Ανάλυση χρονοσειρών με χρήση νευρωνικών δικτύων μετασχηματιστών

Abstract

Η πρόβλεψη χρονοσειρών αποτελεί μία κρίσιμη εργασία για ποικίλους τομείς, με τα παραδοσιακά στατιστικά μοντέλα να αποτυγχάνουν συχνά να συλλάβουν πολύπλοκες χρονικές και μακροπρόθεσμες εξαρτήσεις. Για την αντιμετώπιση αυτού του ζητήματος, τα μοντέλα βαθιάς μάθησης έχουν αναδειχθεί ως ένα ισχυρό εναλλακτικό εργαλείο. Πιο συγκεκριμένα, τα νευρωνικά δίκτυα μετασχηματιστών, τα οποία έχουν επιδείξει εντυπωσιακές επιδόσεις σε τομείς με χρονική αλληλεξάρτηση όπως είναι η επεξεργασία φυσικής γλώσσας, έχουν πρόσφατα επεκταθεί στην πρόβλεψη χρονοσειρών.

Η παρούσα διπλωματική εργασία στοχεύει στην βελτίωση ενός ήδη υπάρχοντος ευφυούς συστήματος μεταφορών που χρησιμοποιείται για αποτελεσματικές στρατηγικές ελέγχου και διαχείρισης της κυκλοφορίας, αλλά και βελτιστοποιημένες ταξιδιωτικές αποφάσεις και προγραμματισμό για τους ενδιαφερόμενους χρήστες. Αυτό το σύστημα ενσωματώνει διάφορες βάσεις δεδομένων και εργαλεία για την εκπαίδευση και αξιολόγηση μοντέλων μηχανικής \& βαθιάς μάθησης, με έμφαση στα μοντέλα μετασχηματιστών για δεδομένα χρονοσειρών. Επιπλέον, η συγκεκριμένη έρευνα παρέχει μια ολοκληρωμένη μελέτη της ανάλυσης χρονοσειρών με τη χρήση μετασχηματιστών, καλύπτοντας τόσο τις θεωρητικές βάσεις όσο και τις πρακτικές υλοποιήσεις.

Επιπλέον, προτείνονται νέες επεκτάσεις υφιστάμενων μοντέλων μετασχηματιστών για την βελτίωση της πρόβλεψης δεδομένων χρονοσειρών, μέσω της ορθής αξιοποίησης και ενσωμάτωσης εξωτερικών μεταβλητών στις υπό μελέτη αρχιτεκτονικές. Η αποτελεσματικότητα αυτών των προτεινόμενων μεθόδων επαληθεύεται σε ένα πραγματικό σύνολο κυκλοφοριακών δεδομένων, από σταθμούς διοδίων της Ολυμπίας Οδού, ενός από τους σημαντικότερους και μεγαλύτερους αυτοκινητόδρομους στην Ελλάδα.

Συνολικά, η παρούσα διπλωματική εργασία παρέχει πολύτιμες γνώσεις σχετικά με την εφαρμογή μοντέλων που βασίζονται σε μετασχηματιστές για την πρόβλεψη χρονοσειρών σε συστήματα ευφυών μεταφορών. Το σύστημα που σχεδιάστηκε και υλοποιήθηκε σε αυτή τη εργασία μπορεί να αποτελέσει την αφετηρία για μελλοντική έρευνα σε αντίστοιχες εφαρμογές πραγματικού κόσμου.