Αλγόριθμοι μηχανικής μάθησης για πρόβλεψη χρονοσειρών

Machine learning algorithms for time series prediction (Αγγλική)

  1. MSc thesis
  2. Σώκος, Κωνσταντίνος
  3. Μεταπτυχιακή Εξειδίκευση στα Πληροφοριακά Συστήματα (ΠΛΣ)
  4. 18 Σεπτεμβρίου 2021 [2021-09-18]
  5. Ελληνικά
  6. 70
  7. Κωτσιάντης, Σωτήριος
  8. Καρούσος, Νικόλαος | Αλεφράγκης, Παναγιώτης
  9. πρόβλεψη χρονοσειρών | timeseries forecasting | TBATS | NBEATS | deepAR | ESRNN | fbProphet | ARIMA
  10. 2
  11. 1
  12. 23
  13. 26
    • Υπάρχει μια πάγια ανάγκη για την πρόβλεψη χρονοσειρών των οποίων ο μηχανισμός που τις παράγει δεν είναι γνωστός. Για την επίλυση του προβλήματος αυτού έχουν φτιαχτεί εργαλεία που μας βοηθάνε στην εύρεση των μελλοντικών τιμών μιας ποσότητας χρησι- μοποιώντας τη γνώση των προηγούμενων ιστορικών τιμών της. Τα προγνωστικά εργαλεία που χρησιμοποιούνται μπορούν να χωριστούν σε δύο βασικές κατηγορίες. Η πρώτη κατη- γορία είναι οι παραδοσιακές στατιστικές μέθοδοι και η δεύτερη κατηγορία είναι οι μέθοδοι μηχανικής μάθησης. Μέχρι τώρα οι στατιστικές μέθοδοι είχαν καλύτερη απόδοση, αλλά πρόσφατες εξελίξεις στα νευρωνικά δίκτυα έχουν επιφέρει βελτιώσεις στις μεθόδους μηχανικής μάθησης. Υπάρχει πλήθος μεθόδων πρόβλεψης και αξιολόγησης των αποτελεσμάτων για κάθε χρονοσειρά και συνήθως καλά αποτελέσματα δίνουν τα σύνολα μεθόδων και οι υβριδικοί αλγόριθμοι. ∆εν υπάρχει μέχρι σήμερα ένας αυτοματοποιημένος τρόπος πρόβλεψης για όλους του τύπους χρονοσειρών, που να μην χρειάζεται την ανθρώπινη εμπειρία και γνώση για την προ- επεξεργασία της χρονοσειράς, την επιλογή του κατάλληλου αλγορίθμου και την αξιολόγησή του. Θα γίνει μία συνοπτική αναφορά σε βασικά χαρακτηριστικά των χρονοσειρών και σε ερ- γαλεία μετασχηματισμών, σύνθεσης και αποδόμησής τους. Θα παρουσιαστούν περιληπτικά κάποια προβλεπτικά μοντέλα και έπειτα θα συγκριθούν κάνοντας μια προσπάθεια πρόβ- λεψης χρονοσειρών από δεδομένα covid-19.
    • There is a constant need to predict time series whose mechanism is unknown. To solve this problem, tools have been made that help us find the future values of a quantity using the knowledge of its previous historical values. The forecasting tools used can be divided into two main categories. The first category is traditional statistical methods and the second category is machine learning methods. So far, statistical methods have performed better, but recent development in neural networks have led to improvements in machine learning methods. There are a number of methods for predicting and evaluating results for each timeseries, and usually good results are given by ensembles and hybrid algorithms. To date, there is no automated way of predicting all types of timeseries, which does not require human experience and knowledge to pre-process the timeseries, select the appropriate algorithm and its evaluation. A brief reference will be made to key characteristics of timeseries and to tools for their trans- formation, composition and deconstruction. Some predictive models will be briefly presented and then compared by making an attempt to predict timeseries from covid-19 data.
  15. Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές