Πρόβλεψη περιβαλλοντικών χρονοσειρών με ακραίες τιμές με την χρήση μεθόδων βαθιάς μάθησης και κλασικών στατιστικών μοντέλων

Abstract

Η παρούσα διπλωματική εργασία εστιάζει στην πρόβλεψη χρονοσειρών περιβαλλοντικών δεδομένων με τη χρήση παραδοσιακών στατιστικών μοντέλων και σύγχρονων τεχνικών βαθιάς μάθησης. Στόχος είναι η συγκριτική αξιολόγηση των μεθόδων ως προς την ικανότητά τους να αποτυπώνουν τα βασικά χαρακτηριστικά των χρονοσειρών (τάση, εποχικότητα, μεταβλητότητα) αλλά και να προβλέπουν ακραία γεγονότα, τα οποία αποτελούν κρίσιμο στοιχείο για περιβαλλοντικές εφαρμογές. Για τον σκοπό αυτό χρησιμοποιήθηκαν τρία διαφορετικά σύνολα δεδομένων: μέγιστες μηνιαίες θερμοκρασίες στο Χονγκ Κονγκ, μηνιαίες σεισμικές εντάσεις στην Καλιφόρνια και μηνιαίες βροχοπτώσεις στο Σίδνεϊ. Στο πλαίσιο της μελέτης εφαρμόστηκαν παραδοσιακά μοντέλα (ARIMA, SARIMA), νευρωνικά δίκτυα (CNN, GRU), καθώς και πιο εξειδικευμένες προσεγγίσεις (DAN, Reweight-EVT, Reweight-META). Η απόδοση των μοντέλων αξιολογήθηκε με μετρικές σφάλματος (RMSE, MAE) αλλά και μέσω ποιοτικής ανάλυσης των προβλέψεων. Τα αποτελέσματα έδειξαν ότι τα γραμμικά μοντέλα αποδίδουν ικανοποιητικά σε σειρές με έντονη εποχικότητα, αλλά υστερούν σε δεδομένα με υψηλή μεταβλητότητα και ακραίες τιμές. Τα νευρωνικά δίκτυα υπερείχαν στη σύλληψη μη γραμμικών μοτίβων, με το CNN να αποδίδει καλύτερα τις κορυφές και το GRU να παρέχει πιο σταθερές προβλέψεις. Τα εξειδικευμένα μοντέλα βελτίωσαν περαιτέρω την απόδοση, με το Reweight-META να εμφανίζει την πιο προσαρμοστική συμπεριφορά στην πρόβλεψη ακραίων γεγονότων. Συνολικά, η εργασία καταδεικνύει ότι η ενσωμάτωση τεχνικών βαθιάς μάθησης και ειδικότερα μεθόδων αναπροσδιορισμού βαρών μπορεί να ενισχύσει την ακρίβεια και τη χρησιμότητα των μοντέλων πρόβλεψης περιβαλλοντικών χρονοσειρών, προσφέροντας πολύτιμα εργαλεία για τη μελέτη και διαχείριση σπάνιων αλλά κρίσιμων φαινομένων.