Πρόβλεψη τουριστικών δεδομένων με χρήση ARIMA και νευρωνικών δικτύων
| datacite.contributor.RelatedPerson | Ιωάννης Νίκας | |
| datacite.contributor.RelatedPerson | Αλκιβιάδης Παναγόπουλος | |
| datacite.contributor.Supervisor | Βασιλική Καρυώτη | |
| dc.contributor.author | Χρήστου, Νικολίνα | |
| dc.contributor.other | Christou, Nikolina | |
| dc.date.accessioned | 2025-05-26T05:49:07Z | |
| dc.date.available | 2025-05-26T05:49:07Z | |
| dc.date.issued | 2025-05-16 | |
| dc.degree | masterThesis | |
| dc.description.abstract | Τα τελευταία χρόνια το πεδίο των προβλέψεων παρουσιάζει ραγδαία ανάπτυξη σε διάφορους επιστημονικούς τομείς. Η διαθεσιμότητα και η συνεχής εξέλιξη λογισμικών, όπως οι γλώσσες προγραμματισμού R και Python, ενισχύουν την εφαρμογή μοντέλων πρόβλεψης. Στόχος της παρούσας διπλωματικής εργασίας, είναι η παραγωγή αξιόπιστων προβλέψεων μέσω της μεθοδολογίας Box-Jenkins και με χρήση μοντέλων βαθιάς μάθησης, συγκεκριμένα νευρωνικών δικτύων αξιοποιώντας δεδομένα από τον τουριστικό κλάδο. Αρχικά, στο εισαγωγικό κεφάλαιο παρουσιάζεται η έννοια της χρονοσειράς, τα χαρακτηριστικά της και ο διαχωρισμός των χρονοσειρών. Στη συνέχεια, εξετάζονται τα πεδία εφαρμογής τους και τα βασικά εργαλεία ανάλυσης τους. Ακόμα, αναλύονται τρεις βασικές μέθοδοι προβλέψεων: η μέθοδος αποσύνθεσης, η μέθοδος εξομάλυνσης και η ανάλυση υποδειγμάτων ARIMA. Ακολουθεί η βιβλιογραφική ανασκόπηση της αρχιτεκτονικής και των τύπων των νευρωνικών δικτύων. Τέλος, παρουσιάζεται η εφαρμογή συγκεκριμένων μοντέλων σε δύο σύνολα δεδομένων, με τα αντίστοιχα αποτελέσματα και τα συμπεράσματα που προέκυψαν από τη μελέτη. | |
| dc.description.translatedabstract | Over the past several years, there has been rapid growth in the field of forecasting in various scientific aspects. The continuous development of software, such as the programming languages R and Python, enhance the application of prediction models. The aim of this thesis is to fabricate reliable forecasts by using the Box-Jenkins methodology as well as deep learning models, specifically neural networks that utilize data from the tourism sector. Initially, the introductory chapter presents the concept of time series and their characteristics, as well as the separation of time series. Then, their fields of application and the basic tools for their analysis are discussed. Still, three main forecasting methods are discussed: the decomposition method, the smoothing method and the ARIMA model analysis. This is guided by a literature review of architecture and the types of neural networks. Last but not least, the application of specific models to two datasets is presented with the corresponding results and conclusions drawn from the study. | |
| dc.identifier.uri | https://hdl.handle.net/10889/29518 | |
| dc.language.iso | el | |
| dc.rights | Attribution-NonCommercial-ShareAlike 3.0 Greece | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/3.0/gr/ | |
| dc.subject | Χρονοσειρές | |
| dc.subject | Πρόβλεψη χρονοσειρών | |
| dc.subject | Μοντέλα ARIMA | |
| dc.subject | Νευρωνικά δίκτυα | |
| dc.subject | Τουρισμός | |
| dc.subject | Αεροπορικές αφίξεις | |
| dc.subject | Μέση πληρότητα κλινών | |
| dc.subject.alternative | Time series | |
| dc.subject.alternative | Time series forecasting | |
| dc.subject.alternative | ARIMA models | |
| dc.subject.alternative | Neural networks | |
| dc.subject.alternative | Tourism | |
| dc.subject.alternative | Air arrivals | |
| dc.subject.alternative | Bed occupancy rate | |
| dc.title | Πρόβλεψη τουριστικών δεδομένων με χρήση ARIMA και νευρωνικών δικτύων | |
| dc.title.alternative | Tourism data forecasting using ARIMA and neural networks |