BEGIN:VCALENDAR VERSION:2.0 PRODID:-//TUC//Events//EN CALSCALE:GREGORIAN BEGIN:VTIMEZONE TZID:Europe/Athens TZNAME:EEST DTSTART:19700329T030000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3 BEGIN:STANDARD TZOFFSETFROM:+0200 TZOFFSETTO:+0300 TZNAME:EET DTSTART:19701025T040000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10 END:STANDARD END:VTIMEZONE BEGIN:VEVENT CREATED:20260630T131616Z LAST-MODIFIED:20260630T131616Z DTSTAMP:20260719T213028Z UID:1784485828@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κας Χρύσας Παναγιωτοπούλου - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8512&cHash=fbfc925208efec7 798dcb7a35dd94512\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Χρύσας Παναγιωτ οπούλου\n με θέμα\n Πρόβλεψη Συχνότη τας Κρουσμάτων Covid-19 με Μεθοδολογ ίες Ανάλυσης Χρονοσειρών \n Forecast ing the Frequency of Covid-19 Cases with Time Series Analysis \n Εξεταστ ική Επιτροπή\n Καθηγητής Διονύσιος Χ ριστόπουλος (επιβλέπων)\n Καθηγητής Μιχαήλ Ζερβάκης \n Καθηγητής Μιχαήλ Λαγουδάκης \n Περίληψη\n Η παρούσα δ ιπλωματική εργασία εξετάζει την πρόβ λεψη της συχνότητας κρουσμάτων COVID -19 με χρήση μεθόδων ανάλυσης χρονοσ ειρών. Η μελέτη επικεντρώνεται σε τέ σσερις ευρωπαϊκές χώρες, την Ελλάδα, την Ιταλία, την Κύπρο και τη Γερμαν ία, με στόχο τη σύγκριση διαφορετικώ ν προσεγγίσεων στατιστικής, μηχανική ς και βαθιάς μάθησης. Τα δεδομένα πρ οέρχονται από τη βάση Our World in D ata και αφορούν κυρίως τα νέα επιβεβ αιωμένα κρούσματα ανά εκατομμύριο κα τοίκων, καθώς και τον κυλιόμενο μέσο όρο 7 ημερών, ώστε να μειωθεί ο ημε ρήσιος θόρυβος και να αποτυπωθεί πιο καθαρά η πορεία της πανδημίας.\n Στ ο πλαίσιο της εργασίας εφαρμόστηκαν και αξιολογήθηκαν το μοντέλο χρονοσε ιρών ARIMA Walk-forward, τα μοντέλα δέντρων αποφάσεων XGBoost και LightG BM, το μοντέλο νευρωνικών δικτύων LS TM και ένα υβριδικό μοντέλο ARIMA-LS TM με μηχανισμό προσοχής (Attention) . Η αξιολόγηση πραγματοποιήθηκε με χ ρονικά διατεταγμένους διαχωρισμούς σ υνόλων εκπαίδευσης και ελέγχου, ώστε να διατηρηθεί η φυσική σειρά των χρ ονοσειρών και να αποφευχθεί η χρήση μελλοντικής πληροφορίας κατά την εκπ αίδευση. Η απόδοση των μοντέλων συγκ ρίθηκε με βάση τα εξής στατιστικά μέ τρα: ρίζα του μέσου τετραγωνικού σφά λματος (RMSE), μέσο απόλυτο σφάλμα ( MAE) και συντελεστής προσδιορισμού ( R2).\n Η ανάλυση των αποτελεσμάτων έ δειξε ότι το ARIMA Walk-forward παρο υσιάζει πιο σταθερές και ακριβείς πρ οβλέψεις στις περισσότερες περιπτώσε ις, υπερέχοντας συνολικά έναντι των πιο σύνθετων μοντέλων μηχανικής και βαθιάς μάθησης. Το LSTM αποτέλεσε τη δεύτερη πιο ανταγωνιστική προσέγγισ η, ενώ τα XGBoost και LightGBM εμφάν ισαν μέτρια αλλά συγκρίσιμη απόδοση. Το υβριδικό μοντέλο, παρά τη μεγαλύ τερη πολυπλοκότητά του, δεν οδήγησε σε ουσιαστική βελτίωση. Συνεπώς, η ε ργασία αναδεικνύει ότι σε επιδημιολο γικές χρονοσειρές, αν δεν υπάρχει ή δεν χρησιμοποιείται πληροφορία από π ολλαπλές πηγές, η χρήση πολυπλοκότερ ων μοντέλων δεν εγγυάται από μόνη τη ς μεγαλύτερη ακρίβεια πρόβλεψης. \n Abstract \n This diploma thesis inve stigates the forecasting of COVID-19 case frequency using time series an alysis methods. The study focuses on four European countries, namely Gre ece, Italy, Cyprus and Germany, with the aim of comparing different stat istical, machine learning and deep l earning approaches. The data were ob tained from the Our World in Data da tabase and mainly concern new confir med cases per million people, as wel l as the 7-day rolling average, in o rder to reduce daily noise and provi de a clearer representation of the p andemic trend.\n In this work, five forecasting approaches were implemen ted and evaluated: ARIMA Walk-forwar d, XGBoost, LightGBM, LSTM and a hyb rid ARIMA-LSTM model with an Attenti on mechanism. The evaluation was car ried out using time-ordered training and test splits, so that the chrono logical structure of the data was pr eserved and future information was n ot used during training. Model perfo rmance was compared using RMSE, MAE and R².\n The results shσowed that t he ARIMA Walk-forward model achieved the most stable and accurate foreca sts in most cases, outperforming the more complex machine learning and d eep learning models overall. The LST M model was the second most competit ive approach, while XGBoost and Ligh tGBM showed moderate but comparable performance. The hybrid model, despi te its increased complexity, did not lead to a substantial improvement i n forecasting accuracy. Therefore, t his thesis highlights that, in epide miological time series, when informa tion from multiple sources is not av ailable or not used, the application of more complex models does not, by itself, guarantee higher forecastin g accuracy.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260713T103000 DTEND:20260713T113000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT END:VCALENDAR