Time series analysis with deep learning methods

Abstract

Η παρούσα διπλωματική εργασία εξερευνά την ανάλυση χρονοσειρών με τη χρήση μεθόδων βαθιάς μάθησης. Μοντέλα όπως τα επαναλαμβανόμενα νευρωνικά δίκτυα εφαρμόζονται για την αποτύπωση σύνθετων χρονικών προτύπων και τη βελτίωση της απόδοσης των προβλέψεων σε σύγκριση με τις παραδοσιακές προσεγγίσεις. Η μελέτη αναδεικνύει τη δυναμική των μοντέλων βαθιάς μάθησης στη διαχείριση ποικίλων προβλημάτων χρονοσειρών. Έπειτα από μια σύντομη βιβλιογραφική επισκόπηση τόσο της ανάλυσης χρονοσειρών όσο και της βαθιάς μάθησης και της σημασίας τους για την πρόβλεψη, η εργασία επικεντρώνεται στη μεθοδολογία που ακολουθήθηκε για την αντιμετώπιση των εξεταζόμενων προβλημάτων πρόβλεψης. Τέλος, εξετάζει την εφαρμογή και τον πειραματισμό τόσο σε προσομοιωμένα δεδομένα όσο και σε πραγματικά δεδομένα, προτού καταλήξει σε βασικά ευρήματα και συμπεράσματα. Για τη διασφάλιση της αναπαραγωγιμότητας, όλες οι υλοποιήσεις κώδικα που αναπτύχθηκαν στο πλαίσιο της παρούσας εργασίας είναι διαθέσιμες στο GitHub στον παρακάτω σύνδεσμο: https://github.com/iochronaios/thesis-notebook/blob/main/MSc_thesis_code_final_version.ipynbThis thesis explores time series analysis using deep learning methods. Models such as recurrent neural networks are applied to capture complex temporal patterns and improve forecasting performance compared to traditional approaches. The study highlights the potential of such deep learning models for handling diverse time series tasks. After a brief literature review of both time series and deep learning and their importance to forecasting, this paper focuses on the methodology used for approaching the forecasting tasks at hand. Finally, it examines the application and experimentation both on simulated data and real-world data before reaching on key insights and conclusions. To ensure reproducibility, all code implementations developed in this work is available on GitHub on the link below: https://github.com/iochronaios/thesis-notebook/blob/main/MSc_thesis_code_final_version.ipynb