Πρόβλεψη Χρονοσειρών μέσω Εικόνων με χρήση Γεννητικών Ανταγωνιστικών Νευρωνικών Δικτύων

Abstract

Σκοπός της διπλωματικής εργασίας είναι η ανάπτυξη μιας μεθοδολογίας για την παραγωγή προβλέψεων μέσω γραφικών αναπαραστάσεων χρονοσειρών, με τη χρήση μοντέλων μηχανικής μάθησης. Οι προβλέψεις αποτελούν αναπόσπαστο κομμάτι των επιχειρήσεων. Η ορθότητά τους είναι πολύ σημαντική για τη λήψη αποφάσεων, που καθορίζουν το μέλλον μιας επιχείρησης. Ακόμα, η επιστήμη των νευρωνικών δικτύων τα τελευταία χρόνια έχει στραφεί προς το χώρο της εικόνας, όπου έχουν εφευρεθεί πολυάριθμες τεχνικές για επεξεργασία, κατηγοριοποίηση ή παραγωγή τους. Έτσι, είναι επόμενο να αναζητήσει κανείς τρόπους για να αξιοποιήσει αυτές τις καλά εδραιωμένες τεχνικές σε άλλους τομείς, όπως αυτός των προβλέψεων.

Στα πλαίσια της παρούσας διπλωματικής εργασίας παρουσιάζεται μια πλήρης μεθοδολογία για την πρόβλεψη μελλοντικών συμπεριφορών χρονοσειρών από εικόνες. Αρχικά προτείνεται μια μέθοδος για μετατροπή των χρονοσειρών σε εικόνες των γραφικών τους αναπαραστάσεων, σε μορφή κατάλληλη για εισαγωγή σε κάποιο νευρωνικό μοντέλο. Στη συνέχεια μελετάται η αρχιτεκτονική αυτού του μοντέλου. Τέλος, αναλύεται ένας αλγόριθμος για την μετατροπή των εξαγόμενων εικόνων σε αριθμητικά δεδομένα χρονοσειρών, έτσι ώστε να καταστεί δυνατή η ποσοτική μελέτη των αποτελεσμάτων.

Το νευρωνικό μοντέλο που προτείνεται για την παραγωγή προβλέψεων είναι αυτό των Γεννητικών Ανταγωνιστικών Δικτύων. Τα Γεννητικά Ανταγωνιστικά δίκτυα προτάθηκαν για πρώτη φορά το 2014 από τον \en{Ian Goodfellow} και έκτοτε έχουν βρει πολλές εφαρμογές, κυρίως σε ό,τι αφορά την επεξεργασία και παραγωγή εικόνων αλλά και σε άλλους τομείς όπως είναι η κινούμενη εικόνα ή ακόμα και η ασφάλεια. Το μεγάλο πλεονέκτημά τους είναι η δυνατότητά τους να παράγουν αληθοφανείς εικόνες, που δεν ξεχωρίζουν από τις πραγματικές.

Η διπλωματική εργασία περατώνεται με τον υπολογισμό και τη μελέτη ποσοτικών αποτελεσμάτων και ποιοτικών χαρακτηριστικών των εξαγόμενων από τα μοντέλα εικόνων και αντίστοιχων τιμών. Συγκρίνονται διάφορες αρχιτεκτονικές τόσο μεταξύ τους όσο και με κλασικές στατιστικές μεθόδους. Διατυπώνονται συμπεράσματα και προτείνονται τρόποι για περαιτέρω βελτίωση και αξιοποίηση της παρούσας μελέτης.