{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3247496"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3247496","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Spatiotemporal clustering with an application on COVID-19 deaths in the provinces of the Netherlands","abstract":"Τα χωρο-χρονικά μοντέλα συνιστούν ένα βασικό εργαλείο για ένα ευρύ φάσμα επιστημονικών περιοχών. Πρόσφατα, μάλιστα, έγιναν ιδιαίτερα δημοφιλή, καθώς μπορούν να αξιοποιηθούν για τον έλεγχο της μετάδοσης της πανδημίας κορονοϊού SARS-CoV-2 (COVID-19), τόσο στον χρόνο όσο και στον χώρο. Θεωρώντας το ενδημικό-επιδημικό μοντέλο, αρχικά περιγράφουμε την γενική προσέγγιση και στη συνέχεια εξετάζουμε διάφορες επεκτάσεις του μοντέλου αυτού. Με τη βοήθεια των επεκτάσεων του ενδημικού-επιδημικού μοντέλου, πραγματοποιείται ανάλυση των ημερήσιων θανάτων της νόσου COVID-19 στις δώδεκα επαρχίες της Ολλανδίας κατά τη διάρκεια των οχτώ πρώτων μηνών του 2021. Καθώς η παρεμφερής συμπεριφορά των διαφόρων περιοχών αποτελεί ένα σύνηθες φαινομένο στα χωρο-χρονικά δεδομένα, είναι απαραίτητο να ληφθεί υπ’όψιν κατάλληλα. Στη μελέτη αυτή, προτείνουμε την ενσωμάτωση ενός αλγορίθμου που στόχο έχει την ομαδοποίηση των περιοχών με βάση τα χωρο-χρονικά τους χαρακτηριστικά. Στην εφάρμογη που πραγματοποιήσαμε, παρατηρήθηκε ότι οι επεκτάσεις του ενδημικού-επιδημικού μοντέλου που θεωρούν κάθε περιοχή ως διαφορετική οντότητα (region-specific), προσφέρουν καλύτερη προσαρμογή στα δεδομένα. Ωστόσο, όλες οι επεκτάσεις των μοντέλων, βελτιώνονται αισθητά με την ενσωμάτωση του αλγορίθμου ομαδοποίησης.","abstract_html":"Τα χωρο-χρονικά μοντέλα συνιστούν ένα βασικό εργαλείο για ένα ευρύ φάσμα επιστημονικών περιοχών. Πρόσφατα, μάλιστα, έγιναν ιδιαίτερα δημοφιλή, καθώς μπορούν να αξιοποιηθούν για τον έλεγχο της μετάδοσης της πανδημίας κορονοϊού SARS-CoV-2 (COVID-19), τόσο στον χρόνο όσο και στον χώρο. Θεωρώντας το ενδημικό-επιδημικό μοντέλο, αρχικά περιγράφουμε την γενική προσέγγιση και στη συνέχεια εξετάζουμε διάφορες επεκτάσεις του μοντέλου αυτού. Με τη βοήθεια των επεκτάσεων του ενδημικού-επιδημικού μοντέλου, πραγματοποιείται ανάλυση των ημερήσιων θανάτων της νόσου COVID-19 στις δώδεκα επαρχίες της Ολλανδίας κατά τη διάρκεια των οχτώ πρώτων μηνών του 2021. Καθώς η παρεμφερής συμπεριφορά των διαφόρων περιοχών αποτελεί ένα σύνηθες φαινομένο στα χωρο-χρονικά δεδομένα, είναι απαραίτητο να ληφθεί υπ’όψιν κατάλληλα. Στη μελέτη αυτή, προτείνουμε την ενσωμάτωση ενός αλγορίθμου που στόχο έχει την ομαδοποίηση των περιοχών με βάση τα χωρο-χρονικά τους χαρακτηριστικά. Στην εφάρμογη που πραγματοποιήσαμε, παρατηρήθηκε ότι οι επεκτάσεις του ενδημικού-επιδημικού μοντέλου που θεωρούν κάθε περιοχή ως διαφορετική οντότητα (region-specific), προσφέρουν καλύτερη προσαρμογή στα δεδομένα. Ωστόσο, όλες οι επεκτάσεις των μοντέλων, βελτιώνονται αισθητά με την ενσωμάτωση του αλγορίθμου ομαδοποίησης.","abstract_has_math":false,"creators":["Χαμπέζου Λυδία","Champezou Lydia"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2022,"date_issued":"2022","date_published":"2022","updated_at":"2026-11-19T06:20:16Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3247496"],"render_values":[{"text":"uoadl:3247496","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3247496","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3247496","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A3247496","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Χαμπέζου Λυδία","Champezou Lydia"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2022"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Επιστήμες Υγείας","Health Sciences"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3247496","https://pergamos.lib.uoa.gr/uoa/dl/object/3247496"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Τα χωρο-χρονικά μοντέλα συνιστούν ένα βασικό εργαλείο για ένα ευρύ φάσμα επιστημονικών περιοχών. Πρόσφατα, μάλιστα, έγιναν ιδιαίτερα δημοφιλή, καθώς μπορούν να αξιοποιηθούν για τον έλεγχο της μετάδοσης της πανδημίας κορονοϊού SARS-CoV-2 (COVID-19), τόσο στον χρόνο όσο και στον χώρο. Θεωρώντας το ενδημικό-επιδημικό μοντέλο, αρχικά περιγράφουμε την γενική προσέγγιση και στη συνέχεια εξετάζουμε διάφορες επεκτάσεις του μοντέλου αυτού. Με τη βοήθεια των επεκτάσεων του ενδημικού-επιδημικού μοντέλου, πραγματοποιείται ανάλυση των ημερήσιων θανάτων της νόσου COVID-19 στις δώδεκα επαρχίες της Ολλανδίας κατά τη διάρκεια των οχτώ πρώτων μηνών του 2021. Καθώς η παρεμφερής συμπεριφορά των διαφόρων περιοχών αποτελεί ένα σύνηθες φαινομένο στα χωρο-χρονικά δεδομένα, είναι απαραίτητο να ληφθεί υπ’όψιν κατάλληλα. Στη μελέτη αυτή, προτείνουμε την ενσωμάτωση ενός αλγορίθμου που στόχο έχει την ομαδοποίηση των περιοχών με βάση τα χωρο-χρονικά τους χαρακτηριστικά. Στην εφάρμογη που πραγματοποιήσαμε, παρατηρήθηκε ότι οι επεκτάσεις του ενδημικού-επιδημικού μοντέλου που θεωρούν κάθε περιοχή ως διαφορετική οντότητα (region-specific), προσφέρουν καλύτερη προσαρμογή στα δεδομένα. Ωστόσο, όλες οι επεκτάσεις των μοντέλων, βελτιώνονται αισθητά με την ενσωμάτωση του αλγορίθμου ομαδοποίησης.","Spatio-temporal models for count data are an important tool for a wide range of scientific fields. Recently, they have become particularly crucial since they can be employed to monitor the contagion dynamics of the COVID-19 pandemic, both in time and in space. Considering the endemic-epidemic framework, we first describe the general modelling approach and then employ various extensions. The models are exemplified through an analysis of daily COVID-19 death counts from the twelve provinces of The Netherlands during the first eight months of 2021. Since similar spatial behavior is a common feature of discrete-valued time series data, it needs to be taken into account appropriately. In this paper, we propose the incorporation of an algorithm that will cluster regions based on their spatio-temporal characteristics. In our application, we find that the region specific extensions of the endemic-epidemic model provide a better fit. However, notably, the performance of all the extensions is considerably improved by the incorporation of the clustering algorithm."]},{"key":"dc:title","label":"Title","values":["Spatiotemporal clustering with an application on COVID-19 deaths in the provinces of the Netherlands"]}]}],"canonical_facts":{"dc:creator":["Χαμπέζου Λυδία","Champezou Lydia"],"dc:date":["2022"],"dc:description":["Τα χωρο-χρονικά μοντέλα συνιστούν ένα βασικό εργαλείο για ένα ευρύ φάσμα επιστημονικών περιοχών. Πρόσφατα, μάλιστα, έγιναν ιδιαίτερα δημοφιλή, καθώς μπορούν να αξιοποιηθούν για τον έλεγχο της μετάδοσης της πανδημίας κορονοϊού SARS-CoV-2 (COVID-19), τόσο στον χρόνο όσο και στον χώρο. Θεωρώντας το ενδημικό-επιδημικό μοντέλο, αρχικά περιγράφουμε την γενική προσέγγιση και στη συνέχεια εξετάζουμε διάφορες επεκτάσεις του μοντέλου αυτού. Με τη βοήθεια των επεκτάσεων του ενδημικού-επιδημικού μοντέλου, πραγματοποιείται ανάλυση των ημερήσιων θανάτων της νόσου COVID-19 στις δώδεκα επαρχίες της Ολλανδίας κατά τη διάρκεια των οχτώ πρώτων μηνών του 2021. Καθώς η παρεμφερής συμπεριφορά των διαφόρων περιοχών αποτελεί ένα σύνηθες φαινομένο στα χωρο-χρονικά δεδομένα, είναι απαραίτητο να ληφθεί υπ’όψιν κατάλληλα. Στη μελέτη αυτή, προτείνουμε την ενσωμάτωση ενός αλγορίθμου που στόχο έχει την ομαδοποίηση των περιοχών με βάση τα χωρο-χρονικά τους χαρακτηριστικά. Στην εφάρμογη που πραγματοποιήσαμε, παρατηρήθηκε ότι οι επεκτάσεις του ενδημικού-επιδημικού μοντέλου που θεωρούν κάθε περιοχή ως διαφορετική οντότητα (region-specific), προσφέρουν καλύτερη προσαρμογή στα δεδομένα. Ωστόσο, όλες οι επεκτάσεις των μοντέλων, βελτιώνονται αισθητά με την ενσωμάτωση του αλγορίθμου ομαδοποίησης.","Spatio-temporal models for count data are an important tool for a wide range of scientific fields. Recently, they have become particularly crucial since they can be employed to monitor the contagion dynamics of the COVID-19 pandemic, both in time and in space. Considering the endemic-epidemic framework, we first describe the general modelling approach and then employ various extensions. The models are exemplified through an analysis of daily COVID-19 death counts from the twelve provinces of The Netherlands during the first eight months of 2021. Since similar spatial behavior is a common feature of discrete-valued time series data, it needs to be taken into account appropriately. In this paper, we propose the incorporation of an algorithm that will cluster regions based on their spatio-temporal characteristics. In our application, we find that the region specific extensions of the endemic-epidemic model provide a better fit. However, notably, the performance of all the extensions is considerably improved by the incorporation of the clustering algorithm."],"dc:identifier":["uoadl:3247496","https://pergamos.lib.uoa.gr/uoa/dl/object/3247496"],"dc:language":["English"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Spatiotemporal clustering with an application on COVID-19 deaths in the provinces of the Netherlands"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:20:16Z"}