Um método baseado em correção de erros para previsão de séries temporais em ambiente online e na presença de concept drift

Abstract

Há um tempo que o mundo digitalizado não é novidade, mas cada vez mais adaptar-se aos novos dados recebidos é uma questão de sobrevivência de certos serviços. Diante da alta frequência de recebimento de novas informações e da rápida mudança que estamos sujeitos são poucas as estratégias existentes para adaptar-se. De olho neste cenário de rápida tomada de decisão e da precisão nos resultados que este trabalho é proposto. Fazendo um comparativo com a área de inteligência computacional, soluções que exigem essa adaptabilidade constante são plausíveis de ficarem desatualizados e resultarem em baixo desempenho ao estarem sub treinados para novos comportamentos. Sendo necessário, com o passar do tempo, manter os modelos em uso atualizados para resolver uma determinada tarefa em relação aos dados mais recentes, evitando - desta forma - o underfitting que é caracterizado pelo subtreinamento. Na tentativa de mitigar esse problema é comum utilizar abordagens baseadas em um sistema de combinação de preditores que realizam retreinamento dos modelos, ou a utilização de modelos com aprendizado online. Este trabalho visa comparar a estratégia de ajuste de parâmetros com correção dos resíduos de modelos monolíticos em 3 séries temporais financeiras com mudança de conceito. Propondo-se a investigar as previsões e resíduos de forma a estender o leque de estratégias que resolvem de maneira eficaz o tipo de problema sugerido. A contribuição princi pal deste trabalho é introduzir o conceito de correção da previsão através da série residual, que até o presente momento nunca foi visto para séries que apresentam de mudança de conceito e no ambiente de aprendizado online.