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:20260809T195011Z
UID:1786294211@tuc.gr
SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κας
  Χρύσας Παναγιωτοπούλου - Σχολή ΗΜΜΥ
LOCATION:
DESCRIPTION:https://www.tuc.gr/el/to-polytechnei
 o/ilektronikes-ypiresies/imerologio/
 imerologio-ekdiloseon-1?tx_tucevents
 2_tuceventsdisplay%5Baction%5D=show&
 tx_tucevents2_tuceventsdisplay%5Bcon
 troller%5D=Event&tx_tucevents2_tucev
 entsdisplay%5Bevent%5D=8512&cHash=49
 5180af57710c7d8677c2622a6dff54\nΠΟΛΥ
 ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Ηλεκτρολόγων 
 Μηχανικών και Μηχανικών Υπολογιστών\
 n Πρόγραμμα Προπτυχιακών Σπουδών\n Π
 ΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Χρ
 ύσας Παναγιωτοπούλου\n με θέμα\n Πρό
 βλεψη Συχνότητας Κρουσμάτων Covid-19
  με Μεθοδολογίες Ανάλυσης Χρονοσειρώ
 ν \n Forecasting the Frequency of Co
 vid-19 Cases with Time Series Analys
 is \n Εξεταστική Επιτροπή\n Καθηγητή
 ς Διονύσιος Χριστόπουλος (επιβλέπων)
 \n Καθηγητής Μιχαήλ Ζερβάκης \n Καθη
 γητής Μιχαήλ Λαγουδάκης \n Περίληψη\
 n Η παρούσα διπλωματική εργασία εξετ
 άζει την πρόβλεψη της συχνότητας κρο
 υσμάτων COVID-19 με χρήση μεθόδων αν
 άλυσης χρονοσειρών. Η μελέτη επικεντ
 ρώνεται σε τέσσερις ευρωπαϊκές χώρες
 , την Ελλάδα, την Ιταλία, την Κύπρο 
 και τη Γερμανία, με στόχο τη σύγκρισ
 η διαφορετικών προσεγγίσεων στατιστι
 κής, μηχανικής και βαθιάς μάθησης. Τ
 α δεδομένα προέρχονται από τη βάση O
 ur World in Data και αφορούν κυρίως 
 τα νέα επιβεβαιωμένα κρούσματα ανά ε
 κατομμύριο κατοίκων, καθώς και τον κ
 υλιόμενο μέσο όρο 7 ημερών, ώστε να 
 μειωθεί ο ημερήσιος θόρυβος και να α
 ποτυπωθεί πιο καθαρά η πορεία της πα
 νδημίας.\n Στο πλαίσιο της εργασίας 
 εφαρμόστηκαν και αξιολογήθηκαν το μο
 ντέλο χρονοσειρών ARIMA Walk-forward
 , τα μοντέλα δέντρων αποφάσεων XGBoo
 st και LightGBM, το μοντέλο νευρωνικ
 ών δικτύων LSTM και ένα υβριδικό μον
 τέλο ARIMA-LSTM με μηχανισμό προσοχή
 ς (Attention). Η αξιολόγηση πραγματο
 ποιήθηκε με χρονικά διατεταγμένους δ
 ιαχωρισμούς συνόλων εκπαίδευσης και 
 ελέγχου, ώστε να διατηρηθεί η φυσική
  σειρά των χρονοσειρών και να αποφευ
 χθεί η χρήση μελλοντικής πληροφορίας
  κατά την εκπαίδευση. Η απόδοση των 
 μοντέλων συγκρίθηκε με βάση τα εξής 
 στατιστικά μέτρα: ρίζα του μέσου τετ
 ραγωνικού σφάλματος (RMSE), μέσο από
 λυτο σφάλμα (MAE) και συντελεστής πρ
 οσδιορισμού (R2).\n Η ανάλυση των απ
 οτελεσμάτων έδειξε ότι το ARIMA Walk
 -forward παρουσιάζει πιο σταθερές κα
 ι ακριβείς προβλέψεις στις περισσότε
 ρες περιπτώσεις, υπερέχοντας συνολικ
 ά έναντι των πιο σύνθετων μοντέλων μ
 ηχανικής και βαθιάς μάθησης. Το LSTM
  αποτέλεσε τη δεύτερη πιο ανταγωνιστ
 ική προσέγγιση, ενώ τα XGBoost και L
 ightGBM εμφάνισαν μέτρια αλλά συγκρί
 σιμη απόδοση. Το υβριδικό μοντέλο, π
 αρά τη μεγαλύτερη πολυπλοκότητά του,
  δεν οδήγησε σε ουσιαστική βελτίωση.
  Συνεπώς, η εργασία αναδεικνύει ότι 
 σε επιδημιολογικές χρονοσειρές, αν δ
 εν υπάρχει ή δεν χρησιμοποιείται πλη
 ροφορία από πολλαπλές πηγές, η χρήση
  πολυπλοκότερων μοντέλων δεν εγγυάτα
 ι από μόνη της μεγαλύτερη ακρίβεια π
 ρόβλεψης. \n Abstract \n This diplom
 a thesis investigates the forecastin
 g of COVID-19 case frequency using t
 ime series analysis methods. The stu
 dy focuses on four European countrie
 s, namely Greece, Italy, Cyprus and 
 Germany, with the aim of comparing d
 ifferent statistical, machine learni
 ng and deep learning approaches. The
  data were obtained from the Our Wor
 ld in Data database and mainly conce
 rn new confirmed cases per million p
 eople, as well as the 7-day rolling 
 average, in order to reduce daily no
 ise and provide a clearer representa
 tion of the pandemic trend.\n In thi
 s work, five forecasting approaches 
 were implemented and evaluated: ARIM
 A Walk-forward, XGBoost, LightGBM, L
 STM and a hybrid ARIMA-LSTM model wi
 th an Attention mechanism. The evalu
 ation was carried out using time-ord
 ered training and test splits, so th
 at the chronological structure of th
 e data was preserved and future info
 rmation was not used during training
 . Model performance was compared usi
 ng RMSE, MAE and R².\n The results s
 hσowed that the ARIMA Walk-forward m
 odel achieved the most stable and ac
 curate forecasts in most cases, outp
 erforming the more complex machine l
 earning and deep learning models ove
 rall. The LSTM model was the second 
 most competitive approach, while XGB
 oost and LightGBM showed moderate bu
 t comparable performance. The hybrid
  model, despite its increased comple
 xity, did not lead to a substantial 
 improvement in forecasting accuracy.
  Therefore, this thesis highlights t
 hat, in epidemiological time series,
  when information from multiple sour
 ces is not available or not used, th
 e application of more complex models
  does not, by itself, guarantee high
 er forecasting 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