Μεθοδολογίες βαθιάς μάθησης για την πρόβλεψη μεταναστευτικών δικτύων

Abstract

Από τα πρώτα χρόνια, η ανθρωπότητα ήταν σε κίνηση. Ορισμένοι άνθρωποι έφευγαν από τον τόπο τους για την αναζήτηση εργασίας, οικονομικών ευκαιριών ή για να σπουδάσουν. Άλλοι μετακινούνται για να ξεφύγουν από συγκρούσεις, διώξεις ή πόλεμους. Αντίθετα, κάποιοι άνθρωποί μεταναστεύουν καθώς έρχονται αντιμέτωποι με τις επιπτώσεις της κλιματικής αλλαγής, των φυσικών καταστροφών ή άλλων περιβαλλοντικών παραγόντων. Η κατανόηση των παγκόσμιων μεταναστευτικών προτύπων έχει σημαντικές συνέπειες για τις οικονομικές πολιτικές, την ανθρωπιστική βοήθεια και την κοινωνική δυναμική. Ωστόσο, η πρόβλεψη αυτών των μεταναστευτικών ροών είναι εγγενώς πολύπλοκη λόγω της πολύπλευρης αλληλεπίδρασης οικονομικών, πολιτικών και περιβαλλοντικών παραγόντων. Ο σκοπός της διπλωματικής αυτής εργασίας αποσκοπεί στην ανάπτυξη ενός εξελιγμένου μοντέλου πρόβλεψης με τη χρήση Νευρωνικών Δικτύων Γραφημάτων (GNN) για την ανάλυση και την πρόβλεψη μελλοντικών μεταναστευτικών συνδέσεων. Θεωρώντας τη μετανάστευση ως ένα δυναμικό δίκτυο, το μοντέλο επιδιώκει να αποκαλύψει κρυμμένα μοτίβα και πιθανές μελλοντικές τάσεις στην παγκόσμια ανθρώπινη κινητικότητα. Οι μέθοδοι που θα χρησιμοποιηθούν αποτελούνται από αλγόριθμους βαθιάς μάθησης. Αρχικά, παρουσιάζουμε την βασική θεωρία στην οποία βασίστηκε η συγκεκριμένη εργασία. Στη συνέχεια, επεξεργαζόμαστε τα δεδομένα μας με τέτοιο τρόπο ώστε να δημιουργήσουμε για κάθε χρονική περίοδο ένα δίκτυο. Έχοντας τα γραφήματα αυτά γίνεται ανάλυση των γραφημάτων με έμφαση την πρώτη και την τελευταία περίοδο 1990-2020. Επιπλέον, δημιουργούνται τα μοντέλα πρόβλεψης μελλοντικών συνδέσεων. Τέλος, ολοκληρώνουμε την εργασία εξετάζοντας την ακρίβεια του εκάστοτε μοντέλου και παρουσιάζουμε τις νέες μεθόδους και το μέλλον που διαφαίνεται στο πεδίο της βαθιάς μηχανικής μάθησης στους γράφους.