Βιβλιοθήκη ΟΠΑ - Ψηφιακό Αποθετήριο

ΠΥΞΙΔΑ Ιδρυματικό Αποθετήριο
και Ψηφιακή Βιβλιοθήκη

Όνομα χρήστη
Κωδικός πρόσβασης

Συλλογές :	Ιδρυματικό Αποθετήριο ΟΠΑ / AUEB Institutional Repository Σχολή Επιστημών και Τεχνολογίας της Πληροφορίας / School of Informatics Τμήμα Πληροφορικής / Department of Informatics Μεταπτυχιακές Εργασίες / Postgraduate dissertations

Τίτλος :	Υβριδικό μοντέλο πρόβλεψης LSTM-ARIMA για τις τιμές του πετρελαίου Brent

Εναλλακτικός τίτλος :	Hybrid forecasting model LSTM-ARIMA for the Brent oil

Δημιουργός :	Κεχαγιάς, Βασίλειος

Συντελεστής :	Πετρής, Παναγιώτης (Επιβλέπων καθηγητής) Δότσης, Γεώργιος (Εξεταστής) Βασσάλος, Παρασκευάς (Εξεταστής) Οικονομικό Πανεπιστήμιο Αθηνών, Τμήμα Πληροφορικής (Degree granting institution)

Τύπος :	Text

Φυσική περιγραφή :	101σ.

Γλώσσα :	el

Αναγνωριστικό :	http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=10472

Περίληψη :	Στην παρούσα διπλωματική εργασία ασχολούμαστε με την κατασκευή υβριδικών αλγορίθμων με σκοπό την πρόβλεψη των ημερήσιων τιμών του πετρελαίου Brent για την περίοδο από το 1987 μέχρι και το 2023. Ο τρόπος δημιουργίας των υβριδικών μοντέλων γίνεται συνδυάζοντας τα στατιστικά μοντέλα με τα μοντέλα των νευρωνικών δικτύων, μετά από δοκιμές συνδυασμών ανάμεσα σε αυτές τις δύο μεθόδους αλλά και την κατασκευή δύο διαφορετικών αρχιτεκτονικών καταλήξαμε στο συμπέρασμα ότι ο συνδυασμός LSTM – ARIMA φαίνεται να είναι το αποτελεσματικότερο μοντέλο που θα παρουσιάσουμε στην παρούσα έρευνα.Το συγκριμένο μοντέλο κατάφερε σε τέσσερις δείκτες σφαλμάτων να δώσει τα χαμηλότερα σφάλματα συγκριτικά με όλα τα μοντέλα τα οποία παρουσιάζουμε στην παρούσα εργασία ενώ παράλληλα παρουσιάζει ικανότητα γενίκευσης και σε διαφορετικό σύνολο δεδομένων. Τέλος, συγκριτικά με όλα τα μοντέλα που θα παρουσιάσουμε κατάφερε να εξάγει ένα χαμηλότερο σφάλμα κατά μέσο όρο στο RMSE κατά 33%, για το δείκτη MSE 54.66%, για το MAE κατά 30.34% και τέλος για το MAPE κατά 30.95%. In this master thesis we deal with the construction of hybrid algorithms with the purpose of forecasting the daily prices of Brent oil for the period from 1987 to 2023.The way hybrid models are created is done by combining the statistical models with the neural network models, after testing combinations between in these two categories but also the construction of two different architectures we concluded that the LSTM – ARIMA combination seems to be the most effective model which we will present in this research.This model managed in four error indicators to give the lowest errors compared to all the models that we present in this research, while at the same time it shows the ability to generalize in a different data set. Finally, compared to all the models we will present, it managed to extract a lower error on average in the RMSE by 33%, for the MSE index by 54.66%, for the MAE by 30.34% and finally for the MAPE by 30.95%.

Περίληψη :

Στην παρούσα διπλωματική εργασία ασχολούμαστε με την κατασκευή υβριδικών αλγορίθμων με σκοπό την πρόβλεψη των ημερήσιων τιμών του πετρελαίου Brent για την περίοδο από το 1987 μέχρι και το 2023. Ο τρόπος δημιουργίας των υβριδικών μοντέλων γίνεται συνδυάζοντας τα στατιστικά μοντέλα με τα μοντέλα των νευρωνικών δικτύων, μετά από δοκιμές συνδυασμών ανάμεσα σε αυτές τις δύο μεθόδους αλλά και την κατασκευή δύο διαφορετικών αρχιτεκτονικών καταλήξαμε στο συμπέρασμα ότι ο συνδυασμός LSTM – ARIMA φαίνεται να είναι το αποτελεσματικότερο μοντέλο που θα παρουσιάσουμε στην παρούσα έρευνα.Το συγκριμένο μοντέλο κατάφερε σε τέσσερις δείκτες σφαλμάτων να δώσει τα χαμηλότερα σφάλματα συγκριτικά με όλα τα μοντέλα τα οποία παρουσιάζουμε στην παρούσα εργασία ενώ παράλληλα παρουσιάζει ικανότητα γενίκευσης και σε διαφορετικό σύνολο δεδομένων. Τέλος, συγκριτικά με όλα τα μοντέλα που θα παρουσιάσουμε κατάφερε να εξάγει ένα χαμηλότερο σφάλμα κατά μέσο όρο στο RMSE κατά 33%, για το δείκτη MSE 54.66%, για το MAE κατά 30.34% και τέλος για το MAPE κατά 30.95%.
In this master thesis we deal with the construction of hybrid algorithms with the purpose of forecasting the daily prices of Brent oil for the period from 1987 to 2023.The way hybrid models are created is done by combining the statistical models with the neural network models, after testing combinations between in these two categories but also the construction of two different architectures we concluded that the LSTM – ARIMA combination seems to be the most effective model which we will present in this research.This model managed in four error indicators to give the lowest errors compared to all the models that we present in this research, while at the same time it shows the ability to generalize in a different data set. Finally, compared to all the models we will present, it managed to extract a lower error on average in the RMSE by 33%, for the MSE index by 54.66%, for the MAE by 30.34% and finally for the MAPE by 30.95%.

Λέξη κλειδί :	Στατιστικά μοντέλα Νευρωνικά δίκτυα Υβριδικό μοντέλο πρόβλεψης Statistical models Neural Networks (NN) Hybrid forecasting model Long Short-Term Memory (LSTM) ARIMA

Διαθέσιμο από :	2023-04-26 15:10:10

Ημερομηνία έκδοσης :	28-02-2023

Ημερομηνία κατάθεσης :	2023-04-26 15:10:10

Δικαιώματα χρήσης :	Free access

Άδεια χρήσης :

Αρχείο: Kechagias_2023.pdf

Τύπος: application/pdf

Είσοδος