Διπλωματική εργασία--Πανεπιστήμιο Μακεδονίας, Θεσσαλονίκη, 2025.
(EL)
Αυτή η εργασία παρουσιάζει μια απόπειρα να προβλεφθούν μελλοντικές τιμές καυσίμων,
χρησιμοποιώντας προβλεπτικά μοντέλα κι ανάλυση χρονοσειρών. Τα δεδομένα που
χρησιμοποιήθηκαν σ’αυτά τα μοντέλα, είναι ανοιχτά δεδομένα, τα οποία εκδίδονται από το
Υπουργείο Ανάπτυξης κι Ανταγωνιστικότητας Ελλάδος και περιλαμβάνουν τις τιμές καυσίμων
για διάφορες περιοχές της χώρας, καθώς και για πολλών ειδών καύσιμα. Για την εκπαίδευση
των μοντέλων αλλά και την πρόβλεψη των τιμών, χρησιμοποιήθηκε η μέθοδος SARIMA
(Seasonal AutoRegressive Integrated Moving Average, μτφ Εποχιακός Αυτοπαλίνδρομος
ενσωματωμένος κινητός μέσος όρος) η οποία είναι ικανή να καταγράφει εποχιακά και μη
μοτίβα σε δεδομένα χρονοσειρών.
H μελέτη ξεκινά παραθέτοντας επιγραμματικά τα είδη των καυσίμων που χρησιμοποιούνται
κατά κύριο λόγο στην Ελλάδα, υπογραμμίζοντας την σημαντικότητα τους μα και τ’αποτελέσματα
που μπορούμε να εξαγάγουμε για το κάθε καύσιμο. Εν συνεχεία, υπάρχει μία ενδελεχή
παρουσίαση σημαντικών εννοιών στην ανάλυση χρονοσειρών, όπως: η στατικότητα, η
διαφοροποίηση και η αυτοσυσχέτιση. Επιπροσθέτως, γίνεται η παρουσίαση των μοντέλων
ARIMA και SARIMA, καθώς και η αξιολόγηση τους, ενώ δίνονται λεπτομερείς εξηγήσεις για
την προεπεξεργασία και απεικόνιση των δεδομένων. Τέλος, παρατίθεται το πως επιλόγονται
οι βέλτιστοι παράμετροι των μοντέλων, είτε μέσω τεχνογνωσίας ή/και μέσω της χρήσης
πρακτικών εργαλείων όπως η AutoARIMA και Grid Search.
Για το πρακτικό κομμάτι χρησιμοποιήθηκε η γλωσσα προγραμματισμού Python για να διαχειριστεί
και να αξιολογήσει τα δεδομένα, να εκπαιδεύσει τα μοντέλα SARIMA και να παρέχει τις
προβλέψεις. Τα αποτελέσματα δείχνουν την αποδοτικότητα αυτής της μεθόδου στο να προβλέπει
τις τιμές των καυσίμων, καθώς και να παρέχει πολύτιμες πληροφορίες για τους ιθύνοντες
φορείς πολιτικής χάραξης, τις επιχειρήσεις καθώς και τους καταναλωτές.
Η παρούσα μελέτη επισημαίνει την δυνητική σημασία της χρήσης των Ανοιχτών Δεδομένων
και των προηγμένων μεθόδων πρόβλεψης για να ξεπεράσουμε πραγματικά, καθημερινά οικονομικά
εμπόδια. Μελλοντικές μελέτες θα μπορούσαν να ενισχύσουν το μοντέλο με το να ενσωματώσουν
κι εξωτερικές μεταβλητές, εξερευνώντας ακόμα πιο προηγμένες προσεγγίσεις μηχανικής μάθησης
και αναπτύσσοντας συστήματα προβλέψεων σε πραγματικό χρόνο. Αυτή η εργασία συμβάλλει
στην αύξουσα παροχή πληροφοριών για τη διαρκή ενημέρωση και την συστημική προγνωστική ανάλυση, καθιστώντας μας ικανούς να αντιμετωπίσουμε ένα καίριο ζήτημα της Ελληνικής
οικονομίας, προσφέροντας ένα εύρωστο σύστημα πρόβλεψης χρονοσειρών.
(EL)
Submitted by ΚΩΝΣΤΑΝΤΙΝΟΣ ΤΣΙΟΥΛΑΚΗΣ (
[email protected]) on 2025-02-15T13:16:54Z
No. of bitstreams: 2
license_rdf: 805 bytes, checksum: 4460e5956bc1d1639be9ae6146a50347 (MD5)
TsioulakisKonstantinosMsc2025.pdf: 1270791 bytes, checksum: 85edd976e53b42b29c6a6c820b7de233 (MD5)
(EN)
Approved for entry into archive by Κυριακή Μπαλτά (
[email protected]) on 2025-02-17T15:25:21Z (GMT) No. of bitstreams: 2
license_rdf: 805 bytes, checksum: 4460e5956bc1d1639be9ae6146a50347 (MD5)
TsioulakisKonstantinosMsc2025.pdf: 1270791 bytes, checksum: 85edd976e53b42b29c6a6c820b7de233 (MD5)
(EN)
Made available in DSpace on 2025-02-17T15:25:21Z (GMT). No. of bitstreams: 2
license_rdf: 805 bytes, checksum: 4460e5956bc1d1639be9ae6146a50347 (MD5)
TsioulakisKonstantinosMsc2025.pdf: 1270791 bytes, checksum: 85edd976e53b42b29c6a6c820b7de233 (MD5)
Previous issue date: 2025-02-15
(EN)
University of Macedonia
