Πρόβλεψη χρονοσειρών αέριας ρύπανσης και ενεργειακής κατανάλωσης με τη χρήση ARIMA και LSTM μοντέλων

Abstract

Τα τελευταία χρόνια ο τομέας της Μηχανικής Μάθησης έχει γνωρίσει ραγδαία ανάπτυξη για το λόγο ότι υπάρχουν πλέον συστήματα με πολύ μεγάλη υπολογιστική ισχύ που μπορούν να χρησιμοποιηθούν για την αξιοποίησή των δυνατοτήτων του. Το γεγονός αυτό έχει κεντρίσει το ενδιαφέρον των ερευνητών που προσπαθούν και έχουν καταφέρει να αναπτύξουν διάφορα μοντέλα σε μια ευρεία γκάμα από εφαρμογές. Η συγκεκριμένη διπλωματική εργασία ασχολείται με ένα μεγάλο κεφάλαιο της μηχανικής μάθησης, αυτό των νευρωνικών δικτύων και συγκεκριμένα με την κατηγορία των LSTM ανατροφοδοτούμενων νευρωνικών δικτύων. Επιπλέον, κάνοντας χρήση μεθόδων ανάλυσης χρονοσειρών με την ανάπτυξη ARIMA μοντέλων, εξετάζουμε την απόδοσή τους συγκρίνοντάς τα μεταξύ τους. Για την μελέτη και την ανάπτυξή τους χρησιμοποιήθηκαν τρία διαφορετικά σύνολα δεδομένων. Το πρώτο αφορά τη πρόβλεψη ενεργειακής κατανάλωσης από ένα νοικοκυριό, το δεύτερο την πρόβλεψη της ποιότητας του αέρα για μια συγκεκριμένη περιοχή και το τρίτο αφορά επίσης την πρόβλεψη της ποιότητας αέρα, αλλά για πολλές φυσικές τοποθεσίες. Για την χρήση τους απαιτήθηκε η προετοιμασία των δεδομένων, τόσο με τη διαχείριση των κενών τιμών όσο και με το διαχωρισμό τους σε δεδομένα εκπαίδευσης και σε δεδομένα δοκιμών. Δοκιμάστηκαν διάφορες παραλλαγές στα βασικά μοντέλα ARIMA Και LSTM και καταλήξαμε στα βέλτιστα από αυτά, ενώ οι μετρικές που χρησιμοποιήθηκαν για την απόδοσή τους ήταν το RMSE και MAE. Από την ανάλυση αυτή δείχνει τις δυνατότητες επίλυσης μεγάλων και πολύπλοκων προβλημάτων με τη χρήση τόσο των αναδρομικών νευρωνικών δικτύων όσο και με μεθόδους ανάλυσης χρονοσειρών.