Questa tesi mira, tramite l'utilizzo di tecniche di machine learning, di effettuare delle previsionigiornaliere di serie temporali dei conferimenti di rifiuti solidi urbani utilizzando Reti Neurali Ricorrenti (RNR). Il lavoro inizia con l'elaborazione dei dati grezzi, illustrando la preparazione e la costruzione dei dataframe. Questo processo include l'incrocio tra dati meteorologici e calendario delle festività per creare il dataframe finale adoperato nell'addestramento delle RNR. Vengono approfondite le caratteristiche, le differenze e gli svantaggi delle principali RNR, quali Gated Recurrent Unit (GRU), Long Short Term Memory (LSTM) e Convolutional Neural Network (CNN). Viene anche evidenziata l'importanza dell'ingegnerizzazione delle features, come la normalizzazione dei dati attraverso la scalatura a minimi e massimi, e l'equilibrio della serie temporale target mediante l'uso della media mobile. Infine, attraverso i risultati sperimentali, si dimostra che l'impiego di una GRU Bidirezionale consente di ottenere previsioni più accurate. Questo miglioramento deriva dalla maggiore sensibilità al gradiente e all'influenza delle variabili meteorologiche e delle festività. Questi risultati evidenziano il potenziale delle GRU Bidirezionali nel campo della previsione delle serie temporali in ambiti urbani e ambientali.
Previsione dei conferimenti di rifiuti tramite Reti Ricorrenti Neurali
GABRIELI, TOMMASO
2023/2024
Abstract
Questa tesi mira, tramite l'utilizzo di tecniche di machine learning, di effettuare delle previsionigiornaliere di serie temporali dei conferimenti di rifiuti solidi urbani utilizzando Reti Neurali Ricorrenti (RNR). Il lavoro inizia con l'elaborazione dei dati grezzi, illustrando la preparazione e la costruzione dei dataframe. Questo processo include l'incrocio tra dati meteorologici e calendario delle festività per creare il dataframe finale adoperato nell'addestramento delle RNR. Vengono approfondite le caratteristiche, le differenze e gli svantaggi delle principali RNR, quali Gated Recurrent Unit (GRU), Long Short Term Memory (LSTM) e Convolutional Neural Network (CNN). Viene anche evidenziata l'importanza dell'ingegnerizzazione delle features, come la normalizzazione dei dati attraverso la scalatura a minimi e massimi, e l'equilibrio della serie temporale target mediante l'uso della media mobile. Infine, attraverso i risultati sperimentali, si dimostra che l'impiego di una GRU Bidirezionale consente di ottenere previsioni più accurate. Questo miglioramento deriva dalla maggiore sensibilità al gradiente e all'influenza delle variabili meteorologiche e delle festività. Questi risultati evidenziano il potenziale delle GRU Bidirezionali nel campo della previsione delle serie temporali in ambiti urbani e ambientali.File | Dimensione | Formato | |
---|---|---|---|
Gabrieli_Tommaso.pdf
embargo fino al 19/03/2025
Dimensione
5.35 MB
Formato
Adobe PDF
|
5.35 MB | Adobe PDF |
The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License
https://hdl.handle.net/20.500.12608/62795