Πρόβλεψη χρονοσειρών κλιματικών μεταβλητών βασισμένη σε Transformers
| dc.contributor.advisor | Σωτηρόπουλος, Διονύσιος | |
| dc.contributor.author | Σταυρόπουλος, Γεώργιος | |
| dc.date.accessioned | 2026-02-17T12:01:15Z | |
| dc.date.available | 2026-02-17T12:01:15Z | |
| dc.date.issued | 2026-01 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/18896 | |
| dc.description.abstract | Η παρούσα εργασία εστιάζει στην ανάλυση και την πρόβλεψη περιβαλλοντικών μεταβλητών, αξιοποιώντας προηγμένες τεχνικές Τεχνητής Νοημοσύνης και Βαθιάς Μάθησης. Ο κύριος στόχος της εργασίας είναι η κατασκευή ενός σύγχρονου και αξιόπιστου μοντέλου πρόγνωσης, βασισμένο στην αρχιτεκτονική Transformers, με την ικανότητα να προβλέπει την εξέλιξη των κλιματικών δεικτών, όπως στατιστικές τιμές θερμοκρασίας και βροχόπτωσης, σε βάθος χρόνου. Η μελέτη βασίζεται σε ιστορικά δεδομένα χρονοσειρών που υπερβαίνουν τον έναν αιώνα, και αποτελούν το υπόβαθρο για την κατανόηση των περιβαλλοντικών τάσεων και την κλιματική μεταβολή. Ιδιαίτερη έμφαση δίνεται στην συγκέντρωση και την προεπεξεργασία των δεδομένων, καθώς η ποιότητα και η πληρότητά τους έχει καθοριστική σημασία για την εκπαίδευση και την αξιολόγηση ενός αποτελεσματικού μοντέλου πρόγνωσης που στοχεύει στην ακρίβεια. Στην εργασία περιλαμβάνεται αναλυτική οπτικοποίηση στατιστικών δεικτών που αντλήθηκαν από τις χρονοσειρές, στην οποία παρατηρείται ιδιαίτερο ενδιαφέρον για την εξέλιξη του κλίματος. Εξετάζοντας αυτά τα δεδομένα, επιδιώκεται αρχικά να παρουσιαστεί μια απτή εικόνα της πορείας των περιβαλλοντικών συνθηκών της Αθήνας, εντός ενός μεγάλου χρονικού ορίζοντα. Παράλληλα δημιουργείται το κατάλληλο πλαίσιο ώστε ο αναγνώστης να κατανοήσει σε βάθος το αντικείμενο της μελέτης, και εν τέλει να διαπιστώσει την μεγάλη δύναμη που προσφέρει η ικανότητας της πρόβλεψης των μεταβλητών στο μέλλον. Η καινοτομία της εργασίας εντοπίζεται στη χρήση της αρχιτεκτονικής Transformers, μιας επαναστατικής μεθόδου στην επεξεργασία ακολουθιών δεδομένων η οποία, μέχρι σήμερα, έχει εφαρμοστεί περιορισμένα σε προβλήματα που σχετίζονται με κλιματικές χρονοσειρές. Το μοντέλο αναπτύσσεται, χρησιμοποιώντας έναν μηχανισμό προσοχής (attention) για την εξέταση ολόκληρης της σειράς εισόδου ταυτόχρονα, και μας επιτρέπει να επιτυγχάνουμε πιο αποδοτική εκμάθηση μακροπρόθεσμων εξαρτήσεων, κάτι πολύ απαραίτητο για επίτευξη ακριβούς πρόβλεψης σε βάθος χρόνου. Κατά τον πειραματισμό με το μοντέλο πρόγνωσης, εφαρμόζονται εναλλακτικές προσεγγίσεις της αρχιτεκτονικής Transformers, καθώς και εναλλαγές στην παραμετροποίηση κατά την εκπαίδευση του μοντέλου. Η κάθε προσέγγιση θα δοκιμαστεί στην πρόβλεψη με συγκεκριμένο χρονικό ορίζοντα, διαφοροποιώντας κάθε φορά τα δεδομένα εισόδου. Στη συνέχεια με τη χρήση κατάλληλων μετρικών ακρίβειας, θα αναδείξουμε τα πλεονεκτήματα και τους περιορισμούς κάθε προσέγγισης, και εν τέλει θα παρουσιάσουμε τις βέλτιστες επιδόσεις του αλγορίθμου. Τέλος, μελετώντας συνολικά τα αποτελέσματα, θα εξάγουμε συμπεράσματα σχετικά με τη δυνατότητα της αρχιτεκτονικής Transformers στην πρόβλεψη της εξέλιξης περιβαλλοντικών μεταβλητών σε βάθος χρόνου, και θα διατυπώσουμε σκέψεις για βελτιώσεις και προτάσεις για μελλοντικές εφαρμογές. | el |
| dc.format.extent | 92 | 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 | 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 χρονοσειρών κλιματικών μεταβλητών βασισμένη σε Transformers | el |
| dc.title.alternative | Transformers-based time series prediction of environmental variables | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | This study focuses on the analysis and prediction of environmental variables by leveraging advanced Artificial Intelligence and Deep Learning techniques. The primary objective is to develop a modern and reliable forecasting model based on the Transformer architecture, capable of predicting the long-term evolution of climate indicators such as temperature and rainfall statistics. The study relies on historical time-series data spanning more than a century, serving as the foundation for understanding environmental trends and climate change. Special emphasis is placed on data collection and preprocessing, as their quality and completeness are critical to training and evaluating an accurate and effective forecasting model. The work includes detailed visualizations of statistical indicators extracted from the time-series data, offering valuable insights into the evolution of climate conditions. By analyzing these datasets, the study first aims to present a clear and tangible picture of Athens’ environmental history over an extended time horizon. The innovative aspect of this work lies in the use of the Transformers architecture, a revolutionary method in sequential data processing, which, until now, has been applied only to a limited extent in problems related to climate time series. The model is developed using an attention mechanism that processes the entire input sequence simultaneously, enabling more efficient learning of long-term dependencies, which is essential for achieving accurate long-range forecasting. While experimenting with the forecasting model, we will implement alternative approaches to the Transformers architecture, as well as variations in the parameterization during model training. Each approach will be tested in forecasting with a specific time horizon, varying the input data each time. Using appropriate accuracy metrics, we highlight the strengths and limitations of each approach and present the algorithm’s best-performing configurations. Finally, by thoroughly examining the results, this work draws conclusions on the potential of Transformer architectures for predicting the evolution of environmental variables over time and offers recommendations for future improvements and applications. | el |
| dc.contributor.master | Προηγμένα Συστήματα Πληροφορικής - Ανάπτυξη Λογισμικού και Τεχνητής Νοημοσύνης | el |
| dc.subject.keyword | Τεχνητή νοημοσύνη | el |
| dc.subject.keyword | Αρχιτεκτονική Transformers | el |
| dc.subject.keyword | Χρονοσειρές | el |
| dc.subject.keyword | Βαθιά μάθηση | el |
| dc.subject.keyword | Κλιματικά δεδομένα | el |
| dc.subject.keyword | Μοντέλα πρόβλεψης | el |
| dc.subject.keyword | Περιβαλλοντικές μεταβλητές | el |
| dc.date.defense | 2026-01 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Πληροφορικής
Department of Informatics
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