Skip navigation
Use este identificador para citar ou linkar para este item: https://repositorio.ufpe.br/handle/123456789/18353
Título: Sistema híbrido evolucionário baseado em decomposição para a previsão de séries temporais
Autor(es): OLIVEIRA, João Fausto Lorenzato de
Palavras-chave: Previsão de séries temporais;Sistemas híbridos inteligentes;Sistemas Evolucionários;Time series forecasting;Hybrid intelligent systems;Evolutionary Systems
Data do documento: 26-Set-2016
Editor: Universidade Federal de Pernambuco
Resumo: A previsão de séries temporais é uma tarefa importante no campo da aprendizado de máquina, possuindo diversas aplicações em mercado de ações, hidrologia, meteorologia, entre outros. A análise da dependência existente nas observações adjacentes da série é necessária para que seja possível prever valores futuros com alguma precisão. Modelos dinâmicossãoutilizadospararealizarmapeamentosdeumasérietemporal,seaproximando do mecanismo gerador da série e sendo capazes de realizar previsões. No entanto, o mecanismo gerador de uma série temporal pode produzir padrões lineares e não-lineares queprecisamserdevidamentemapeados.Modeloslinearescomooauto-regressivointegrado demédiamóvel(ARIMA)sãocapazesdemapearpadrõeslineares,porémnãosãoindicados quando existem padrões não-lineares na série. Já os modelos não-lineares como as redes neuraisartificais(RNA)mapeiampadrõesnão-lineares,maspodemapresentardesempenho reduzido na presença de padrões lineares em relação aos modelos lineares. Fatores como a definição do número de elementos de entrada da RNA, número de amostras de treinamento podem afetar o desempenho. Abordagens híbridas presentes na literatura realizam o mapeamentodospadrõeslinearesenão-linearessimultaneamenteouaplicandoduasoumais fases nas previsões. Seguindo a suposição de que os modelos são bem ajustados, a diferença entre o valor previsto e a série real demonstra um comportamento de ruído branco, ou seja, considera-se que a diferença entre os valores (resíduo) é composta por choques aleatórios não correlacionados. Na abordagem de duas ou mais fases, o resíduo gerado pelo modelo aplicado na primeira fase é utilizado pelo segundo modelo. O problema do ajuste pode ser decorrente dos parâmetros mal ajustados e também da série temporal devido à possível necessidade de transformações. Tais abordagens geram previsões mais precisas quando comparadasàstécnicastradicionais.Nestatese,sãoexploradossistemasevolucionáriospara a otimização de parâmetros de técnicas lineares e não-lineares visando o mapeamento dos padrões da série temporal. A abordagem proposta utiliza um preprocessamento automático através de um filtro de suavização exponencial para extrair uma série com distribuição normal.Adiferençadasérietemporaleasériefiltradaémapeadaporumsistemacomposto por um método auto-regressivo (AR) e máquina de vetor de suporte para regressão (SVR). Variações do algoritmo de otimização por enxame de partículas (PSO) e algoritmos genéticos são aplicados na otimização dos hiper-parâmetros do sistema. A previsão final é realizada através da soma das previsões de cada série. Para fins de avaliação do método proposto, experimentos foram realizados com bases de problemas reais utilizando métodos daliteratura.Osresultadosdemonstramqueométodoobteveprevisõesprecisasnamaio algumas séries o modelo multiplicativo pode ser mais adequado, produzindo previsões mais precisas.
URI: https://repositorio.ufpe.br/handle/123456789/18353
Aparece na(s) coleção(ções):Teses de Doutorado - Ciência da Computação

Arquivos deste item:
Arquivo Descrição TamanhoFormato 
main_abntex.pdf4,45 MBAdobe PDFVer/Abrir


Este arquivo é protegido por direitos autorais



Este item está licenciada sob uma Licença Creative Commons Creative Commons