Uma abordagem de seleção dinâmica de preditores baseada nas janelas temporais mais recentes

Abstract

O desenvolvimento de sistemas de previsão acurados para modelagem de séries temporais do mundo real é uma tarefa desafiadora. Devido à presença de padrões temporais que mudam ao longo do tempo, a adoção de um modelo único pode levar a previsões de baixa acurácia. Nesse cenário, Sistemas de Múltiplo Preditores (SMP) surgem como uma alternativa promissora. A seleção dinâmica de preditores é um caso especial de SMP, onde cada modelo é um especialista em padrões específicos da série temporal. Na seleção dinâmica os modelos mais competentes são selecionados para cada novo padrão de teste. Um critério frequentemente utilizado é avaliar o desempenho dos modelos na região de competência, formada pelos padrões (presentes nos conjuntos de treinamento ou validação) mais similares ao padrão de teste. A qualidade da região de competência é um fator chave na precisão do SMP. Porém, definir adequadamente a medida de similaridade e o tamanho da região de competência é um desafio. Além disso, não há garantia de que existam padrões similares no conjunto de treinamento ou validação. Esta tese propõe uma abordagem de seleção dinâmica intitulada Dynamic Selection based on the Nearest Windows (DSNAW) que escolhe um ou mais modelos de acordo com seu desempenho na região de competência composta pelas janelas que antecedem à nova janela da observação de teste. Essa estratégia assume que as janelas temporais mais próximas do novo padrão de teste têm um comportamento mais similar à observação a ser predita do que os dados de treinamento. O estudo experimental utilizando dez séries temporais mostrou que a abordagem proposta supera as abordagens da literatura, consolidando-a como uma nova abordagem para seleção dinâmica de preditores.