Πρόβλεψη χρονοσειρών : συγκριτική μελέτη παραδοσιακών και σύγχρονων μεθόδων μηχανικής μάθησης

Abstract

Η παρούσα εργασία διερευνά τη δυνατότητα πρόβλεψης χρονοσειρών στον τομέα του λιανεμπορίου, αξιοποιώντας τόσο παραδοσιακές στατιστικές μεθόδους όσο και σύγχρονες τεχνικές μηχανικής μάθησης. Ως μελέτη περίπτωσης χρησιμοποιείται το δημόσια διαθέσιμο σύνολο δεδομένων Rossmann, το οποίο περιλαμβάνει ημερήσιες πωλήσεις για περισσότερα από 1.000 καταστήματα. Εφαρμόζεται το μοντέλο ARIMA για την ανάλυση της χρονοσειράς με βάση τις κλασικές στατιστικές τεχνικές. Παράλληλα, εξετάζονται δύο μοντέρνες προσεγγίσεις: ο αλγόριθμος XGBoost και το νευρωνικό δίκτυο τύπου LSTM. Η ανάλυση περιλαμβάνει προεπεξεργασία δεδομένων, μετασχηματισμό σε εποπτευόμενη μορφή και αξιολόγηση μετρικών απόδοσης (MAE, RMSE, R²). Τα πειραματικά αποτελέσματα δείχνουν ότι ο XGBoost επιτυγχάνει την υψηλότερη ακρίβεια πρόβλεψης, ακολουθούμενος από το ARIMA και το LSTM. Κάθε μοντέλο παρουσιάζει πλεονεκτήματα και περιορισμούς, ανάλογα με τις ιδιαιτερότητες των δεδομένων. Η εργασία ολοκληρώνεται με προτάσεις για μελλοντική έρευνα, όπως η χρήση εξωτερικών δεδομένων, η αξιοποίηση πιο σύνθετων αρχιτεκτονικών και η εφαρμογή των μοντέλων σε διαφορετικά πεδία.