle/unipi/19447 2026-06-19T23:33:23Z 2026-05-01T00:00:00Z

Temporal graph neural networks for migration flow prediction in Europe Christatos, Konstantinos; Χρηστάτος, Κωνσταντίνος Η παρούσα μεταπτυχιακή διατριβή εξετάζει κατά πόσο η μακροπρόθεσμη δομή των διεθνών μεταναστευτικών δικτύων μπορεί να προβλεφθεί με τη χρήση μεθόδων μηχανικής μάθησης βασισμένων σε γράφους. Βασιζόμενη σε μια προηγούμενη περιγραφική μελέτη μεταναστευτικών δικτύων, η διατριβή αναδιατυπώνει το πρόβλημα ως μια διαδικασία άμεσης πρόβλεψης δυαδικής γειτνίασης ενός βήματος, όπου ο πίνακας γειτνίασης μετανάστευσης για το έτος t+1 προβλέπεται από την προηγούμενη δομή του δικτύου. Για την επίτευξη αυτού του στόχου, αραιές μεταναστευτικές παρατηρήσεις μετασχηματίστηκαν σε μια συνεχή ετήσια αλληλουχία γράφων που καλύπτει την περίοδο 1990-2024, και κατασκευάστηκαν ετήσιοι σταθμισμένοι καθώς και δυαδικοί πίνακες γειτνίασης. Το πλαίσιο πρόβλεψης υλοποιήθηκε ως μια αναπαραγώγιμη ροή εργασίας (pipeline) σε Python, η οποία ενσωματώνει την προεπεξεργασία, την κατασκευή των γράφων, τη συγκριτική αξιολόγηση των μοντέλων και τη δομική ανάλυση. Στο πλαίσιο αυτό, η πρόβλεψη των μεταναστευτικών ροών προσεγγίζεται ως πρόβλεψη της συνδεσιμότητας των ροών μετανάστευσης (ύπαρξη ή όχι δεσμού) και όχι ως πρόβλεψη του ακριβούς μεγέθους της σταθμισμένης ροής. Οι σταθμισμένοι πίνακες παραμένουν σημαντικοί για την κατασκευή των γράφων και τη δομική ερμηνεία, ενώ η παλινδρόμηση για την εύρεση των ακριβών σταθμισμένων ροών αντιμετωπίζεται ως το φυσικό επόμενο βήμα μοντελοποίησης. Η μελέτη συγκρίνει δύο ιστορικά μοντέλα βάσης (baselines), το Persistence και το RollingAverage, έναντι τριών εκπαιδευμένων μοντέλων βασισμένων σε γράφους: ενός Συνελικτικού Δικτύου Γράφων (GCN), ενός Δικτύου Προσοχής Γράφων (GAT) και ενός χρονικού μοντέλου γράφων. Η αξιολόγηση πραγματοποιήθηκε με χρονολογικό διαχωρισμό των δεδομένων σε σύνολα εκπαίδευσης, επικύρωσης και δοκιμής, χρησιμοποιώντας τις μετρικές PR-AUC, ROC-AUC, F1-score, precision και recall. Το κύριο αποτέλεσμα δείχνει ότι το μοντέλο βάσης RollingAverage πέτυχε την ισχυρότερη συνολική προγνωστική απόδοση, ακολουθούμενο στενά από το μοντέλο Persistence, ενώ τα εκπαιδευμένα νευρωνικά μοντέλα γράφων δεν κατάφεραν να ξεπεράσουν σταθερά τα μοντέλα βάσης. Μεταξύ των προσεγγίσεων μηχανικής μάθησης, το GCN πέτυχε την καλύτερη συνολική απόδοση, ενώ το GAT συνεισέφερε ένα επίπεδο ερμηνευτικότητας μέσω της ανάλυσης των συντελεστών προσοχής, παρά τα ασθενέστερα προγνωστικά του αποτελέσματα. Επιπλέον της πρόβλεψης, η διατριβή εξετάζει τη δομική εξέλιξη των μεταναστευτικών δικτύων μέσω χαρτών κοινοτήτων, μετρικών μετάβασης και κατανομών κεντρικότητας. Τα αποτελέσματα αυτά δείχνουν ότι το μεταναστευτικό δίκτυο συνδυάζει τη συνέχεια με τη δομική αναδιοργάνωση, με την ισχυρότερη δομική αλλαγή (structural break) να εμφανίζεται μεταξύ των ετών 2020 και 2024. Συνολικά, η διατριβή συνεισφέρει ένα συγκριτικό και αναπαραγώγιμο πλαίσιο για την πρόβλεψη μεταναστευτικών δικτύων και αποδεικνύει ότι, υπό την παρούσα διατύπωση και σχεδιασμό αξιολόγησης, η πρόσφατη ιστορική συνέχεια παραμένει πιο προγνωστική από τις δοκιμασμένες νευρωνικές προσεγγίσεις γράφων.

2026-05-01T00:00:00Z Pirpos, Vasileios Πίρπος, Βασίλειος https://dione.lib.unipi.gr/xmlui/handle/unipi/19446 2026-06-19T23:36:47Z 2026-05-01T00:00:00Z

Deep sequence model for battery health prediction Pirpos, Vasileios; Πίρπος, Βασίλειος Οι μπαταρίες ιόντων λιθίου χρησιμοποιούνται ευρέως σε ηλεκτρικά οχήματα, φορητές ηλεκτρονικές συσκευές και συστήματα αποθήκευσης ενέργειας. Με την πάροδο του χρόνου, και υπό την επίδραση των συνθηκών λειτουργίας και φόρτισης, η χωρητικότητά τους μειώνεται σταδιακά, γεγονός που καθιστά ιδιαίτερα σημαντική την πρόβλεψη της μελλοντικής τους κατάστασης. Η πρόβλεψη της κατάστασης υγείας (State of Health, SOH) αποτελεί κρίσιμο παράγοντα τόσο για τον προγραμματισμό της συντήρησης όσο και για την αποτελεσματική διαχείριση της ενέργειας. Η παρούσα διπλωματική εργασία εξετάζει την πρόβλεψη της κατάστασης υγείας μπαταριών με τη χρήση ενός μοντέλου ακολουθιακής μηχανικής μάθησης, βασισμένου σε νευρωνικά δίκτυα LSTM (Long Short-Term Memory). Στη μεθοδολογία που ακολουθείται, η πρόβλεψη του SOH διατυπώνεται ως πρόβλημα πολυμεταβλητής χρονοσειριακής πρόβλεψης πολλαπλών βημάτων. Τα δεδομένα των κύκλων εκφόρτισης, όπως η τάση, το ρεύμα, η θερμοκρασία και η χωρητικότητα εκφόρτισης, υποβάλλονται σε επεξεργασία και μετατρέπονται σε στατιστικά χαρακτηριστικά σε επίπεδο κύκλου. Το SOH υπολογίζεται από τη χωρητικότητα εκφόρτισης σε σχέση με μια αρχική τιμή αναφοράς, ενώ οι ακολουθίες εισόδου-εξόδου δημιουργούνται με τη χρήση μηχανισμού ολισθαίνοντος παραθύρου (sliding window). Στη συνέχεια, εκπαιδεύεται ένα μοντέλο LSTM, με σκοπό να μάθει τα πρότυπα που προκύπτουν από τις προηγούμενες ιστορικές τιμές και, με αυτόν τον τρόπο, να προβλέπει τις μελλοντικές τιμές του SOH. Σύμφωνα με τα πειραματικά αποτελέσματα, διαπιστώνεται ότι το μοντέλο είναι σε θέση να αποτυπώσει την τάση υποβάθμισης της κατάστασης υγείας των μπαταριών και να παρέχει ικανοποιητικές βραχυπρόθεσμες προβλέψεις σε άγνωστα σύνολα δεδομένων. Τα ευρήματα δείχνουν ότι τα ακολουθιακά μοντέλα συνιστούν ένα πρακτικό και αποτελεσματικό πλαίσιο για την πρόβλεψη της κατάστασης υγείας μπαταριών, ενώ παράλληλα αναδεικνύεται η αυξημένη δυσκολία πρόβλεψης σε μεγαλύτερους χρονικούς ορίζοντες.

2026-05-01T00:00:00Z