Συντάχθηκε 09-07-2025 10:54
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 16/07/2025 11:00
Λήξη: 16/07/2025 12:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Μηχανικών Παραγωγής και Διοίκησης
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Τετάρτη, 16 Ιουλίου 2025, 11:00
https://tuc-gr.zoom.us/j/82617003433?pwd=ZVJoemtxa2JHYUtkYW9Nd0RpQlpzdz09
Ονοματεπώνυμο: ΚΟΥΦΟΥ ΜΙΧΑΕΛΑ
Θέμα: ΠΡΟΒΛΕΨΗ ΠΩΛΗΣΕΩΝ ΗΛΕΚΤΡΙΚΩΝ ΑΥΤΟΚΙΝΗΤΩΝ
Title: FORECAST OF ELECTRIC VEHICLE SALES
Εξεταστική Επιτροπή
- ΑΤΣΑΛΑΚΗΣ ΓΕΩΡΓΙΟΣ, Αναπληρωτής Καθηγητής (επιβλέπων)
- ΖΟΠΟΥΝΙΔΗΣ ΚΩΝΣΤΑΝΤΙΝΟΣ, Καθηγητής
- ΜΟΥΣΤΑΚΗΣ ΒΑΣΙΛΗΣ, Καθηγητής
Περίληψη
Σε αυτή τη διπλωματική εργασία, επιδιώκεται η πρόβλεψη των μηνιαίων πωλήσεων ηλεκτρικών αυτοκινήτων μέσω της εφαρμογής ενός προσαρμοστικού νεύρο-ασαφούς συστήματος (Adaptive Neuro-Fuzzy System – ANFIS) και μέσω ασαφών συνόλων (fuzzy type). Τα ηλεκτρικά οχήματα έχουν όμως προσελκύσει το ενδιαφέρον πολλών αγοραστών και πολλών παραγωγών με αποτέλεσμα να επενδύονται τεράστια ποσά στην παγκόσμια οικονομία. Οι διακυμάνσεις των πωλήσεων καθιστά απαραίτητη την πρόβλεψη των πωλήσεων για πολλούς παραγωγούς ώστε να προγραμματίζουν την παραγωγή τους. Το σύστημα ANFIS και το fuzzy type επιλέχθηκε από μία πληθώρα μεθόδων πρόβλεψης, για τις δυνατότητες που παρέχει ο συνδυασμός ασαφούς λογικής και τεχνητών νευρωνικών δικτύων που δομούν τον αλγόριθμο ANFIS. Στο σύστημα fuzzy type η βελτιστοποίηση του μοντέλου θα γίνει με τον αλγόριθμο Particle Swarm. Τα αποτελέσματα θα συγκριθούν, με παραδοσιακές μεθόδους πρόβλεψης Αυτοπαλινδρόμηση – (Auto Regression) και Παλινδρόμηση Κινούμενου Μέσου (Auto Regression Moving Average) για περαιτέρω αξιολόγηση των αποτελεσμάτων.
Abstract
In this thesis, the goal is to forecast the monthly sales of electric vehicles through the application of an Adaptive Neuro-Fuzzy Inference System (ANFIS) and fuzzy type systems. Electric vehicles have attracted the interest of many buyers and manufacturers, leading to significant investments in the global economy. The fluctuations in sales make it essential for many manufacturers to forecast sales in order to effectively plan their production. The ANFIS system and the fuzzy type approach were selected from a wide range of forecasting methods due to the advantages provided by the combination of fuzzy logic and artificial neural networks that form the basis of the ANFIS algorithm. In the fuzzy type system, model optimization will be performed using the Particle Swarm Optimization algorithm. The results will be compared with traditional forecasting methods - Auto Regression (AR) and Auto Regression Moving Average (ARMA) for further evaluation of the outcomes.
