近年來由於亞洲金融風暴的肆虐，產生經濟不景氣，使得失業的問題逐漸受到社會所關注，本論文企圖以三個時間序列方法：1.單變量ARIMA模型；2.轉換函數(TF)模型；3.向量自迴歸(VAR)模型來建立台灣地區的失業率時間序列預測模型。資料則是利用台灣地區民國75年1月至民國87年12月的失業率月資料作實證預測分析，為了知道資料是否來自時間趨勢模型，測試是否經過差分消掉一部份的記憶會發生預測的誤差，所以先以多步(multi-step)預測和一步(one-step)預測的方法計算出民國88年1月至88年12月預測值，而預測評估準則則採用(1)MAPE、RMSPE、MPE及泰爾不等係數(THEIL)；(2)變化方向誤差與趨勢變化誤差兩大方向來做預測比較。最後將算出的12期預測值與行政院主計處整體統計資料庫中所得到的失業率實際值利用預測評估準則做比較，結果發現一步預測法較多步預測法準確；而向量自迴歸模型(VAR)在大部份的預測期數上有較小的MAPE、RMSPE、MPE及THEIL值，因為此VAR模型考慮了在變數之間的共整合現象，有助於模型的預測，所以有較好預測的能力；反而是較複雜的ARIMA模型及轉換模型預測能力稍差一點。 / In this thesis, we plan to construct three time series models to forecast the Taiwan unemployment Rate. These time series models are ARIMA model、transfer function (TF) model and Vector Autoregressive (VAR) model. The data set consists of monthly observations for the period 75:1-87:12 for unemployment rate. We want to know if the data came from time trend model. First, we use multi-step forecasting and one-step forecasting to calculate 12 forecasted values from 88:01-88:12. Then We compare the prediction performance of these two methods by using：(1) MAPE、RMSPE、MPE and Theil’s Inequality Coefficient (THEIL)；(2) Direction of Change Error and trend Change Error etc. It is found that one-step forecasting is more correct than multi-step forecasting and the forecasting performance of VAR model is improved by explicitly taking account of cointegration between the variables in the model，so VAR model has lower MAPE、RMSPE、MPE and THEIL for most horizons. However，the more parsimonious ARIMA and transfer function models have higher MAPE、RMSPE、MPE for most horizons.

Η παρούσα διατριβή μελετά τις δυνατότητες υπολογισμού του πεδίου ροής δύο λειτουργικών παραμέτρων συμπεριλαμβανομένων του εκπεμπόμενου θορύβου και των εκπεμπόμενων ρύπων. Εξετάζεται η αλληλεπίδραση της καύσης με το ρευστο-θερμοδυναμικό πεδίο και τις χημικές αντιδράσεις. Περιγράφονται συνοπτικά οι διέπουσες εξισώσεις, οι μέθοδοι και τα μοντέλα της τυρβώδους καύσης και επισημαίνονται τα πλεονεκτήματα του μοντέλου των μεγάλων δινών (LES) το οποίο επιλέχθηκε εδώ. Αναπτύσσεται ένας εύχρηστος, από την ρευστοδυναμική υπολογιστική μεθοδολογία, πολυβηματικός μηχανισμός για δύο καύσιμα άμεσου ενδιαφέροντος το μεθάνιο και το προπάνιο. Προτείνεται, δηλαδή, ένα απλοποιημένο χημικό σχήμα για την οξείδωση των βασικών καυσίμων το οποίο περιέχει τον σχηματισμό του NΟx και της παραγωγής καπναιθάλης. Μετά από ανάλυση του ρόλου της καύσης στην ακουστική διακρίνονται οι δύο χαρακτηριστικοί τύποι: του θορύβου τυρβώδους καύσης (βόμβος – roar) και του θορύβου από τις ταλαντώσεις της καύσης (combustion oscillation). Παρουσιάζεται η κυματική εξίσωση και εισάγεται η έννοια του θερμο-ακουστικού όρου ο οποίος είναι συνάρτηση της απελευθερωμένης θερμότητας (q) στην φλόγα και εμφανίζεται ως όρος πηγής στην βασική εξίσωση. Στη συνέχεια η φλόγα εξετάζεται ως αυτόνομος πηγή αλλά και ως ενισχυτής θορύβου. Με την προσέγγιση της Προσομοίωσης των Μεγάλων Δινών (Large Eddy Simulation, LES) αναπτύχθηκε μια μεθοδολογία υπολογισμού του θορύβου που εκπέμπεται από το μέτωπο τυρβωδών φλογών διάχυσης. Στο πλαίσιο της προτεινομένης μεθοδολογίας το αποτέλεσμα ήταν η ανάπτυξη ενός τρισδιάστατου προγνωστικού υπολογιστικού κώδικα. Στην συνέχεια υπολογίζεται το αεροθερμοδυναμικό τυρβώδες πεδίο ροής μέσω τελειοποίησης κωδίκων του Εργαστηρίου Τεχνικής Θερμοδυναμικής, των κωδίκων που αναπτύχθηκαν στο πλαίσιο της παρούσης εργασίας αλλά και του εμπορικού κώδικα Fluent. Η μεθοδολογία, που αναπτύχθηκε με την παρούσα ερευνητική εργασία, πιστοποιήθηκε μέσω μιας σειράς πρωτότυπων μετρήσεων, του εκπεμπόμενου θορύβου στις συρρέουσες, εφαπτόμενες και ανυψωμένες και ανακυκλοφορούσες (χαμηλού και υψηλού λόγου καυσίμου/αέρα) φλόγες, σε πρωτότυπες πειραματικές διατάξεις του Εργαστηρίου. Συγκεκριμένα διαμορφώθηκε ένας καινοτόμος αεροδυναμικός φλογοσυγκρατητής πολλαπλών εγχύσεων που διατηρεί μια πλούσια γκάμα φλογών με ιδιαίτερα χαμηλό λόγο καυσίμου/αέρα. Επιτεύχθηκαν πειραματικές μετρήσεις, του ορμικού και θερμοκρασιακού πεδίου διαφόρων μορφών τυρβωδών φλογών, συντάχθηκαν σχετικά διαγράμματα και υπολογίσθηκαν οι αρχικές και οριακές συνθήκες των πειραμάτων. / In the present work the calculation of two parameters, the radiated noise and pollutants are studied. The interaction between combustion, the aerothermodynamical field and the chemical reactions is studied. The equations, the methods and the models of turbulent combustion are described here and the advantages of the large eddy simulation model (LES) which has been chosen for this case, are marked. A multi-step chemistry mechanism is developed for two fuels of great interest: methane and propane. A simple chemical scheme for the oxidation of basic fuels which includes the formation of NOx and soot is suggested in the present work. After analyzing the role of combustion in the acoustics two types of noise are distinguished the turbulent combustion noise and the noise from combustion oscillation. The wave equation is presented and the definition of thermo acoustic term which is a function of the heat release q in flame and it appears as a source term in the basic equation. The flame is examined as an autonomous source as well as a noise amplifier. With the approach of large eddy simulation (LES) a methodology for the noise calculation is developed which noise is from the turbulent diffusion flame front. In the place of the suggested methodology the result was the development of a 3-D computational code. The turbulent aerothermodynamical flow field is computed by codes has been developed in the laboratory of technical thermodynamic and by the commercial code (fluent). The methodology, which has been developed in the present work, has been certificated through a series of original measurements of the emitted noise in coaxial, tangential and lifted flames in original experimentallayouts.

No description available.

No description available.

<p dir="ltr">Evidence for climate change-related impacts and risks is already widespread globally, affecting not only the ecosystems but also the economy and health of our communities. Data-driven predictive modeling approaches such as machine learning and deep learning have emerged to be powerful tools for interpreting large and complex non-linear datasets such as meteorological variables from weather stations or the distribution of infectious droplets produced in a cough. However, the strength of these data-driven models can be further optimized by complementing them with foundational knowledge of the physical processes they represent. By understanding the core physics, one can enhance the reliability and accuracy of predictive outcomes. The effectiveness of these combined approaches becomes particularly feasible and robust with the recent advancements in the High-Performance Computing field. With improved processing speed, algorithm design, and storage capabilities, modern computers allow for a deeper and more precise examination of the data. Such advancements equip us to address the diverse challenges presented by climate change more effectively.</p><p dir="ltr">In particular, this document advances research in mitigating and preventing the consequences of global warming by implementing data-driven predictive models based on statistical, machine learning, and deep learning methods via two phases. In the first phase, this dissertation proposes frameworks consisting of machine and deep learning algorithms to increase the resilience of small-scale renewable energy systems, which are essential for reducing greenhouse gas emissions in the ecosystems. The second phase focuses on using data from physics-based models, i.e., computational fluid dynamics (CFD), in data-driven predictive models for improving the design of air cleaning technologies, which are crucial to reducing the transmission of infectious diseases in indoor environments. </p><p dir="ltr">Specifically, this work is an article-based collection of published (or will be published) research articles. The articles are reformatted to fit the thesis's structure. The contents of the original articles are self-contained. </p>

[ES] La presente tesis doctoral propone la arquitectura de un sistema de Geo-visualización Espaciotemporal de actividad delictiva y criminal, para ser aplicada a Sistemas de Comando y Control (C2S) específicamente dentro de sus Sistemas de Información de Comando y Control (C2IS). El sistema de Geo-visualización Espaciotemporal se basa en el análisis masivo de datos reales de actividad delictiva, proporcionado por la Policía Nacional Colombiana (PONAL) y está compuesto por dos aplicaciones diferentes: la primera permite al usuario geo-visualizar espaciotemporalmente de forma dinámica, las concentraciones, tendencias y patrones de movilidad de esta actividad dentro de la extensión de área geográfica y el rango de fechas y horas que se precise, lo cual permite al usuario realizar análisis e interpretaciones y tomar decisiones estratégicas de acción más acertadas; la segunda aplicación permite al usuario geo-visualizar espaciotemporalmente las predicciones de la actividad delictiva en periodos continuos y cortos a modo de tiempo real, esto también dentro de la extensión de área geográfica y el rango de fechas y horas de elección del usuario. Para estas predicciones se usaron técnicas clásicas y técnicas de Machine Learning (incluido el Deep Learning), adecuadas para el pronóstico en multiparalelo de varios pasos de series temporales multivariantes con datos escasos. Las dos aplicaciones del sistema, cuyo desarrollo se muestra en esta tesis, están realizadas con métodos novedosos que permitieron lograr estos objetivos de efectividad a la hora de detectar el volumen y los patrones y tendencias en el desplazamiento de dicha actividad, mejorando así la conciencia situacional, la proyección futura y la agilidad y eficiencia en los procesos de toma de decisiones, particularmente en la gestión de los recursos destinados a la disuasión, prevención y control del delito, lo cual contribuye a los objetivos de ciudad segura y por consiguiente de ciudad inteligente, dentro de arquitecturas de Sistemas de Comando y Control (C2S) como en el caso de los Centros de Comando y Control de Seguridad Ciudadana de la PONAL. / [CA] Aquesta tesi doctoral proposa l'arquitectura d'un sistema de Geo-visualització Espaitemporal d'activitat delictiva i criminal, per ser aplicada a Sistemes de Comandament i Control (C2S) específicament dins dels seus Sistemes d'informació de Comandament i Control (C2IS). El sistema de Geo-visualització Espaitemporal es basa en l'anàlisi massiva de dades reals d'activitat delictiva, proporcionada per la Policia Nacional Colombiana (PONAL) i està composta per dues aplicacions diferents: la primera permet a l'usuari geo-visualitzar espaitemporalment de forma dinàmica, les concentracions, les tendències i els patrons de mobilitat d'aquesta activitat dins de l'extensió d'àrea geogràfica i el rang de dates i hores que calgui, la qual cosa permet a l'usuari fer anàlisis i interpretacions i prendre decisions estratègiques d'acció més encertades; la segona aplicació permet a l'usuari geovisualitzar espaciotemporalment les prediccions de l'activitat delictiva en períodes continus i curts a mode de temps real, això també dins l'extensió d'àrea geogràfica i el rang de dates i hores d'elecció de l'usuari. Per a aquestes prediccions es van usar tècniques clàssiques i tècniques de Machine Learning (inclòs el Deep Learning), adequades per al pronòstic en multiparal·lel de diversos passos de sèries temporals multivariants amb dades escasses. Les dues aplicacions del sistema, el desenvolupament de les quals es mostra en aquesta tesi, estan realitzades amb mètodes nous que van permetre assolir aquests objectius d'efectivitat a l'hora de detectar el volum i els patrons i les tendències en el desplaçament d'aquesta activitat, millorant així la consciència situacional , la projecció futura i l'agilitat i eficiència en els processos de presa de decisions, particularment en la gestió dels recursos destinats a la dissuasió, prevenció i control del delicte, la qual cosa contribueix als objectius de ciutat segura i per tant de ciutat intel·ligent , dins arquitectures de Sistemes de Comandament i Control (C2S) com en el cas dels Centres de Comandament i Control de Seguretat Ciutadana de la PONAL. / [EN] This doctoral thesis proposes the architecture of a Spatiotemporal Geo-visualization system of criminal activity, to be applied to Command and Control Systems (C2S) specifically within their Command and Control Information Systems (C2IS). The Spatiotemporal Geo-visualization system is based on the massive analysis of real data of criminal activity, provided by the Colombian National Police (PONAL) and is made up of two different applications: the first allows the user to dynamically geo-visualize spatiotemporally, the concentrations, trends and patterns of mobility of this activity within the extension of the geographic area and the range of dates and times that are required, which allows the user to carry out analyses and interpretations and make more accurate strategic action decisions; the second application allows the user to spatially visualize the predictions of criminal activity in continuous and short periods like in real time, this also within the extension of the geographic area and the range of dates and times of the user's choice. For these predictions, classical techniques and Machine Learning techniques (including Deep Learning) were used, suitable for multistep multiparallel forecasting of multivariate time series with sparse data. The two applications of the system, whose development is shown in this thesis, are carried out with innovative methods that allowed achieving these effectiveness objectives when detecting the volume and patterns and trends in the movement of said activity, thus improving situational awareness, the future projection and the agility and efficiency in the decision-making processes, particularly in the management of the resources destined to the dissuasion, prevention and control of crime, which contributes to the objectives of a safe city and therefore of a smart city, within architectures of Command and Control Systems (C2S) as in the case of the Citizen Security Command and Control Centers of the PONAL. / Salcedo González, ML. (2023). Arquitectura de un sistema de geo-visualización espacio-temporal de actividad delictiva, basada en el análisis masivo de datos, aplicada a sistemas de información de comando y control (C2IS) [Tesis doctoral]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/192685