Metodologia para seleção de características e do conjunto de treinamento para previsão de séries temporais.

Abstract

Séries Temporais são dados que podem ser coletados em diversas situações do cotidiano, preços diários de uma ação financeira e o índice pluviométrico mensal de uma cidade são bons exemplos desses dados. A previsão de valores futuros de uma serie temporal e uma área de pesquisa muito útil como suporte a decisões. Para executar essa tarefa, são necessários um conjunto de dados históricos e um modelo de previsão. As redes neurais artificias são modelos poderosos e tem sido utilizados em pesquisas que envolvem previsão. Apesar de já serem utilizadas na resolução de inúmeros problemas, configurar uma rede neural nem sempre é uma atividade simples. Esse fato se deve ao numero de graus de liberdade que existem para sua configuração. Por isso, muitas pesquisas propõem metodologias para otimizar os parâmetros da rede de acordo com a serie alvo da previsão. No entanto, uma tarefa mais importante é a seleção das características de entrada da rede. Este trabalho reporta uma metodologia de previsão que tem como foco a seleção de características para previsão de series temporais. Para realizar essa tarefa, foi utilizado um algoritmo de otimização ate então não testado para essa finalidade. Sabe-se que em geral, esses algoritmos são custosos, foi utilizada uma abordagem de seleção do conjunto de treinamento através de analise de similaridade entre janelas da série que ajuda na redução do esforço computacional. Sabendo da importância de uma seleção correta das características, diversos trabalhos propõem metodologias de seleção. Dentre essas, podemos destacar os filtros, wrappers, a combinação dessas ultimas e algoritmos de otimização, tais como: algoritmos genéticos, otimização baseada em enxames de partículas e evolução diferencial. Esta dissertação descreve uma metodologia capaz de realizar a previsão de series originarias de diferentes contextos. A metodologia ́e composta por três etapas: o tratamento das series, a seleção do conjunto de treinamento através de uma abordagem inovadora e a seleção das características por meio de um algoritmo de otimização. O seu desempenho foi avaliado em oito series temporais e os modelos utilizados para as previsões foram as redes neurais do tipo Multilayer Perceptron e a Support Vector Regression. Portanto, é proposta uma metodologia hıbrida, inovadora, que não exige analise de especialista para fazer suas previsões e pode ser totalmente automatizada. Além disso, mostrou-se capaz de realizar previsões de diferentes series temporais com precisão, alcançando resultados superiores aos reportados na literatura.