Ανάλυση και πρόβλεψη της ατμοσφαιρικής μόλυνσης σε πολυάριθμες χώρες μέσω χρήσης BiLSTM-Conv1D νευρωνικών δικτύων

Καράμπελας, Γεώργιος; Karampelas, Georgios

dc.contributor.advisor	Σωτηρόπουλος, Διονύσιος
dc.contributor.advisor	Sotiropoulos, Dionisios
dc.contributor.author	Καράμπελας, Γεώργιος
dc.contributor.author	Karampelas, Georgios
dc.date.accessioned	2021-12-03T08:25:53Z
dc.date.available	2021-12-03T08:25:53Z
dc.date.issued	2021-11
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/13918
dc.identifier.uri	http://dx.doi.org/10.26267/unipi_dione/1341
dc.description.abstract	Τα τεχνητά νευρωνικά δίκτυα είναι ένας επιστημονικός τομέας, ο οποίος έχει αναπτυχθεί σταδιακά με τα χρόνια και έχει υιοθετηθεί σε πολυάριθμα πεδία μελέτης λόγω της ικανότητάς του να επεξεργάζεται και να ανακαλύπτει μοτίβα από ακατέργαστα δεδομένα. Ο στόχος ενός μοντέλου νευρωνικών δικτύων είναι η επίλυση υπολογιστικών προβλημάτων, χρησιμοποιώντας διαφορετικές τεχνικές και μαθηματικές διαδικασίες. Ένα τέτοιο πρόβλημα είναι η ατμοσφαιρική ρύπανση, ένα ζήτημα που γίνεται ολοένα και πιο σοβαρό για την υγεία του ευρύτερου κοινού. Οι κυβερνήσεις και οι πολίτες απαιτούν έναν τρόπο να γνωρίζουν εκ των προτέρων μια εικόνα για το πώς θα είναι η ποιότητα του αέρα με σκοπό να πάρουν τη πρωτοβουλία και να ενεργήσουν ανάλογα. Στόχος αυτής της διπλωματικής εργασίας είναι η ανάπτυξη ενός μοντέλου νευρωνικών δικτύων που θα λαμβάνει ως είσοδο ιστορικά δεδομένα της ατμόσφαιρας και θα μπορεί να προβλέψει τις μελλοντικές τιμές των ρύπων που επηρεάζουν την ποιότητα του αέρα. Η υλοποίηση θα πραγματοποιηθεί με τη γλώσσα προγραμματισμού Python και τη χρήση βιβλιοθηκών που αναπτύχθηκαν για μηχανική μάθηση. Στο πλαίσιο της διπλωματικής εργασίας μελετήθηκαν 6 ερευνητικές εργασίες για τα διαφορετικά είδη μοντέλων νευρωνικών δικτύων πάνω σε δεδομένα που σχετίζονται με την ατμοσφαιρική ρύπανση και την πρόβλεψη χρονοσειρών. Επιπλέον, αναπτύχθηκαν πολλαπλοί διαφορετικοί τύποι νευρωνικών δικτύων προκειμένου να πραγματοποιηθεί η τελική αρχιτεκτονική του προτεινόμενου μοντέλου. Ακόμα, διεξήχθη πειραματισμοί για τον προσδιορισμό των καλύτερων παραμέτρων για το μοντέλο και αξιολογήθηκε τόσο για την απόδοση και την ακρίβειά του όσο και για τη γενίκευσή του σε περισσότερες από μία τοποθεσίες σε όλο τον κόσμο.	el
dc.format.extent	69	el
dc.language.iso	en	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
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.title	Ανάλυση και πρόβλεψη της ατμοσφαιρικής μόλυνσης σε πολυάριθμες χώρες μέσω χρήσης BiLSTM-Conv1D νευρωνικών δικτύων	el
dc.title.alternative	Analysis and prediction of air pollution in multiple countries using BiLSTM-Conv1D neural networks	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής	el
dc.description.abstractEN	Artificial Neural Networks is a scientific area, that has developed incrementally over the years and has been adopted to numerous fields of study due to its ability to process and discover patterns from raw data. The goal of a neural network model is to solve computational problems using different techniques and mathematical processes. One such problem is air pollution, an issue that is becoming more and more severe for the health of the general public. Governments and individuals require a way to know ahead of time and have an insight into how the quality of the air will be. That helps them take the initiative and act accordingly. The goal of this thesis is to develop a neural network model that will take as inputs historical data of the atmosphere, and it will be able to predict the future values of the pollutants that affect the quality of air. The implementation will be accomplished with the programming language Python and the usage of libraries that were developed for machine learning. In the context of the master thesis, 6 research papers were studied for the different types of neural network models on data related to air pollution and time series forecasting. Furthermore, multiple different types of neural networks were developed in order to realize the final architecture of the proposed model. In addition, plentiful experimentation was conducted to determine the best hyperparameters for the model and was assessed both for its performance and accuracy but also for its generalization to more than one location around the globe.	el
dc.contributor.master	Προηγμένα Συστήματα Πληροφορικής	el
dc.subject.keyword	LSTM	el
dc.subject.keyword	Conv1d	el
dc.subject.keyword	Νευρωνικά δίκτυα	el
dc.subject.keyword	Neural networks	el
dc.subject.keyword	Μηχανική μάθηση	el
dc.subject.keyword	Πρόβλεψη	el
dc.subject.keyword	Prediction	el
dc.subject.keyword	Ατμόσφαιρα	el
dc.subject.keyword	Μόλυνση	el
dc.subject.keyword	Air	el
dc.subject.keyword	Pollution	el
dc.date.defense	2021-11-05

Αρχεία σε αυτό το τεκμήριο

Name:: Karampelas_19017.pdf
Μέγεθος:: 3.124Mb
Τύπος:: PDF
Description:: Μεταπτυχιακή διατριβή

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Πληροφορικής
Department of Informatics

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα

Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα