Πολιτικός Μηχανικός, MSc., Υποψήφια Δρ.
Συντήρηση, αναβάθμιση και επέκταση του Συστήματος Υποστήριξης Αποφάσεων για την διαχείριση του υδροδοτικού συστήματος της ΕΥΔΑΠ
Περίοδος εκτέλεσης: Οκτώβριος 2008–Νοέμβριος 2011
Προϋπολογισμός: €72 000
Project director: Ν. Μαμάσης
Κύριος ερευνητής: Δ. Κουτσογιάννης
Το ερευνητικό έργο περιλαμβάνει την αναβάθμιση, συντήρηση και επέκταση του Συστήματος Υποστήριξης Αποφάσεων (ΣΥΑ) που ανέπτυξε το ΕΜΠ για την ΕΥΔΑΠ στα πλαίσια του ερευνητικού έργου Εκσυγχρονισμός της εποπτείας και διαχείρισης του συστήματος των υδατικών πόρων ύδρευσης της Αθήνας (1999-2003). Οι εργασίες αφορούν (α) στη Βάση Δεδομένων (αναβάθμιση λογισμικού, διαχείριση χρονοσειρών ποιοτικών παραμέτρων), (β) στο μετρητικό δίκτυο (επέκταση-βελτίωση- συντήρηση, εκτίμηση απωλειών υδραγωγείων), (γ) στην αναβάθμιση λογισμικού διαχείρισης δεδομένων και την προσθήκη αυτόματης επεξεργασίας τηλεμετρικών δεδομένων, (δ) στο λογισμικό Υδρονομέας (επικαιροποίηση του μοντέλου του υδροσυστήματος, επέκταση του μοντέλου προσομοίωσης και βελτιστοποίησης, αναβάθμιση λειτουργικών χαρακτηριστικών λογισμικού), (ε) σε υδρολογικές αναλύσεις (συλλογή και επεξεργασία δεδομένων, επικαιροποίηση χαρακτηριστικών υδρολογικών μεγεθών) και (στ) στα ετήσια διαχειριστικά σχέδια (υποστήριξη στην εκπόνηση).
G. Papacharalampous, H. Tyralis, D. Koutsoyiannis, and A. Montanari, Quantification of predictive uncertainty in hydrological modelling by harnessing the wisdom of the crowd: A large-sample experiment at monthly timescale, Advances in Water Resources, 136, 103470, doi:10.1016/j.advwatres.2019.103470, 2020.
Συμπληρωματικό υλικό:
Άλλες εργασίες που αναφέρονται σ' αυτή την εργασία: Δείτε τις στο Google Scholar ή στο ResearchGate
G. Papacharalampous, D. Koutsoyiannis, and A. Montanari, Quantification of predictive uncertainty in hydrological modelling by harnessing the wisdom of the crowd: Methodology development and investigation using toy models, Advances in Water Resources, 136, 103471, doi:10.1016/j.advwatres.2019.103471, 2020.
Συμπληρωματικό υλικό:
Άλλες εργασίες που αναφέρονται σ' αυτή την εργασία: Δείτε τις στο Google Scholar ή στο ResearchGate
G. Papacharalampous, H. Tyralis, A. Langousis, A. W. Jayawardena, B. Sivakumar, N. Mamassis, A. Montanari, and D. Koutsoyiannis, Probabilistic hydrological post-processing at scale: Why and how to apply machine-learning quantile regression algorithms, Water, doi:10.3390/w11102126, 2019.
Πλήρες κείμενο: http://www.itia.ntua.gr/el/getfile/2001/1/documents/water-11-02126.pdf (6451 KB)
Άλλες εργασίες που αναφέρονται σ' αυτή την εργασία: Δείτε τις στο Google Scholar ή στο ResearchGate
G. Papacharalampous, H. Tyralis, and D. Koutsoyiannis, Comparison of stochastic and machine learning methods for multi-step ahead forecasting of hydrological processes, Stochastic Environmental Research & Risk Assessment, doi:10.1007/s00477-018-1638-6, 2019.
Σημείωση:
Συμπληρωματικό υλικό https://doi.org/10.6084/m9.figshare.7092824.v1
Συμπληρωματικό υλικό:
G. Papacharalampous, H. Tyralis, and D. Koutsoyiannis, Univariate time series forecasting of temperature and precipitation with a focus on machine learning algorithms: a multiple-case study from Greece, Water Resources Management, 32 (15), 5207–5239, doi:10.1007/s11269-018-2155-6, 2018.
Συμπληρωματικό υλικό:
Άλλες εργασίες που αναφέρονται σ' αυτή την εργασία: Δείτε τις στο Google Scholar ή στο ResearchGate
G. Papacharalampous, H. Tyralis, and D. Koutsoyiannis, Predictability of monthly temperature and precipitation using automatic time series forecasting methods, Acta Geophysica, 66 (4), 807–831, doi:10.1007/s11600-018-0120-7, 2018.
Συμπληρωματικό υλικό:
Άλλες εργασίες που αναφέρονται σ' αυτή την εργασία: Δείτε τις στο Google Scholar ή στο ResearchGate
G. Papacharalampous, H. Tyralis, and D. Koutsoyiannis, One-step ahead forecasting of geophysical processes within a purely statistical framework, Geoscience Letters, 5, 12, doi:10.1186/s40562-018-0111-1, 2018.
Πλήρες κείμενο: http://www.itia.ntua.gr/el/getfile/1834/1/documents/s40562-018-0111-1.pdf (3083 KB)
Άλλες εργασίες που αναφέρονται σ' αυτή την εργασία: Δείτε τις στο Google Scholar ή στο ResearchGate
H. Tyralis, and G. Papacharalampous, Variable selection in time series forecasting using random forests, Algorithms, 10, 114, doi:10.3390/a10040114, 2017.
Πλήρες κείμενο: http://www.itia.ntua.gr/el/getfile/1827/1/documents/Variable_Selection_in_Time_Series_Forecasting_Using_Random_Forests.pdf (5509 KB)
G. Papacharalampous, H. Tyralis, and D. Koutsoyiannis, Forecasting of geophysical processes using stochastic and machine learning algorithms, European Water, 59, 161–168, 2017.
Πλήρες κείμενο: http://www.itia.ntua.gr/el/getfile/1768/1/documents/EW_2017_59_22.pdf (1163 KB)
Βλέπε επίσης: http://www.ewra.net/ew/issue_59.htm
Άλλες εργασίες που αναφέρονται σ' αυτή την εργασία: Δείτε τις στο Google Scholar ή στο ResearchGate
G. Papacharalampous, H. Tyralis, and D. Koutsoyiannis, Error evolution patterns in multi-step ahead streamflow forecasting, 13th International Conference on Hydroinformatics (HIC 2018), Palermo, Italy, doi:10.29007/84k6, 2018.
Πλήρες κείμενο: http://www.itia.ntua.gr/el/getfile/1851/1/documents/2018HIC_ErrorEvolution_pp.pdf (5650 KB)
Συμπληρωματικό υλικό:
G. Papacharalampous, H. Tyralis, and D. Koutsoyiannis, Forecasting of geophysical processes using stochastic and machine learning algorithms, 10th World Congress on Water Resources and Environment "Panta Rhei", Athens, EWRA2017_A_110904, doi:10.13140/RG.2.2.30581.27361, European Water Resources Association, Athens, 2017.
Πλήρες κείμενο: http://www.itia.ntua.gr/el/getfile/1717/1/documents/EWRA2017_paper.pdf (8540 KB)
Συμπληρωματικό υλικό:
G. Papacharalampous, H. Tyralis, A. Montanari, and D. Koutsoyiannis, Large-scale calibration of conceptual rainfall-runoff models for two-stage probabilistic hydrological post-processing, EGU General Assembly 2021, online, doi:10.5194/egusphere-egu21-18, European Geosciences Union, 2021.
Πλήρες κείμενο: http://www.itia.ntua.gr/el/getfile/2126/2/documents/EGU21-18_presentation.pdf (1464 KB)
Συμπληρωματικό υλικό:
G. Papacharalampous, H. Tyralis, A. Langousis, A. W. Jayawardena, B. Sivakumar, N. Mamassis, A. Montanari, and D. Koutsoyiannis, Large-scale comparison of machine learning regression algorithms for probabilistic hydrological modelling via post-processing of point predictions, European Geosciences Union General Assembly 2019, Geophysical Research Abstracts, Vol. 21, Vienna, EGU2019-3576, European Geosciences Union, 2019.
Πλήρες κείμενο: http://www.itia.ntua.gr/el/getfile/1943/1/documents/EGU2019-3576.pdf (33 KB)
H. Tyralis, and G. Papacharalampous, Univariate time series forecasting properties of random forests, European Geosciences Union General Assembly 2018, Geophysical Research Abstracts, Vol. 20, Vienna, EGU2018-1901, European Geosciences Union, 2018.
Πλήρες κείμενο: http://www.itia.ntua.gr/el/getfile/1826/1/documents/EGU2018-1901_abstract.pdf (31 KB)
G. Papacharalampous, D. Koutsoyiannis, and A. Montanari, Toy models for increasing the understanding on stochastic process-based modelling, European Geosciences Union General Assembly 2018, Geophysical Research Abstracts, Vol. 20, Vienna, EGU2018-1900-1, European Geosciences Union, 2018.
Πλήρες κείμενο: http://www.itia.ntua.gr/el/getfile/1813/1/documents/EGU2018-1900-1.pdf (33 KB)
G. Papacharalampous, H. Tyralis, and D. Koutsoyiannis, A step further from model-fitting for the assessment of the predictability of monthly temperature and precipitation, European Geosciences Union General Assembly 2018, Geophysical Research Abstracts, Vol. 20, Vienna, EGU2018-864, doi:10.6084/m9.figshare.7325783.v1, European Geosciences Union, 2018.
Πλήρες κείμενο:
Συμπληρωματικό υλικό:
G. Papacharalampous, and H. Tyralis, Large-scale assessment of random forests for data-driven hydrological modelling at monthly scale, European Geosciences Union General Assembly 2018, Geophysical Research Abstracts, Vol. 20, Vienna, EGU2018-1902, European Geosciences Union, 2018.
Πλήρες κείμενο: http://www.itia.ntua.gr/el/getfile/1807/1/documents/EGU2018-1902.pdf (30 KB)
G. Papacharalampous, and H. Tyralis, One-step ahead forecasting of annual precipitation and temperature using univariate time series methods (solicited), European Geosciences Union General Assembly 2018, Geophysical Research Abstracts, Vol. 20, Vienna, EGU2018-2298-1, European Geosciences Union, 2018.
Πλήρες κείμενο: http://www.itia.ntua.gr/el/getfile/1806/1/documents/EGU2018-2298-1.pdf (31 KB)
G. Papacharalampous, and H. Tyralis, Illustrating important facts about multi-step ahead forecasting of univariate hydrological time series, European Geosciences Union General Assembly 2018, Geophysical Research Abstracts, Vol. 20, Vienna, EGU2018-3570, European Geosciences Union, 2018.
Πλήρες κείμενο: http://www.itia.ntua.gr/el/getfile/1804/1/documents/EGU2018-3570.pdf (31 KB)
H. Tyralis, and G. Papacharalampous, Multi-step ahead forecasting of monthly streamflow discharge time series using a variety of algorithms, European Geosciences Union General Assembly 2018, Geophysical Research Abstracts, Vol. 20, Vienna, EGU2018-3571-1, European Geosciences Union, 2018.
Πλήρες κείμενο: http://www.itia.ntua.gr/el/getfile/1803/1/documents/EGU2018-3571-1.pdf (32 KB)
G. Papacharalampous, H. Tyralis, and N. Mamassis, Conceptual hydrological modelling at daily scale: Aggregating results for 340 MOPEX catchments, European Geosciences Union General Assembly 2018, Geophysical Research Abstracts, Vol. 20, Vienna, EGU2018-3759, European Geosciences Union, 2018.
Πλήρες κείμενο: http://www.itia.ntua.gr/el/getfile/1802/1/documents/EGU2018-3759.pdf (33 KB)
G. Papacharalampous, H. Tyralis, and D. Koutsoyiannis, Large scale simulation experiments for the assessment of one-step ahead forecasting properties of stochastic and machine learning point estimation methods, Asia Oceania Geosciences Society (AOGS) 14th Annual Meeting, Singapore, HS06-A002, doi:10.13140/RG.2.2.33273.77923, Asia Oceania Geosciences Society, 2017.
Πλήρες κείμενο: http://www.itia.ntua.gr/el/getfile/1719/1/documents/AOGS-HS06-A002presentation.pdf (4029 KB)
G. Papacharalampous, H. Tyralis, and D. Koutsoyiannis, A set of metrics for the effective evaluation of point forecasting methods used for hydrological tasks, Asia Oceania Geosciences Society (AOGS) 14th Annual Meeting, Singapore, HS01-A001, doi:10.13140/RG.2.2.19852.00641, Asia Oceania Geosciences Society, 2017.
Πλήρες κείμενο:
G. Papacharalampous, H. Tyralis, and D. Koutsoyiannis, Investigation of the effect of the hyperparameter optimization and the time lag selection in time series forecasting using machine learning algorithms, European Geosciences Union General Assembly 2017, Geophysical Research Abstracts, Vol. 19, Vienna, 19, EGU2017-3072-1, doi:10.13140/RG.2.2.20560.92165/1, European Geosciences Union, 2017.
Πλήρες κείμενο: http://www.itia.ntua.gr/el/getfile/1693/1/documents/EGU2017-3072presentation.pdf (1731 KB)
Συμπληρωματικό υλικό:
G. Papacharalampous, H. Tyralis, and D. Koutsoyiannis, Multi-step ahead streamflow forecasting for the operation of hydropower reservoirs, European Geosciences Union General Assembly 2017, Geophysical Research Abstracts, Vol. 19, Vienna, 19, EGU2017-3069, doi:10.13140/RG.2.2.27271.80801, European Geosciences Union, 2017.
Σημείωση:
Κείμενο: http://doi.org/10.20944/preprints201710.0129.v1
Πλήρες κείμενο: http://www.itia.ntua.gr/el/getfile/1692/1/documents/EGU2017-3069presentation.pdf (3930 KB)
Συμπληρωματικό υλικό:
G. Papacharalampous, H. Tyralis, and D. Koutsoyiannis, Comparison between stochastic and machine learning methods for hydrological multi-step ahead forecasting: All forecasts are wrong!, European Geosciences Union General Assembly 2017, Geophysical Research Abstracts, Vol. 19, Vienna, 19, EGU2017-3068-2, doi:10.13140/RG.2.2.17205.47848, European Geosciences Union, 2017.
Πλήρες κείμενο: http://www.itia.ntua.gr/el/getfile/1691/1/documents/EGU2017-3068presentation.pdf (1804 KB)
Συμπληρωματικό υλικό:
P. Dimitriadis, M. Liveri-Dalaveri, A. Kaldis, C. Kotsalos, G. Papacharalampous, and P. Papanicolaou, Zone of flow establishment in turbulent jets, European Geosciences Union General Assembly 2012, Geophysical Research Abstracts, Vol. 14, Vienna, EGU2012-12716, European Geosciences Union, 2012.
[Ζώνη εγκατάστασης ροής σε τυρβώδεις φλέβες]
Πλήρες κείμενο:
Γ. Παπαχαραλάμπους, Θεωρητική και εμπειρική σύγκριση στοχαστικών μεθόδων και μεθόδων μηχανικής μάθησης στην πρόβλεψη υδρολογικών διεργασιών, Μεταπτυχιακή εργασία, 372 pages, Τομέας Υδατικών Πόρων και Περιβάλλοντος – Εθνικό Μετσόβιο Πολυτεχνείο, Αθήνα, Οκτώβριος 2016.
Η πρόβλεψη της μελλοντικής συμπεριφοράς υδρολογικών διεργασιών είναι χρήσιμη στον σχεδιασμό και την λειτουργία των έργων υδραυλικού μηχανικού. Παράλληλα με τη διαρκώς αυξανόμενη χρήση των πιθανοτικών μεθόδων πρόβλεψης για τον εν λόγω σκοπό, μεγάλο πρακτικό και ερευνητικό ενδιαφέρον εξακολουθεί να υπάρχει και για τις μεθόδους σημειακής εκτίμησης. Γεγονός ακόμη είναι ότι οι μέθοδοι μηχανικής μάθησης έχουν εισέλθει δυναμικά στον χώρο της υδρολογίας και ότι η έρευνα εστιάζει συχνά στην σύγκριση μεθόδων της συγκεκριμένης κατηγορίας με κλασικές στοχαστικές μεθόδους. Οι διενεργούμενες συγκρίσεις στη διεθνή βιβλιογραφία αφορούν συνήθως μελέτες περίπτωσης. Η παρούσα εργασία διεξάγει μία θεωρητική σύγκριση της επίδοσης κλασικών στοχαστικών μεθόδων και μεθόδων μηχανικής μάθησης στην πρόβλεψη ανελίξεων πραγματοποιώντας υπολογιστικά πειράματα μεγάλης κλίμακας που βασίζονται σε προσομοιώσεις. Σκοπός της είναι η διατύπωση γενικών συμπερασμάτων επί του θέματος, τα οποία συνιστούν την βασική επιστημονική συνεισφορά της. Η συγκεκριμένη θεωρητική σύγκριση συνοδεύεται από εμπειρική μικρής κλίμακας σε γεωφυσικές διεργασίες με στόχο την ανάδειξη επιμέρους σημείων. Έμφαση δίνεται στις μεθόδους Support Vector Machines (SVM), που είναι οι δημοφιλέστερες από τις νεοεισαχθείσες στο πεδίο της υδρολογίας μέθοδοι μηχανικής μάθησης, ενώ στην σύγκριση συμμετέχουν και μέθοδοι Νευρωνικών Δικτύων - Neural Networks (NN), η χρήση των οποίων είναι μάλλον εδραιωμένη. Η σύγκριση αφορά μακροπρόθεσμες προβλέψεις στην χρονική κλίμακα των παρατηρήσεων, παρότι η βραχυπρόθεσμη πρόβλεψη είναι επίσης χρήσιμη. Όσον αφορά την μεθοδολογία που ακολουθείται, χρησιμοποιούνται συνολικά 28 μέθοδοι, από τις οποίες οι 9 είναι μέθοδοι μηχανικής μάθησης. Οι έξι από τις τελευταίες κατασκευάζονται βάσει ενός αλγορίθμου SVM και οι υπόλοιπες τρεις βάσει ενός αλγορίθμου NN. Πραγματοποιούνται 20 πειράματα προσομοίωσης, καθένα από τα οποία χρησιμοποιεί ως δεδομένα για την εφαρμογή των μεθόδων 2 000 χρονοσειρές, οι οποίες παράγονται με βάση ένα, κάθε φορά διαφορετικό, μοντέλο στοχαστικής ανέλιξης από τις συχνά χρησιμοποιούμενες οικογένειες μοντέλων Autoregressive Moving Average (ARMA), Autoregressive Integrated Moving Average (ARIMA), Autoregressive Fractionally Integrated Moving Average (ARFIMA) και Seasonal Autoregressive Integrated Moving Average (SARIMA). Συμπληρωματικά γίνονται 8 υπολογιστικά πειράματα, τα οποία χρησιμοποιούν από μία ιστορική χρονοσειρά. Οι εκάστοτε χρονοσειρές χωρίζονται σε δύο τμήματα. Το πρώτο τμήμα χρησιμοποιείται για την εκπαίδευση των μοντέλων, τα οποία στην συνέχεια διενεργούν προβλέψεις που αντιστοιχούν στο δεύτερο τμήμα, ενώ το τελευταίο χρησιμοποιείται ως χρονοσειρά - στόχος, δηλαδή ως αναφορά για την σύγκριση των προβλέψεων μεταξύ τους. Η συναξιολόγηση των μεθόδων πρόβλεψης γίνεται με βάση τις τιμές που λαμβάνουν 22 μέτρα, τα οποία ποσοτικοποιούν την επίδοση των μεθόδων ως προς ορισμένα κριτήρια. Τα τελευταία αφορούν την αμεροληψία ως προς την μέση τιμή και την τυπική απόκλιση, την ακρίβεια και την συσχέτιση. Το σημαντικότερο εξαγόμενο είναι ότι γενικώς δεν υπάρχουν μέθοδοι το ίδιο καλές ή κακές σε σχέση με τις υπόλοιπες ως προς το σύνολο των μέτρων που χρησιμοποιούνται, με αποτέλεσμα η συνολική εικόνα να είναι μάλλον ομοιόμορφη. Παρά ταύτα, υπάρχουν μέθοδοι που είναι σταθερά καλύτερες ή χειρότερες από άλλες ως προς συγκεκριμένα μέτρα, χωρίς αυτό να ισχύει για όλες τις μεθόδους. Προκύπτει ότι μία γενική κατάταξη των μεθόδων δεν είναι εφικτή, αλλά εφικτή είναι μια καταρχήν κατηγοριοποίηση τους με βάση την παρόμοια επίδοση στα διάφορα μέτρα. Άλλο σημαντικό συμπέρασμα είναι ότι μέθοδοι περισσότερο εξεζητημένες δεν δίνουν κατ’ ανάγκην καλύτερες προβλέψεις από απλούστερες μεθόδους. Τονίζεται ότι οι μέθοδοι μηχανικής μάθησης δεν διαφέρουν από τις κλασικές στοχαστικές μεθόδους ως προς τα όσα διατυπώνονται παραπάνω, ενώ ενδιαφέρον παρουσιάζει και το γεγονός ότι οι αλγόριθμοι SVM και ΝΝ που χρησιμοποιούνται στην παρούσα εργασία προσφέρουν εν δυνάμει πολύ καλή επίδοση ως προς την ακρίβεια σε σχέση με την συνολική εικόνα. Επισημαίνεται ότι, παρότι η εργασία εστιάζει στην σημειακή πρόβλεψη υδρολογικών διεργασιών, τα ανωτέρω αλλά και τα υπόλοιπα συμπεράσματα που προκύπτουν είναι γενικού επιστημονικού ενδιαφέροντος, ενώ επίσης αφορούν όλες τις δυνατές χρονικές κλίμακες παρατήρησης. Τέλος, παράλληλα με την χρήση συνθετικών χρονοσειρών, σημαντική συνεισφορά αποτελεί και η χρήση αρκετών μεθόδων και μέτρων. Λιγότερες μέθοδοι και λιγότερα μέτρα, ιδίως στην περίπτωση που τα τελευταία θα αντιστοιχούσαν σε λιγότερα κριτήρια, θα οδηγούσαν σε πολύ διαφορετική συνολική εικόνα. Για τον λόγο αυτό η μεθοδολογία της παρούσας εργασίας θεωρείται καταλληλότερη για αξιολόγηση οποιασδήποτε νέας μεθόδου σημειακής πρόβλεψης από την εφαρμογή μικρού αριθμού μεθόδων αναφοράς και μέτρων, η οποία συχνά απαντάται στην βιβλιογραφία.
Πλήρες κείμενο: http://www.itia.ntua.gr/el/getfile/1670/1/documents/papacharalampous.pdf (26770 KB)
Συμπληρωματικό υλικό: