Previsão de séries temporais na presença de mudança de conceito: uma abordagem baseada em PSO

Abstract

Previsão de séries temporais é um problema com muitas aplicações. No entanto, em muitos domínios, tal como mercado de ações, o processo gerador das observações das séries temporais pode mudar, tornando os modelos de previsão obsoletos. Esse problema é conhecido como mudança de conceito (Concept Drift). Abordagens para previsão de séries temporais devem ser capazes de detectar e reagir a uma mudança de conceito em tempo hábil, de modo que o modelo de previsão possa ser atualizado o mais rápido possível. Apesar do fato de que o problema da mudança de conceito ser bem investigado na literatura, principalmente em problemas de classificação de dados, pouco esforço tem sido feito para resolver esse problema para previsão de séries temporais até agora. A fim de preencher essa lacuna, esse trabalho propõe três métodos para detecção de mudança de conceito e duas arquiteturas que usam inteligência de enxames da detecção de mudança de conceito até a adaptação depois da mudança em previsão de séries temporais. Os sistemas monitoram o erro através de Testes de Detecção de Mudanças (CDT’s) por meio de vários modelos de previsão gerados por um método de inteligência de enxames, chamado de Algoritmo de Enxame de Partículas (PSO). Para adaptação, técnicas de Otimização Dinâmica Evolucionária (EDO), como o uso de memória e seleção das melhores partículas, foram usadas para melhorar a adaptabilidade dos modelos. Experimentos mostraram que em relação a detecção de mudança de conceito os métodos propostos alcançaram os melhores resultados em séries que possuem mudanças abruptas. Além disso, em relação a acurácia de previsão, os métodos com adaptação a mudança de conceito obtiveram os melhores resultados segundo o ranking de Friedman, apresentando diferença estatística dos demais métodos experimentados.