Πιθανοτικές Προβλέψεις με Χρήση Νευρωνικών Δικτύων

Abstract

Η έννοια της πρόβλεψης είναι άρρηκτα συνδεδεμένη με το σύγχρονο επιχειρηματικό και εν γένει επιχειρησιακό περιβάλλον, καθώς η εκτίμηση της μελλοντικής κατάτασης των μεγεθών που επηρεάζουν άμεσα ή έμμεσα τον άνθρωπο, την επιχείρηση ή τον οργανισμό είναι απαραίτητη για την ορθή λήψη αποφάσεων που σχετίζονται με τις ενέργειες του παρόντος. Η πολυπλοκότητα των συστημάτων και η πληθώρα πληροφορίας που καλείται να διαχειριστεί ο εκάστοτε αποφασίζων έχουν οδηγήσει στην ανάγκη αξιοποίησης νέων λύσεων πέρα των αμιγώς στατιστικών, λύσεις οι οποίες λαμβάνονται από άλλους κλάδους όπως επί παραδείγματι τη μηχανική μάθηση. Σκοπός της παρούσας διπλωματικής εργασίας είναι η εξοικείωση με την εργαλειοθήκη του GluonTS, που επιτρέπει τη χρήση έτοιμων αλλά και την ανάπτυξη νέων μοντέλων μηχανικής και βαθιάς μηχανικής μάθησης, με σκοπό την εξαγωγή πιθανοτικών προβλέψεων. Παράλληλα εξετάζονται παραλλαγές του μοντέλου Απλής Πρόσθιας Τροφοδότησης , με χρήση πέντε διαφορετικών κατανομών με στόχο την εξαγωγή των βέλτιστων πιθανοτικών προβλέψεων σε μηνιαία δεδομένα τα οποία διακρίνονται σε έξι κατηγορίες. Της παραπάνω μελέτης προηγείται η θεωρητική παρουσίαση και θεμελίωση των εννοιών που άπτονται του κλάδου των Προβλέψεων, καθώς επίσης και του ιδιαίτερα δυναμικού κλάδου της μηχανικής μάθησησης. Επιπλέον γίνεται εκτενής περιγραφή της εργαλειοθήκης του GluonTS και των υπερ-παραμέτρων του μοντελου που χρησιμοποιήθηκε. Η διπλωματική εργασία περατώνεται με τα συμπεράσματα που εξήχθησαν από την πειραματική διαδικασία, ενώ γίνεται μία προσπάθεια ανάδειξης των εφαρμογών τέτοιου είδους μοντέλων σε πρακτικά προβλήματα.