Εξόρυξη δεδομένων σε χρονοσειρές περιβαλλοντικού ενδιαφέροντος

Το τεκμήριο παρέχεται από τον φορέα :
Πανεπιστήμιο Αιγαίου   

Αποθετήριο :
Ιδρυματικό Αποθετήριο Ελλάνικος (Hellanicus)   

δείτε την πρωτότυπη σελίδα τεκμηρίου
στον ιστότοπο του αποθετηρίου του φορέα για περισσότερες πληροφορίες και για να δείτε όλα τα ψηφιακά αρχεία του τεκμηρίου*



Εξόρυξη δεδομένων σε χρονοσειρές περιβαλλοντικού ενδιαφέροντος

Ροδοπούλου, Ευγενία

Λέκκας, Δημήτρης Φραγκίσκος
Μαραγκουδάκης, Μανώλης
Καραγρηγορίου, Αλέξανδρος

masterThesis

2016-06-29
2017-12-15T13:49:26Z

Στόχος της παρούσας έρευνας είναι η βελτίωση της πρόβλεψης της ημερήσιας μέγιστης θερμοκρασίας στο Ελληνικό Αττικής. Για τον σκοπό αυτό, χρησιμοποιήθηκαν οι αλγόριθμοι μηχανικής μάθησης, «Μηχανές Διανυσμάτων Υποστήριξης» (ΜΔΥ) και «Γραμμικά Μοντέλα» (ΓΜ), οι οποίοι υλοποιήθηκαν χρησιμοποιώντας την γλώσσα προγραμματισμού για στατιστικούς υπολογισμούς, R. Τα δεδομένα συλλέχθηκαν από το ΕCA (“European Climate Assessment”) για τον ελληνικό μετεωρολογικό σταθμό του Ελληνικού στην Αθήνα. Μετά από ανάλυση και προεπεξεργασία των δεδομένων, οι ανεξάρτητες μεταβλητές που επιλέχθηκαν είναι η μέγιστη θερμοκρασία μιας ημέρας πριν, η υγρασία, η ατμοσφαιρική πίεση στην επιφάνεια της θάλασσας και η συννεφιά. Η επιλογή των συγκεκριμένων αλγορίθμων έγινε σύμφωνα με έρευνες αντίστοιχου περιεχομένου, καθώς και με την εφαρμογή μέτρων απόδοσης. Σημαντικό παράγοντα για την βελτίωση του αποτελέσματος αποτέλεσε η κανονικοποίηση των δεδομένων και τα διαγράμματα διασποράς που χρησιμοποιήθηκαν για την ανίχνευση της πολυσυγραμμικότητας. Επιπλέον, η μέθοδος «αναδρομική εξάλειψη χαρακτηριστικών» συνέβαλε στην τελική επιλογή των ανεξάρτητων μεταβλητών που δίνουν το μικρότερο σφάλμα. Στην εν λόγω εργασία, ο αλγόριθμος «Μηχανές Διανυσμάτων Υποστήριξης» έδωσε μικρότερο σφάλμα για την πρόβλεψη της μέγιστης θερμοκρασίας από τον αλγόριθμο «Γραμμικά Μοντέλα». Ωστόσο, το σημαντικό πλεονέκτημα του αλγορίθμου ΓΜ είναι πως ήταν αισθητά πιο ταχύς από τον ΜΔΥ. Τέλος, και για τις δυο περιπτώσεις προβλέπεται η μέγιστη θερμοκρασία της επόμενης μέρας με πολύ χαμηλό σφάλμα, λαμβάνοντας υπόψη τις ήδη υπάρχουσες έρευνες σχετικού περιεχομένου

Linear models (Statistics) (URL: http://id.loc.gov/authorities/subjects/sh85077177)
Machine learning (URL: http://id.loc.gov/authorities/subjects/sh85079324)

Μηχανική μάθηση
Γραμμικά μοντέλα
Μηχανές διανυσμάτων υποστήριξης
Support vector machines
Machine learning
Linear models

Στατιστική και Αναλογιστικά - Χρηματοοικονομικά Μαθηματικά
aegean
Πανεπιστήμιο Αιγαίου - Σχολή Ανθρωπιστικών Επιστημών - Τμήμα Επιστημών της Προσχολικής Αγωγής και του Εκπαιδευτικού Σχεδιασμού

Default License




*Η εύρυθμη και αδιάλειπτη λειτουργία των διαδικτυακών διευθύνσεων των συλλογών (ψηφιακό αρχείο, καρτέλα τεκμηρίου στο αποθετήριο) είναι αποκλειστική ευθύνη των αντίστοιχων Φορέων περιεχομένου.