Μέθοδοι προβλεπτικής αναλυτικής με εφαρμογές σε ηλεκτρικά οχήματα

Κοκόσης, Νικόλαος

dc.contributor.advisor	Θεοδωρίδης, Ιωάννης
dc.contributor.author	Κοκόσης, Νικόλαος
dc.date.accessioned	2025-03-11T09:26:57Z
dc.date.available	2025-03-11T09:26:57Z
dc.date.issued	2025-02
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/17540
dc.description.abstract	Αυτό το άρθρο εστιάζει στην πρόβλεψη της ζήτησης φόρτισης ηλεκτρικών οχημάτων χρησιμοποι- ώντας Επαναλαμβανόμενα Νευρωνικά Δίκτυα (RNNs) και Δίκτυα Διπλής Κατεύθυνσης (Bi-RNNs). Εξετάζεται η ανάπτυξη μεθόδων για την παραγωγή δεδομένων που βελτιώνουν την ακρίβεια των προ- βλέψεων. Σκοπός της μελέτης είναι η πρόβλεψη της ενεργειακής κατανάλωσης κατά τη διάρκεια των συνεδριών φόρτισης και η επίλυση του προβλήματος της δυαδικής ταξινόμησης για την πρόβλεψη της διαθεσιμότητας σταθμών φόρτισης μέσω ενός υβριδικού μοντέλου Μακροπρόθεσμης και Βραχυπρόθε- σμης Μνήμης (Hybrid LSTM). Η έρευνα χρησιμοποιεί προηγμένες τεχνικές μηχανικής μάθησης και εξετάζει μεθοδολογίες δημιουργίας δεδομένων, συμπεριλαμβανομένων των χρονικών και περιβαλλο- ντικών μεταβλητών που επηρεάζουν τη συμπεριφορά φόρτισης. Τα αποτελέσματα καταδεικνύουν την αποτελεσματικότητα του προτεινόμενου υβριδικού μοντέλου στην πρόβλεψη της διαθεσιμότητας των σταθμών φόρτισης, ενώ αναδεικνύουν τις προκλήσεις στην κατασκευή μοντέλων ακριβούς πρόβλεψης ζήτησης φόρτισης. Παράλληλα, η μελέτη προσφέρει πολύτιμες γνώσεις για μελλοντικές ερευνητικές κατευθύνσεις και δυνατότητες προόδου στις μεθοδολογίες προβλεπτικής μοντελοποίησης.	el
dc.format.extent	69	el
dc.language.iso	el	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.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.title	Μέθοδοι προβλεπτικής αναλυτικής με εφαρμογές σε ηλεκτρικά οχήματα	el
dc.title.alternative	Predictive analytics methods with applications οn electric vehicles	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής	el
dc.description.abstractEN	This paper focuses on forecasting electric vehicle charging demand using Recurrent Neural Networks (RNNs) and Bidirectional Networks (Bi-RNNs). It examines the development of methods for generating data that improve prediction accuracy. The study aims to forecast energy consumption during charging sessions and solve the binary classification problem of predicting charging station availability through a Hybrid Long Short-Term Memory (Hybrid LSTM) model. The research employs advanced machine learning techniques and investigates data generation methodologies, including temporal and environmental variables that affect charging behavior. The results demonstrate the effectiveness of the proposed hybrid model in predicting charging station availability, while highlighting the challenges in building accurate charging demand forecasting models. Additionally, the study provides valuable insights for future research directions and opportunities for progress in predictive modeling methodologies.	el
dc.contributor.master	Κυβερνοασφάλεια και Επιστήμη Δεδομένων	el
dc.subject.keyword	Ηλεκτρικά οχήματα	el
dc.subject.keyword	Ηλεκτρική ενέργεια	el
dc.subject.keyword	Διαθεσιμότητα σταθμών φόρτισης	el
dc.subject.keyword	Ζήτηση ηλεκτρικής ενέργειας	el
dc.subject.keyword	Πρόβλεψη	el
dc.date.defense	2025-02

Files in this item

Name:: Kokosis_mpked2211.pdf
Size:: 3.615Mb
Format:: PDF
Description:: Μεταπτυχιακή διατριβή

View/Open

This item appears in the following Collection(s)

Τμήμα Πληροφορικής
Department of Informatics

Show simple item record

Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα