Πρόβλεψη καιρικών φαινομένων με χρήση αλγορίθμων μηχανικής μάθησης

datacite.contributor.RelatedPersonΜακρής, Χρήστος
datacite.contributor.RelatedPersonΤσίχλας, Κωνσταντίνος
datacite.contributor.SupervisorΣιούτας, Σπυρίδων
dc.contributor.authorΒακαλόπουλος, Δημήτρης
dc.contributor.otherVakalopoulos, Dimitris
dc.date.accessioned2023-03-17T06:17:20Z
dc.date.available2023-03-17T06:17:20Z
dc.date.issued2023-03-13
dc.degreegraduateThesis
dc.description.abstractΗ διπλωματική εργασία αφορά την διαδικασία πρόβλεψης καιρικών φαινομένων, μέσω συστημάτων μηχανικής μάθησης. Στο πρώτο τμήμα της εργασίας γίνεται μια εισαγωγή στην πρόβλεψη των καιρικών φαινομένων, μέσω των βασικών εννοιών, των τεχνικών, των μεθόδων και των εργαλείων που χρησιμοποιούνται για τις προβλέψεις. Στη συνέχεια αναλύονται τα νευρωνικά δίκτυα και η μηχανική μάθηση ως εργαλεία τα οποία είναι στη διάθεση των πιο σύγχρονων τεχνολογιών αιχμής και χρησιμοποιούνται στην καθημερινότητα, όπως και στην πρόγνωση του καιρού. Κατά τη λειτουργία τους, τα παραπάνω εργαλεία χρησιμοποιούν μεθόδους ταξινόμησης και ομαδοποίησης οι οποίες αναλύονται στην παρούσα διπλωματική. Αφού παρουσιαστούν εκτενώς τα παραπάνω, θα χρησιμοποιηθεί ένα database που περιέχει δεδομένα για την πρόβλεψη καιρού. Τo database συνθέτουν δεδομένα που αφορούν τη βροχόπτωση, τη θερμοκρασία, την πίεση στην ατμόσφαιρα, την κατεύθυνση και την ταχύτητα των ανέμων. Τα δεδομένα εισάγονται σε RNN δίκτυο και σε διαδικασίες ομαδοποίησης και ταξινόμησης. Συγκεκριμένα, σε KNN, Regression, Random Forest, Decision Tree, SVM και Naïve Bayes για την διαδικασία Classification, K-Means και Agglomerativeγια τη διαδικασία Clustering. Τέλος, γίνεται πρόβλεψη με ένα LSTM μοντέλο. Κατά το πρακτικό τμήμα της διπλωματικής (κεφάλαιο 7) εφαρμόζονται τα στοιχεία που έχουν παρατεθεί στο θεωρητικό τμήμα της (κεφάλαια 1-6) και καταλήγουμε στη διεξαγωγή συμπερασμάτων (κεφάλαιο 8).
dc.description.translatedabstractThe current dissertation concerns the process of forecasting weather phenomena, through machine learning systems. In the first part of the dissertation, an introduction to weather forecasting is given, through the basic concepts, techniques, methods and tools used for forecasting. Neural networks and machine learning are then analyzed as tools that are at the disposal of the most modern cutting-edge technologies and are used in everyday life, as well as in weather forecasting. During their operation process, the above tools use classification and grouping methods which are analyzed in this dissertation. After the above theoretical issues have been extensively presented, a database containing data for weather forecasting will be used. The database consists of data concerning precipitation, temperature, atmospheric pressure, wind direction and speed. The data is fed into an RNN network and into clustering and classification processes. Specifically, in KNN, Regression, Random Forest, Decision Tree, SVM and Naïve Bayes for the Classification process, K-Means and Agglomerative for the Clustering process. Finally, prediction is made with an LSTM model.During the practical part of the dissertation (chapter 7) the elements listed in the theoretical part (chapters 1-6) are applied and we end up drawing conclusions (chapter 8).
dc.identifier.urihttps://hdl.handle.net/10889/24841
dc.language.isoel
dc.rightsCC0 1.0 Universal*
dc.rights.urihttp://creativecommons.org/publicdomain/zero/1.0/*
dc.subjectΕξόρυξη δεδομένων
dc.subjectΜετεωρολογική πρόβλεψη
dc.subjectΜηχανική μάθηση
dc.subject.alternativeData mining
dc.subject.alternativeWeather forecast
dc.subject.alternativeMachine learning
dc.titleΠρόβλεψη καιρικών φαινομένων με χρήση αλγορίθμων μηχανικής μάθησης
dc.title.alternativeWeather prediction using machine learning algorithms

Files

Original bundle
Now showing 1 - 1 of 1
Loading...
Thumbnail Image
Name:
ΤΕΛΙΚΟ_ΠΑΡΑΔΟΤΕΟ_ ΠΡΟΒΛΕΨΗ_ ΚΑΙΡΙΚΩΝ_ ΦΑΙΝΟΜΕΝΩΝ.pdf
Size:
1.53 MB
Format:
Adobe Portable Document Format
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
5.02 KB
Format:
Item-specific license agreed upon to submission
Description: