Συγκριτική αξιολόγηση μεθόδων πρόβλεψης χρονοσειρών με εφαρμογή τους στο πρόβλημα της ζήτησης αεροπορικών διαδρομών

A comparative study of time series forecasting methods on aviation demand (english)

  1. MSc thesis
  2. Καρακούσης, Αλέξανδρος
  3. Μεταπτυχιακή Εξειδίκευση στα Πληροφοριακά Συστήματα (ΠΛΣ)
  4. 19 September 2020 [2020-09-19]
  5. Ελληνικά
  6. 82
  7. Καναβός, Ανδρέας
  8. Μαργουνάκης, Δημήτριος | Βασιλακόπουλος, Μιχαήλ
  9. Χρονοσειρές | Timeseries | Πρόβλεψη | Forecasting | Αεροπορική ζήτηση | Aviation demand | Νευρωνικό δίκτυο | Neural network | Αυτοπαλίνδρομο μοντέλο | Autoregressive model | ARIMA | SARIMA | MLP
  10. 2
  11. 28
  12. Περιέχει: πίνακες, διαγράμματα, κώδικα
    • Αξιοποιώντας τις αυξημένες δυνατότητες των σύγχρονων υπολογιστικών συστημάτων, η μηχανική μάθηση αρχίζει να διαδίδεται σε διάφορους τομείς που χρησιμοποιούν την επιστήμη των υπολογιστών. Η ικανότητα των τεχνικών μηχανικής μάθησης να αναγνωρίζουν μοτίβα σε πολύπλοκα δεδομένα αξιοποιείται τα τελευταία χρόνια από διάφορες εταιρίες τόσο για τη ευημερία τους όσο και για την ασφάλειά τους. Στην αεροπορική κοινότητα, παρόλο που η μηχανική μάθηση άργησε να υιοθετηθεί, φαίνεται ότι αρχίζει τα τελευταία χρόνια να γίνεται αξιοποίηση των πολυσύνθετων δεδομένων για την κατασκευή διαφόρων μοντέλων πρόβλεψης. Κάποια από τα σημαντικότερα προβλήματα που καλείται να αντιμετωπίσει μία αεροπορική εταιρία είναι η έγκαιρη πρόβλεψη και η σωστή διαχείριση των πιο προσοδοφόρων αεροπορικών διαδρομών, με σκοπό τη μεγιστοποίηση του κέρδους. Στην παρούσα μελέτη εξετάζεται το μοντέλο ARIMA στην πρόβλεψη του αριθμού των επιβατών σε αεροπορικές διαδρομές, καθώς και το εποχικό μοντέλο SARIMA, το οποίο αποδεικνύεται καταλληλότερο από τα δύο μοντέλα. Στη συνέχεια, εφαρμόζεται η μέθοδος της μηχανικής μάθησης για την ίδια πρόβλεψη με τη χρήση του νευρωνικού δικτύου MLP. Στα αποτελέσματα της σύγκρισης των αξιολογήσεων αναδεικνύεται η ικανότητα των νευρωνικών δικτύων, τα οποία με την αποτελεσματική αξιοποίηση των πολυμεταβλητών δεδομένων μπορούν να βελτιώσουν σημαντικά την πρόβλεψη του αριθμού επιβατών, σε σχέση με τις παλαιότερες μεθόδους. Αρχικά, επεξηγούνται τα βασικά στατιστικά χαρακτηριστικά των χρονοσειρών, αναλύονται τα μοντέλα ARIMA και SARIMA, και επεξηγούνται οι βασικές έννοιες των νευρωνικών δικτύων και η διαδικασία εκπαίδευσής τους. Στο επόμενο κεφάλαιο αναλύεται βήμα προς βήμα η διαδικασία που ακολουθήθηκε για την κατασκευή των μοντέλων ARIMA, SARIMA, του νευρωνικού δικτύου MLP, καθώς και για την εκτέλεση των προβλέψεων στα επιλεγμένα δεδομένα. Ακολουθεί η σύγκριση των αποτελεσμάτων με βάση τις επιλεγμένες μετρικές, ενώ στα συμπεράσματα διατυπώνονται τα πλεονεκτήματα και τα μειονεκτήματα που παρατηρήθηκαν στην κάθε μέθοδο. Τέλος, με βάση τα αποτελέσματα δίνεται το κίνητρο για την περεταίρω μελέτη των νευρωνικών δικτύων.
    • By taking advantage of the increased potential of modern computer systems, machine learning is becoming popular in various fields of computer science. In recent years, the ability of machine learning techniques to recognize patterns in complex data is becoming suitable for applications that promote the efficiency and safety of various companies. Although the adoption of machine learning techniques has been low in aviation community until recently, complex predictive models have already started to be used with complex data. Some of the main objectives that aviation companies need to follow are the timely and accurate forecasting, along with the efficient management of the most profitable routes, in order to maximize profits. In this study, the ARIMA model is examined through the analysis and forecasting of aviation passengers’ demand, as well as the SARIMA model, which proved to be more suitable than the two models. Also, machine learning techniques are used for forecasting with the use of MLP neural network. The results of this empirical comparison highlight the ability of the neural networks to significantly improve the prediction of aviation passengers’ demand, in comparison to the older methods, with an effective utilization of the multivariate data. Starting with the explanation of the basic statistical characteristics of time series, the ARIMA and SARIMA models are then analyzed, followed by a presentation of the basic concepts of neural networks and their training process. In the next chapter, there is a detailed description of the procedure followed for the construction of the ARIMA and SARIMA models, and the MLP neural network, along with the execution of the forecasting on the selected data. A results comparison based on the selected metrics is presented, while in the conclusions are stated the advantages and disadvantages observed in each method. Finally, based on the results, there is a motivation for further study of the neural networks.
  14. Items in Apothesis are protected by copyright, with all rights reserved, unless otherwise indicated.