Σχεδίαση και υλοποίηση προηγμένων αλγορίθμων μηχανικής μάθησης για την ανάλυση και πρόγνωση χρονοσειρών

Abstract

This dissertation focuses on the application and development of advanced Machine Learning algorithms for the analysis and prediction of time series, with applications in various sectors such as smart cities, public health, and financial technology. The main objectives of the dissertation are the application of existing Machine Learning techniques to new time series datasets and the development of innovative algorithms to improve the analysis and prediction of these data. It begins with a detailed overview of Deep Learning techniques in multivariate time series, exploring applications for smart cities. This study fills a gap in the literature by providing a clear picture of the opportunities and challenges encountered in applying these methods. The analysis and prediction of the COVID-19 pandemic through multivariate time series is the next focus. Through the comparison of Traditional Statistical methods and advanced Machine Learning models, the dissertation offers a deeper understanding of the capabilities of these algorithms in managing health data. In the field of financial technology, the dissertation examines Bitcoin price prediction by incorporating sentiment analysis from tweets, showcasing the capabilities of Deep Learning in analyzing complex and new data sources. Additionally, the dissertation focuses on the application of the Cascade technique for processing multivariate time series data. This approach proves particularly effective in improving prediction accuracy, combining various Machine Learning methods to achieve the best possible performance. Finally, the development of a Hybrid algorithm that combines the statistical ARIMA method with the advanced Deep Learning algorithm Temporal Fusion Transformer demonstrates the value of innovation in the analysis of environmental data and enhances the applicability of Machine Learning techniques. This dissertation presents a comprehensive effort to improve the capability of Machine Learning to handle complex and diverse types of time series, leveraging existing techniques and developing innovative solutions. By incorporating advanced analysis methods and creating new approaches, this work attempts to bring significant improvements in the prediction and interpretation of time series, offering additional real-life applications and helping to address practical challenges in numerous scientific and technological fields.

Η διατριβή αυτή επικεντρώνεται στην εφαρμογή και ανάπτυξη προηγμένων αλγορίθμων Μηχανικής Μάθησης για την ανάλυση και πρόβλεψη χρονοσειρών, με εφαρμογές σε διάφορους τομείς όπως οι έξυπνες πόλεις, η δημόσια υγεία και η χρηματοοικονομική τεχνολογία. Οι κύριοι στόχοι της διατριβής είναι η εφαρμογή υπαρχόντων τεχνικών Μηχανικής Μάθησης σε νέα σύνολα δεδομένων χρονοσειρών και η ανάπτυξη καινοτόμων αλγορίθμων για την βελτίωση της ανάλυσης και πρόβλεψης αυτών των δεδομένων. Αρχίζει με μια εμπεριστατωμένη επισκόπηση των τεχνικών Βαθιάς Μηχανικής Μάθησης σε πολυμεταβλητές χρονοσειρές, εξερευνώντας εφαρμογές για έξυπνες πόλεις. Σ' αυτή τη μελέτη, κλείνεται ένα κενό στη βιβλιογραφία παρέχοντας μια σαφή εικόνα των ευκαιριών και των προκλήσεων που συναντώνται στην εφαρμογή αυτών των μεθόδων. Η ανάλυση και πρόβλεψη της πανδημίας COVID-19 μέσω πολυμεταβλητών χρονοσειρών αποτελεί την επόμενη εστίαση. Μέσα από τη σύγκριση Παραδοσιακών Στατιστικών μεθόδων και προηγμένων μοντέλων Μηχανικής Μάθησης, η διατριβή προσφέρει μια βαθύτερη κατανόηση της δυνατότητας των αλγορίθμων στη διαχείριση των δεδομένων της υγείας. Στον τομέα της χρηματοοικονομικής τεχνολογίας, η διατριβή εξετάζει την πρόβλεψη της τιμής του Bitcoin με την ενσωμάτωση ανάλυσης συναισθημάτων από tweets, παρουσιάζοντας τις δυνατότητες της Βαθιάς Μηχανικής Μάθησης στην ανάλυση σύνθετων και νέων πηγών δεδομένων. Η διατριβή εστιάζει επιπλέον στην εφαρμογή της τεχνικής της Αλληλουχίας (Cascade) για την επεξεργασία δεδομένων χρονοσειρών με πολλαπλές μεταβλητές. Αυτή η προσέγγιση αποδεικνύεται ιδιαίτερα αποτελεσματική στη βελτίωση της ακρίβειας των προβλέψεων, συνδυάζοντας διάφορες μεθόδους Μηχανικής Μάθησης για να επιτύχει την καλύτερη δυνατή απόδοση. Τέλος, η ανάπτυξη ενός Υβριδικού αλγορίθμου που συνδυάζει τη στατιστική μέθοδο ARIMA με τον προηγμένο αλγόριθμο Βαθιάς Μηχανικής Μάθησης Temporal Fusion Transformer αποδεικνύει την αξία της καινοτομίας στην ανάλυση περιβαλλοντικών δεδομένων και ενισχύει την εφαρμογή των τεχνικών Μηχανικής Μάθησης. Η διατριβή αυτή παρουσιάζει μια συνολική προσπάθεια για τη βελτίωση της ικανότητας της Μηχανικής Μάθησης ν' αντιμετωπίζει πολύπλοκες και διαφορετικού τύπου χρονοσειρές, αξιοποιώντας υφιστάμενες τεχνικές και αναπτύσσοντας καινοτόμες λύσεις. Με την ενσωμάτωση προηγμένων μεθόδων ανάλυσης και τη δημιουργία νέων προσεγγίσεων, η εργασία αυτή επιχειρεί να επιφέρει σημαντικές βελτιώσεις στην πρόβλεψη και ερμηνεία των χρονοσειρών, προσφέροντας επιπλέον εφαρμογές στην πραγματική ζωή και βοηθώντας στην αντιμετώπιση πρακτικών προκλήσεων σε πολυάριθμους επιστημονικούς και τεχνολογικούς τομείς.