Πρόβλεψη περιβαλλοντικών χρονοσειρών με ακραίες τιμές με την χρήση μεθόδων βαθιάς μάθησης και κλασικών στατιστικών μοντέλων
| dc.contributor.advisor | Φιλιππάκης, Μιχαήλ | |
| dc.contributor.author | Μαρίνος, Αντώνης | |
| dc.date.accessioned | 2025-12-19T12:48:08Z | |
| dc.date.available | 2025-12-19T12:48:08Z | |
| dc.date.issued | 2025 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/18726 | |
| dc.description.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. | el |
| dc.format.extent | 147 | 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.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
| dc.title | Πρόβλεψη περιβαλλοντικών χρονοσειρών με ακραίες τιμές με την χρήση μεθόδων βαθιάς μάθησης και κλασικών στατιστικών μοντέλων | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | This thesis focuses on the forecasting of environmental time series using both traditional statistical models and modern deep learning techniques. The objective is the comparative evaluation of these methods in terms of their ability to capture the fundamental characteristics of time series (trend, seasonality, variability) as well as to predict extreme events, which are of critical importance for environmental applications. To this end, three different datasets were employed: maximum monthly temperatures in Hong Kong, monthly seismic intensities in California, and monthly rainfall in Sydney. Within the scope of this study, traditional models (ARIMA, SARIMA), neural networks (CNN, GRU), and more specialized approaches (DAN, Reweight-EVT, Reweight-META) were applied. The performance of the models was assessed using error metrics (RMSE, MAE) as well as through qualitative analysis of the predictions. The results showed that linear models perform adequately in series with strong seasonality but fall short in datasets with high variability and extreme values. Neural networks proved superior in capturing non-linear patterns, with CNNs providing better accuracy in peak values and GRUs offering more stable forecasts. The specialized models further improved performance, with Reweight-META demonstrating the most adaptive behavior in predicting extreme events. Overall, the study highlights that the integration of deep learning techniques, and particularly reweighting-based methods, can enhance the accuracy and practical utility of environmental time series forecasting models, offering valuable tools for the study and management of rare but critical phenomena. | el |
| dc.contributor.master | Πληροφοριακά Συστήματα και Υπηρεσίες | el |
| dc.subject.keyword | Χρονοσειρές | el |
| dc.subject.keyword | Πρόβλεψη χρονοσειρών | el |
| dc.subject.keyword | Ακραίες τιμές | el |
| dc.subject.keyword | Βαθιά μάθηση | el |
| dc.date.defense | 2025-11-11 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα