Πρόβλεψη ποσοστών ανεργίας στην Ελλάδα με το νεύρο ασαφές σύστημα AnfisΠρόβλεψη ποσοστών ανεργίας στην Ελλάδα με το νεύρο ασαφές σύστημα AnfisForecasting unemployment rate in Greece by the neuro fuzzy system Anfis Μεταπτυχιακή Διατριβή Master Thesis 2020-02-212020elΣκοπός της εργασίας είναι η παρουσίαση της δυνατότητας πρόβλεψης των ποσοστών ανεργίας στην Ελλάδα, λαμβάνοντας στοιχεία από την περίοδο 2004-2018, μέσω της χρήσης του προσαρμοστικού νεύρο ασαφούς συστήματος ANFIS. Η επιλογή του συστήματος Αnfis έγινε κατόπιν βιβλιογραφικής έρευνας με άλλες μεθόδους προβλέψεων σε άλλους τομείς ερευνών. Σε σχέση με άλλες μεθόδους, παρουσιάζει υψηλά ποσοστά επιτυχίας και αποδεικνύει την υπεροχή του και τις δυνατότητες εξέλιξης των προσαρμοστικών νεύρο ασαφών δικτύων που δοκιμάζονται στην παρούσα έρευνα στις τιμές των ποσοστών ανεργίας. Το φαινόμενο της ανεργίας προκαλεί έντονους προβληματισμούς και διαφορετικές θεωρητικές προσεγγίσεις. Η αναζήτηση πληροφοριών από το παρελθόν και η επεξεργασία αυτών με κατάλληλες προβλεπτικές μεθόδους δίνει τη δυνατότητα απόκτησης απαραίτητης γνώσης για το παρόν και το μέλλον. Κύριος στόχος είναι ο σχεδιασμός ενεργητικών πολιτικών με μεσοπρόθεσμα και μακροπρόθεσμα οφέλη για την κοινωνία. Εισαγωγικά, παρουσιάζεται ο ορισμός της ανεργίας, τα είδη μέτρησης ,τα αίτια ,οι συνέπειες, και οι τρόποι αντιμετώπισης της. Κατόπιν, γίνεται μια εισαγωγή στις μεθόδους πρόβλεψης, παρουσίαση και συνοπτική περιγραφή τους. Στη συνεχεία, παρουσιάζεται η έννοια της ασαφούς λογικής, συνάρτηση συμμετοχής, ιδιότητες των ασαφών συνόλων. Παρακάτω, γίνεται αναφορά στα νευρωνικά δίκτυα, ορισμός νευρωνικού δικτύου, ιστορικά στοιχεία, τεχνητά νευρωνικά δίκτυα, χρήση νευρωνικών δικτύων και εφαρμογές αρχιτεκτονικών νευρωνικών δικτύων. Επόμενα, παρουσιάζετε η θεωρία των προσαρμοστικών νεύρο ασαφή συστημάτων με εκτενή αναφορά στο μοντέλο Αnfis και την αρχιτεκτονική του. Ακόλουθα, γίνεται η μελέτη περίπτωσης των ποσοστών ανεργίας, προγραμματισμός σε περιβάλλον Matlab και αναλύονται τα αποτελέσματα του μοντέλου. Τέλος, καταλήγουμε σε συμπεράσματα για τις προβλεπτικές δυνατότητες του μοντέλου Anfis σε σχέση με τα ποσοστά της ανεργίας τα επόμενα χρόνια.The purpose of this study is to present the possibility of predicting unemployment rates in Greece, taking data from 2004-2018, using the adaptive neuro fuzzy system /ANFIS. The Anfis system is been selected after bibliographic research with other methods of forecasting in other research areas. Compared to other methods, it has high success rates and demonstrates its superiority and opportunities for evolution to the adaptive nerve fuzzy networks, which are been tested in the present study at unemployment rates. The phenomenon of unemployment raises intense concerns and different theoretical approaches. Searching for information from the past and processing it with appropriate predictive methods enables us to gain the necessary knowledge for the present and the future. The main objective is to design active policies with medium and long-term benefits to society. In the introduction is been presented a definition of unemployment, the types of measurement, the causes, the consequences, and the ways of dealing with it. After, there is a reference to the prediction methods, presentation in summary, the concept of fuzzy logic, function of participation, properties of fuzzy sets, logical actions in fuzzy sets, Below, we mention the neural networks definition, historical data, artificial neural networks, neural network use and architectural neural network applications, types of architectural structures. Next, there is an introduction to the theory of adaptive neurodegenerative systems with extensive reference to the Anfis model and its architecture. Afterwards, the case study of unemployment rates been analyzed, programming in Matlab environment and the results of the model. Finally, we come to conclusions about the forecasting abilities of Anfis system on unemployment rates.http://creativecommons.org/licenses/by/4.0/Πολυτεχνείο Κρήτης::Σχολή Μηχανικών Παραγωγής και ΔιοίκησηςKalpakidou_Maria_Dip_2020.pdfChania [Greece]Library of TUC2020-02-21application/pdf1.5 MBfree Kalpakidou Maria Καλπακιδου Μαρια Atsalakis Georgios Ατσαλακης Γεωργιος Zopounidis Konstantinos Ζοπουνιδης Κωνσταντινος Tsafarakis Stelios Τσαφαρακης Στελιος Πολυτεχνείο Κρήτης Technical University of Crete Neuro fuzzy system Anfis Νεύρο ασαφή σύστημα Anfis