Η παρούσα διπλωματική εργασία επικεντρώνεται στην εφαρμογή μεθοδολογιών Βαθιάς Μάθησης (Deep Learning) για τη μοντελοποίηση και την πρόγνωση μετεωρολογικών δεδομένων. Σκοπός της εργασίας, πέρα από την τεχνική διερεύνηση, είναι η εμβάθυνση στις μεθόδους της Τεχνητής Νοημοσύνης και η απόκτηση ουσιαστικής πρακτικής εξοικείωσης με τη γλώσσα προγραμματισμού Python, η οποία αποτελεί το βασικό εργαλείο υλοποίησης.
Αντικείμενο της έρευνας αποτελεί η ανάπτυξη ενός υπολογιστικού πλαισίου ικανού να αποτυπώνει τις γραμμικές και μη συσχετίσεις καθώς και την έντονη μεταβλητότητα που διέπουν τις ατμοσφαιρικές παραμέτρους. Η εργασία συνδυάζει θεωρητική τεκμηρίωση και πρακτική υλοποίηση σύγχρονων αρχιτεκτονικών, με στόχο τη βελτίωση της προγνωστικής ακρίβειας και της γενικευτικής ικανότητας των μοντέλων.
Στο στάδιο της προεπεξεργασίας, η έρευνα επικεντρώνεται στην επίδραση των τεχνικών κανονικοποίησης στη σταθερότητα και την ταχύτητα σύγκλισης των αλγορίθμων. Αξιολογούνται μέθοδοι όπως οι StandardScaler, MinMaxScaler, RobustScaler, PowerTranformer και QuantileTransformer, με στόχο τη βέλτιστη διαχείριση των ακραίων τιμών και την ομαλοποίηση των κατανομών εισόδου. Παράλληλα, εφαρμόζεται η τεχνική του sin–cos embedding για τη συνεπή μαθηματική αναπαράσταση των κυκλικών μεταβλητών, όπως η διεύθυνση του ανέμου και οι χρονικές περιοδικότητες. Η επιλογή μιας συγκροτημένης στρατηγικής κανονικοποίησης αναδεικνύεται ως θεμελιώδης παράγοντας για την αποδοτική εκπαίδευση των βαθιών αρχιτεκτονικών και τη διασφάλιση της ποιότητας των δεδομένων. Επιπρόσθετα αξιολογούνται διαφορετικοί αλγόριθμοι βαλτιστοποίησης στον κάθε αλγόριμο κανονικοποίησης. Στο κύριο μέρος της εργασίας υλοποιείται ένα πολυμεταβλητό μοντέλο Long Short-Term Memory (LSTM), σχεδιασμένο για την ταυτόχρονη πρόβλεψη πολλαπλών μεταβλητών, όπως η θερμοκρασία, η υγρασία και η ατμοσφαιρική πίεση. Επιπλέον, πραγματοποιείται παραγωγή προβλέψεων για χρονικούς ορίζοντες με τη χρήση auto-regressive multi-step forecasting. Η ανάπτυξη του συστήματος υλοποιείται στη γλώσσα Python, με την αξιοποίηση των βιβλιοθηκών TensorFlow, NumPy και Pandas, διαμορφώνοντας ένα ευέλικτο και επεκτάσιμο περιβάλλον ανάλυσης χρονοσειρών.