Uma abordagem evolucionária para hibridização de preditores

Abstract

A previsão de séries temporais é uma tarefa desafiadora em aplicações do mundo real, pois as séries temporais podem ser compostas por padrões lineares e não lineares, apresentar comportamento heterocedástico e ter ruídos aleatórios. Assim, a utilização de um modelo único para a modelagem e previsão de uma série temporal pode não ser suficiente para capturar todos os padrões. Para aumentar a acurácia da previsão, são utilizados sistemas híbridos, que combinam modelos estatísticos lineares com modelos não lineares de aprendizagem de máquina. O funcionamento destes sistemas pode ser dividido em três etapas: modelagem linear da série temporal, previsão do resíduo utilizando um modelo de aprendizagem de máquina e a geração da previsão final através da combinação das fases anteriores. Este trabalho propõe um sistema híbrido que busca o melhor conjunto de previsões dos modelos estatísticos e de aprendizagem de máquina com o objetivo de maximizar a sua acurácia. Para isso, foi proposta uma abordagem que busca a melhor combinação ponderada das componentes linear e não linear da série temporal, podendo utilizar a previsão atual e as estimativas passadas. O método proposto realiza: (i) modelagem linear da série temporal, (ii) modelagem não linear do resíduo e (iii) utiliza um algoritmo genético modificado, capaz de buscar qual previsão deve ser usada e o seu respectivo peso. Assim, a fase de combinação seleciona e pondera a contribuição de cada previsão na fase (iii). As simulações experimentais foram realizadas utilizando oito séries temporais do mundo real e o desempenho do sistema foi avaliado através da métrica erro quadrático médio. Os resultados mostram que a abordagem proposta obtém desempenho superior quando comparado com os modelos únicos e híbridos da literatura.