Πρόβλεψη χρονοσειρών αέριας ρύπανσης και ενεργειακής κατανάλωσης με τη χρήση ARIMA και LSTM μοντέλων
| dc.contributor.advisor | Πικράκης, Άγγελος | |
| dc.contributor.author | Φουσταλιεράκη, Μαρία | |
| dc.date.accessioned | 2020-01-15T07:19:29Z | |
| dc.date.available | 2020-01-15T07:19:29Z | |
| dc.date.issued | 2019-12 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/12570 | |
| dc.description.abstract | Τα τελευταία χρόνια ο τομέας της Μηχανικής Μάθησης έχει γνωρίσει ραγδαία ανάπτυξη για το λόγο ότι υπάρχουν πλέον συστήματα με πολύ μεγάλη υπολογιστική ισχύ που μπορούν να χρησιμοποιηθούν για την αξιοποίησή των δυνατοτήτων του. Το γεγονός αυτό έχει κεντρίσει το ενδιαφέρον των ερευνητών που προσπαθούν και έχουν καταφέρει να αναπτύξουν διάφορα μοντέλα σε μια ευρεία γκάμα από εφαρμογές. Η συγκεκριμένη διπλωματική εργασία ασχολείται με ένα μεγάλο κεφάλαιο της μηχανικής μάθησης, αυτό των νευρωνικών δικτύων και συγκεκριμένα με την κατηγορία των LSTM ανατροφοδοτούμενων νευρωνικών δικτύων. Επιπλέον, κάνοντας χρήση μεθόδων ανάλυσης χρονοσειρών με την ανάπτυξη ARIMA μοντέλων, εξετάζουμε την απόδοσή τους συγκρίνοντάς τα μεταξύ τους. Για την μελέτη και την ανάπτυξή τους χρησιμοποιήθηκαν τρία διαφορετικά σύνολα δεδομένων. Το πρώτο αφορά τη πρόβλεψη ενεργειακής κατανάλωσης από ένα νοικοκυριό, το δεύτερο την πρόβλεψη της ποιότητας του αέρα για μια συγκεκριμένη περιοχή και το τρίτο αφορά επίσης την πρόβλεψη της ποιότητας αέρα, αλλά για πολλές φυσικές τοποθεσίες. Για την χρήση τους απαιτήθηκε η προετοιμασία των δεδομένων, τόσο με τη διαχείριση των κενών τιμών όσο και με το διαχωρισμό τους σε δεδομένα εκπαίδευσης και σε δεδομένα δοκιμών. Δοκιμάστηκαν διάφορες παραλλαγές στα βασικά μοντέλα ARIMA Και LSTM και καταλήξαμε στα βέλτιστα από αυτά, ενώ οι μετρικές που χρησιμοποιήθηκαν για την απόδοσή τους ήταν το RMSE και MAE. Από την ανάλυση αυτή δείχνει τις δυνατότητες επίλυσης μεγάλων και πολύπλοκων προβλημάτων με τη χρήση τόσο των αναδρομικών νευρωνικών δικτύων όσο και με μεθόδους ανάλυσης χρονοσειρών. | el |
| dc.format.extent | 130 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
| dc.title | Πρόβλεψη χρονοσειρών αέριας ρύπανσης και ενεργειακής κατανάλωσης με τη χρήση ARIMA και LSTM μοντέλων | el |
| dc.title.alternative | Time series prediction of pollution and energy consumption data using ARIMA and LSTM models | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | There has been great development in the field of Machine Learning in recent years, mainly since the processing power of the machines that make use of its capabilities has greatly increased. This has sparked the interest of developers and analysts who are trying and have managed to develop different models based on machine learning techniques that apply to a wide range of applications. This thesis deals with a large chapter of machine learning science, that of neural networks and in particular the LSTM recurrent neural networks. In addition, by using timeseries analysis methods with the development of ARIMA models, we test their performance by comparing each one of them. Three different datasets were used for this study and the model’s development. The first concerns the prediction of the energy consumption by a household, the second concerns the air quality forecasting for a particular area, and the third also concerns the prediction of air quality but for many natural sites. Their use required the data preparation by managing NaN values and by separating them into training datasets and tests datasets. Several variants of the ARIMA and LSTM basic models were tested, and we reached to the best of them, while the measurements used for performance were RMSE and MAE metrics. This analysis shows the capability of both recurrent neural networks and timeseries analysis methods on solving big and complex problems like the examined. | el |
| dc.contributor.master | Προηγμένα Συστήματα Πληροφορικής | el |
| dc.subject.keyword | ARIMA models | el |
| dc.subject.keyword | LSTM | el |
| dc.subject.keyword | Χρονοσειρές | el |
| dc.subject.keyword | Κατανάλωση ενέργειας | el |
| dc.subject.keyword | Αέριοι ρύποι | el |
| dc.date.defense | 2019-12-19 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Πληροφορικής
Department of Informatics
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές