| dc.contributor.advisor | Sotiropoulos, Dionisios | |
| dc.contributor.advisor | Σωτηρόπουλος, Διονύσιος | |
| dc.contributor.author | Christatos, Konstantinos | |
| dc.contributor.author | Χρηστάτος, Κωνσταντίνος | |
| dc.date.accessioned | 2026-06-19T09:48:42Z | |
| dc.date.available | 2026-06-19T09:48:42Z | |
| dc.date.issued | 2026-05 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/19447 | |
| dc.description.abstract | Η παρούσα μεταπτυχιακή διατριβή εξετάζει κατά πόσο η μακροπρόθεσμη δομή των διεθνών μεταναστευτικών δικτύων μπορεί να προβλεφθεί με τη χρήση μεθόδων μηχανικής μάθησης βασισμένων σε γράφους. Βασιζόμενη σε μια προηγούμενη περιγραφική μελέτη μεταναστευτικών δικτύων, η διατριβή αναδιατυπώνει το πρόβλημα ως μια διαδικασία άμεσης πρόβλεψης δυαδικής γειτνίασης ενός βήματος, όπου ο πίνακας γειτνίασης μετανάστευσης για το έτος t+1 προβλέπεται από την προηγούμενη δομή του δικτύου. Για την επίτευξη αυτού του στόχου, αραιές μεταναστευτικές παρατηρήσεις μετασχηματίστηκαν σε μια συνεχή ετήσια αλληλουχία γράφων που καλύπτει την περίοδο 1990-2024, και κατασκευάστηκαν ετήσιοι σταθμισμένοι καθώς και δυαδικοί πίνακες γειτνίασης. Το πλαίσιο πρόβλεψης υλοποιήθηκε ως μια αναπαραγώγιμη ροή εργασίας (pipeline) σε Python, η οποία ενσωματώνει την προεπεξεργασία, την κατασκευή των γράφων, τη συγκριτική αξιολόγηση των μοντέλων και τη δομική ανάλυση.
Στο πλαίσιο αυτό, η πρόβλεψη των μεταναστευτικών ροών προσεγγίζεται ως πρόβλεψη της συνδεσιμότητας των ροών μετανάστευσης (ύπαρξη ή όχι δεσμού) και όχι ως πρόβλεψη του ακριβούς μεγέθους της σταθμισμένης ροής. Οι σταθμισμένοι πίνακες παραμένουν σημαντικοί για την κατασκευή των γράφων και τη δομική ερμηνεία, ενώ η παλινδρόμηση για την εύρεση των ακριβών σταθμισμένων ροών αντιμετωπίζεται ως το φυσικό επόμενο βήμα μοντελοποίησης.
Η μελέτη συγκρίνει δύο ιστορικά μοντέλα βάσης (baselines), το Persistence και το RollingAverage, έναντι τριών εκπαιδευμένων μοντέλων βασισμένων σε γράφους: ενός Συνελικτικού Δικτύου Γράφων (GCN), ενός Δικτύου Προσοχής Γράφων (GAT) και ενός χρονικού μοντέλου γράφων. Η αξιολόγηση πραγματοποιήθηκε με χρονολογικό διαχωρισμό των δεδομένων σε σύνολα εκπαίδευσης, επικύρωσης και δοκιμής, χρησιμοποιώντας τις μετρικές PR-AUC, ROC-AUC, F1-score, precision και recall. Το κύριο αποτέλεσμα δείχνει ότι το μοντέλο βάσης RollingAverage πέτυχε την ισχυρότερη συνολική προγνωστική απόδοση, ακολουθούμενο στενά από το μοντέλο Persistence, ενώ τα εκπαιδευμένα νευρωνικά μοντέλα γράφων δεν κατάφεραν να ξεπεράσουν σταθερά τα μοντέλα βάσης. Μεταξύ των προσεγγίσεων μηχανικής μάθησης, το GCN πέτυχε την καλύτερη συνολική απόδοση, ενώ το GAT συνεισέφερε ένα επίπεδο ερμηνευτικότητας μέσω της ανάλυσης των συντελεστών προσοχής, παρά τα ασθενέστερα προγνωστικά του αποτελέσματα.
Επιπλέον της πρόβλεψης, η διατριβή εξετάζει τη δομική εξέλιξη των μεταναστευτικών δικτύων μέσω χαρτών κοινοτήτων, μετρικών μετάβασης και κατανομών κεντρικότητας. Τα αποτελέσματα αυτά δείχνουν ότι το μεταναστευτικό δίκτυο συνδυάζει τη συνέχεια με τη δομική αναδιοργάνωση, με την ισχυρότερη δομική αλλαγή (structural break) να εμφανίζεται μεταξύ των ετών 2020 και 2024. Συνολικά, η διατριβή συνεισφέρει ένα συγκριτικό και αναπαραγώγιμο πλαίσιο για την πρόβλεψη μεταναστευτικών δικτύων και αποδεικνύει ότι, υπό την παρούσα διατύπωση και σχεδιασμό αξιολόγησης, η πρόσφατη ιστορική συνέχεια παραμένει πιο προγνωστική από τις δοκιμασμένες νευρωνικές προσεγγίσεις γράφων. | el |
| dc.format.extent | 52 | el |
| dc.language.iso | en | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | Temporal graph neural networks for migration flow prediction in Europe | el |
| dc.title.alternative | Χρονικά γράφο-νευρωνικά δίκτυα για την πρόβλεψη μεταναστευτικών ροών στην Ευρώπη | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | This thesis examines whether international migration-network structure can be forecast using graph-based learning methods. Building on a previous descriptive migration-network study, the thesis reformulates the problem as direct one-step binary adjacency forecasting, where the migration adjacency matrix at year t + 1 is predicted from prior network structure. To support this objective, sparse migration observations were transformed into a continuous annual graph sequence covering the period 1990–2024, and yearly weighted as well as binary adjacency matrices were constructed. The forecasting framework was implemented as a reproducible Python pipeline that integrates preprocessing, graph construction, comparative model evaluation, and structural analysis.
In this thesis, migration flow prediction is therefore operationalized as forecasting migration-flow connectivity rather than exact weighted-flow magnitude. The weighted matrices remain important for graph construction and structural interpretation, while exact weighted-flow regression is treated as the natural next modeling step.
The study compares two historical baselines, Persistence and RollingAverage, against three learned graph-based models: a Graph Convolutional Network (GCN), a Graph Attention Network (GAT), and a temporal graph model. Evaluation was performed under chronological train-validation-test splitting using PR-AUC, ROC-AUC, F1-score, precision, and recall. The main result is that RollingAverage achieved the strongest overall predictive performance, followed closely by Persistence, while the learned graph models did not outperform the strongest baselines consistently. Among the learned approaches, GCN achieved the best overall performance, whereas GAT contributed an interpretability layer through attention analysis despite weaker predictive results.
In addition to forecasting, the thesis examines the structural evolution of migration networks through community maps, transition metrics, and centrality distributions. These results show that the migration network combines continuity with reorganization, with the strongest selected structural break appearing between 2020 and 2024. Overall, the thesis contributes a comparative and reproducible framework for migration-network forecasting and shows that, under the present formulation and evaluation design, recent historical continuity remains more predictive than the tested graph-neural approaches. | el |
| dc.contributor.master | Προηγμένα Συστήματα Πληροφορικής - Ανάπτυξη Λογισμικού και Τεχνητής Νοημοσύνης | el |
| dc.subject.keyword | Χρονικά γράφο-νευρωνικά δίκτυα | el |
| dc.subject.keyword | Πρόβλεψη μεταναστευτικών ροών | el |
| dc.subject.keyword | Μηχανική μάθηση σε γράφους | el |
| dc.subject.keyword | Ανάλυση κοινοτήτων | el |
| dc.date.defense | 2026-05-08 | |
