Πρόβλεψη των θανάτων από COVID-19 με χρήση αναδρομικών νευρωνικών δικτύων
Predicting Covid-19 deaths using recurrent neural networks
Λέξεις-κλειδιά
Αναδρομικά νευρωνικά δίκτυα ; Μηχανική μάθηση ; Covid-19 ; Δίκτυα ακτινικής συμμετρίας ; RBFΠερίληψη
Η παρούσα πτυχιακή εργασία αποσκοπεί στην μελέτη αλγορίθμων νευρωνικών δικτύων με σκοπό την πρόβλεψη δεδομένων και εξαγωγή συμπερασμάτων που αφορούν στην πανδημία Covid-19. To θέμα της πανδημίας απασχολεί με ποικίλους τρόπους την ανθρωπότητα παντού και σε πολλούς διαφορετικούς τομείς, οπότε το αυξημένο ενδιαφέρον για την πορεία της διασποράς της αποτελεί συχνή πυξίδα για τον προσανατολισμό των ερευνών. Τα νευρωνικά δίκτυα υπάγονται στο ευρύτερο πεδίο της τεχνητής νοημοσύνης η οποία είναι ιδιαίτερα επίκαιρη και έχει ανασύρει στην επιφάνεια νέες προοπτικές, προκλήσεις και λύσεις στο χώρο της τεχνολογίας. Στην παρούσα έρευνα το ερώτημα είναι, αν είναι εφικτό να αναπτυχθεί ένα μοντέλο πρόβλεψης το οποίο να έχει την δυνατότητα να τροφοδοτείται με δεδομένα σχετικά με την διασπορά του Covid-19 και να εκτιμάται με ικανοποιητική ακρίβεια το ύψος του πλήθους των θανάτων στο μέλλον. Για την ανάπτυξη του μοντέλου πρόβλεψης χρησιμοποιούνται αλγόριθμοι που στηρίζονται στα νευρωνικά δίκτυα. Η αρχιτεκτονική που εξετάστηκε ήταν αυτή των αναδρομικών νευρωνικών δικτύων (Recurrent Neural Networks) που στηρίζεται στην αναδρομική τροφοδοσία των εισόδων. Στην διάρκεια της πειραματικής διαδικασίας, πραγματοποιήθηκε σύγκριση του νευρωνικού δικτύου με το δίκτυο ακτινικής συμμετρίας (Radial Basis Function) με σκοπό την εύρεση του καταλληλότερου μοντέλου προβλέψεων για τα συγκεκριμένα δεδομένα βάσει αποτελεσμάτων. Τα αποτελέσματα επιβεβαίωσαν ότι τα αναδρομικά νευρωνικά δίκτυα αποδίδουν καλύτερα σε σχέση με τα δίκτυα RBF για τα συγκεκριμένα δεδομένα χρονοσειρών.
Περίληψη
The aim of this Thesis is to study neural network algorithms in order to predict data and draw conclusions related to the Covid-19 pandemic. The topic of the pandemic concerns the entire humanity in several ways in many different fields, so the increased interest in the course of its spread often guides the orientation of research. Neural Networks is a subfield of artificial intelligence which has brought to the surface new perspectives, challenges and solutions in the field of technology. In the present research, the question is whether it is possible to develop a prediction model that has the ability to be fed with data about the spread of Covid-19 and estimate with sufficient accuracy the number of deaths in the future. Algorithms based on neural networks are used to develop the prediction model. The architecture that was examined was that of recurrent neural networks (RNNs) which is based on the recursive feeding of the inputs. During the experimental process, a comparison of the neural network with the Radial Basis Function (RBF) model was carried out in order to find the model which more efficiently handles that type of data. The results confirmed that RNNs perform better than RBF networks for the particular time series data.
Αριθμός σελίδων
65Σχολή
Σχολή ΜηχανικώνΑκαδημαϊκό Τμήμα
Τμήμα Ηλεκτρολόγων και Ηλεκτρονικών ΜηχανικώνΤίτλος Προγράμματος Μεταπτυχιακών Σπουδών
Διαδίκτυο των Πραγμάτων και Ευφυή ΠεριβάλλονταΓλώσσα
Ελληνικά
Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές