Πρόβλεψη εκπομπών διοξειδίου του άνθρακα με την χρήση αλγορίθμων μηχανικής μάθησης

Καλλιγεράκη, Αλεξάνδρα

dc.contributor.advisor	Tselenti, Panagiota
dc.contributor.author	Καλλιγεράκη, Αλεξάνδρα
dc.date.accessioned	2024-07-30T07:21:48Z
dc.date.available	2024-07-30T07:21:48Z
dc.date.issued	2024-07-30
dc.identifier.uri	https://polynoe.lib.uniwa.gr/xmlui/handle/11400/7255
dc.identifier.uri	http://dx.doi.org/10.26265/polynoe-7087
dc.description.abstract	Η παρούσα διπλωματική εργασία εξετάζει τη χρήση αλγορίθμων μηχανικής μάθησης για την πρόβλεψη εκπομπών διοξειδίου του άνθρακα (CO2), στοχεύοντας στην ανάπτυξη και αξιολόγηση διαφόρων μοντέλων για την ακριβή πρόβλεψη των εκπομπών και την αναγνώριση των σημαντικότερων χαρακτηριστικών που τις επηρεάζουν. Αρχικά, πραγματοποιήθηκε εκτενής βιβλιογραφική ανασκόπηση για να αναλυθούν προηγούμενες έρευνες και τεχνικές, ενώ στη συνέχεια παρουσιάστηκε το θεωρητικό υπόβαθρο των αλγορίθμων μηχανικής μάθησης, όπως Gradient Boosting, XGBoost, Random Forest, Decision Tree, Ridge Regression και Lasso Regression. Το πειραματικό μέρος περιλάμβανε τη συλλογή και προεπεξεργασία δεδομένων, την επιλογή χαρακτηριστικών, την εκπαίδευση και αξιολόγηση των μοντέλων, καθώς και τη σύγκριση της απόδοσής τους. Τα αποτελέσματα έδειξαν ότι τα μοντέλα Gradient Boosting και XGBoost παρουσίασαν την καλύτερη απόδοση, με το XGBoost να επιτυγχάνει το χαμηλότερο μέσο τετραγωνικό σφάλμα (MSE) και τον υψηλότερο συντελεστή προσδιορισμού (R2), καθιστώντας το πιο αποδοτικό μοντέλο. Αναγνωρίστηκαν ορισμένοι περιορισμοί, όπως η περιορισμένη διαθεσιμότητα δεδομένων και η υπερπροσαρμογή των μοντέλων, αλλά επίσης αναδείχθηκε η σημασία της προσεκτικής προεπεξεργασίας δεδομένων και της επιλογής χαρακτηριστικών. Προτάθηκαν κατευθύνσεις για μελλοντική έρευνα, όπως η εφαρμογή πιο προηγμένων αλγορίθμων και η χρήση μεγαλύτερων και πιο ποικιλόμορφων συνόλων δεδομένων για τη βελτίωση της ακρίβειας και της γενίκευσης των προβλέψεων. Τα ευρήματα της έρευνας έχουν σημαντικές εφαρμογές στην ανάπτυξη πολιτικών και στρατηγικών για τη μείωση των εκπομπών CO2, προσφέροντας πολύτιμα εργαλεία για την αντιμετώπιση της κλιματικής αλλαγής.	el
dc.format.extent	84	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Δυτικής Αττικής	el
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές	*
dc.rights	Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/	*
dc.subject	Μηχανική μάθηση	el
dc.subject	Εκπομπές διοξειδίου του άνθρακα	el
dc.subject	Μοντέλο πρόβλεψης	el
dc.subject	Κλιματική αλλαγή	el
dc.subject	Machine learning	el
dc.subject	Carbon dioxide emissions	el
dc.subject	Prediction model	el
dc.subject	Climate change	el
dc.title	Πρόβλεψη εκπομπών διοξειδίου του άνθρακα με την χρήση αλγορίθμων μηχανικής μάθησης	el
dc.title.alternative	Prediction of carbon dioxide emissions using machine learning algorithms	el
dc.type	Διπλωματική εργασία	el
dc.contributor.committee	Troussas, Christos
dc.contributor.committee	Κρούσκα, Ακριβή
dc.contributor.faculty	Σχολή Μηχανικών	el
dc.contributor.department	Τμήμα Μηχανικών Πληροφορικής και Υπολογιστών	el
dc.description.abstracttranslated	This thesis examines the use of machine learning algorithms for predicting carbon dioxide (CO2) emissions, aiming to develop and evaluate different models for accurate prediction of emissions and identification of the most important characteristics that influence them. Initially, an extensive literature review was conducted to analyse previous research and techniques, followed by a theoretical background of machine learning algorithms such as Simple Linear Regression, Gradient Boosting, XGBoost, Random Forest, Decision Tree, Ridge Regression and Lasso Regression. The experimental part included data collection and pre-processing, feature selection, training and evaluation of the models, and comparison of their performance. The results showed that the Gradient Boosting and XGBoost models performed best, with XGBoost achieving the lowest mean square error (MSE) and the highest coefficient of determination (R2), making it the most efficient model. Some limitations were acknowledged, such as limited data availability and model over-fitting, but the importance of careful data preprocessing and feature selection was also highlighted. Directions for future research were suggested, such as the application of more advanced algorithms and the use of larger and more diverse datasets to improve the accuracy and generalizability of the predictions. The findings of the research have important applications in the development of policies and strategies to reduce CO2 emissions, providing valuable tools to address climate change.	el

Αρχεία σε αυτό το τεκμήριο

Όνομα:: Kalligeraki_711171071.pdf
Μέγεθος:: 2.214Mb
Τύπος:: PDF
Περιγραφή:: Διπλωματική Εργασία

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Διπλωματικές εργασίες
Διπλωματικές εργασίες τμήματος Μηχανικών Πληροφορικής και Υπολογιστών

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές

Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές