Πρόβλεψη με χρήση γενικευμένων νευρωνικών δικτύων αξιοποιώντας μεγάλο όγκο δεδομένων

Abstract

Η παρούσα διπλωματική εργασία έχει ως στόχο να σχεδιάσει και να εκπαιδεύσει ένα νευρωνικό δίκτυο με χρήση μεγάλου όγκου δεδομένων το οποίο θα είναι σε θέση να προβλέπει χρονοσειρές οι οποίες αναφέρονται σε δεδομένα κατανάλωσης ενέργειας, καθιστώντας το κατάλληλο για γενικευμένη χρήση.

Τα τελευταία χρόνια, με τη ραγδαία βελτίωση των συστημάτων μηχανικής μάθησης και την ανάγκη για πρόβλεψη χρονοσειρών σε ενεργειακά δεδομένα, έχουν γίνει σημαντικές έρευνες χρησιμοποιώντας διάφορα είδη νευρωνικών δικτύων για βέλτιστη πρόβλεψη. Η δημιουργία των μοντέλων βασίστηκε στην καθολική εκπαίδευση και την αξιοποίηση μεγάλου όγκου δεδομένων. Αυτή η μέθοδος επιτρέπει την αξιοποίηση διαφορετικών συνόλων δεδομένων και προηγμένων τεχνικών μοντελοποίησης για τη δημιουργία προβλέψεων υψηλής ακρίβειας. Η αρχιτεκτονική που χρησιμοποιήθηκε είναι το πολυεπίπεδο τεχνητό νευρωνικό δίκτυο, το οποίο, παρά την απλότητά του, παρουσιάζει ικανοποιητικές προβλέψεις σε ενεργειακά δεδομένα.

Η παρούσα εργασία ξεκινά με μια θεωρητική ανάλυση των στατιστικών μεθόδων πρόβλεψης,εξετάζοντας επίσης τις διαφορετικές αρχιτεκτονικές νευρωνικών δικτύων που μπορούν να χρησιμοποιηθούν για την πρόβλεψη χρονοσειρών καθώς και μετρικών που θα εφαρμοστούν κατά τη διάρκεια της έρευνας. Στο πλαίσιο του πειραματικού σταδίου, προηγείται μια σημαντική φάση συλλογής και προεπεξεργασίας των δεδομένων, η οποία είναι ουσιώδης για τη διασφάλιση της κατάλληλης δομής της εισόδου στα νευρωνικά δίκτυα αλλά και της ποιότητας των δεδομένων. Έπειτα, προχωρούμε σε μια εμπεριστατωμένη ανάλυση όλων των δημιουργηθέντων μοντέλων και της αρχιτεκτονικής των νευρωνικών δικτύων τα οποία χρησιμοποιήθηκαν, με στόχο την επίτευξη προβλέψεων υψηλής ακρίβειας, ακολουθούμενη από μια λεπτομερή εξέταση των προκύπτοντων αποτελεσμάτων τόσο σε συνολικό βαθμό όσο και ανάλογα τον τύπο κτιρίου, το είδος ενέργειας και τον τύπο χρήσης ενέργειας.

Παρατηρήθηκε ότι η καθολική εκπαίδευση είναι σημαντική για την αξιοποίηση του μεγάλου συνόλου δεδομένων, ενώ η εστίαση των μοντέλων σε υποσύνολο δεδομένων βελτίωσε τα συνολικά αποτελέσματα. Τέλος, προτείνονται διάφορες μελλοντικές επεκτάσεις για τη βελτίωση της μελέτης και των αποτελεσμάτων.