Submitted by Renata Lopes (renatasil82@gmail.com) on 2017-03-02T13:24:53Z No. of bitstreams: 1 guilhermeguilherminoneto.pdf: 1186805 bytes, checksum: c3c46b18aeea88b1e1d4b4fa3d1a36e5 (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2017-03-06T19:39:48Z (GMT) No. of bitstreams: 1 guilhermeguilherminoneto.pdf: 1186805 bytes, checksum: c3c46b18aeea88b1e1d4b4fa3d1a36e5 (MD5) / Made available in DSpace on 2017-03-06T19:39:48Z (GMT). No. of bitstreams: 1 guilhermeguilherminoneto.pdf: 1186805 bytes, checksum: c3c46b18aeea88b1e1d4b4fa3d1a36e5 (MD5) Previous issue date: 2014-08-20 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Previsões de demanda em curto prazo são fundamentais para o planejamento e o controle da produção em sistemas de energia elétrica. Como não é viável manter estoques de segurança para compensar demandas inesperadas, a programação da geração é baseada em previsões feitas com antecedência de algumas horas. Ao longo dos anos, muitos métodos foram testados para a resolução do problema. Dentre os mais populares estão os univariados, em que a demanda é escrita como uma função linear de seu comportamento histórico e prevista por técnicas estatísticas. Também é frequente o uso de métodos multivariados, que levam em conta o efeito não- linear de variáveis climáticas, como a temperatura do ar, sobre o comportamento do consumidor. Para este caso, a literatura recente sugere o uso de previsores de inteligência computacional, como as redes neurais artificiais. Embora alguns autores afirmem que deve-se considerar métodos multivariados, outros defendem que, para previsões de curto prazo (horizonte de poucas horas), a inclusão de variáveis climáticas traz poucos benefícios, posto que seus efeitos levam mais tempo para serem percebidos. Neste trabalho, experimentamos diversos métodos univariados e multivariados a fim de comparar seu desempenho sobre uma base de dados da cidade do Rio de Janeiro. Para estes dados, mostramos que é possível obter, por meio de um simples previsor linear univariado (um modelo de curva de carga cuja componente-padrão é prevista pelo amortecimento de Holt-Winters-Taylor), resultados próximos aos de técnicas mais complexas, porém, com as vantagens de maior robustez, parcimônia e economia de recursos computacionais. / Short-term demand forecasts a are vital part of the production plan and control on electrical power systems. As it is not possible to keep large inventories to meet sudden demand increases, the generation scheduling is based on forecasts made for some hours ahead. Throughout the years, many methods have been proposed in order to solve the problem. Among the most popular are the univariate ones, on which the demand is written as a linear function of its historical behavior and forecast by statistical techniques. It is also common to use multivariate methods, which take into account also the nonlinear effects produced on the demand by weather-related variables, such as the air temperature. For this case, recent papers suggest the use of computational intelligence devices, such as artificial neural networks. Although some authors claim that multivariate methods must be considered, some others state that, on a short-run (lead-times up to a few hours), adding weather-related variables brings little benefits, because its effects might take a longer time to affect the demand. On this work, we experiment a large amount of univariate and multivariate methods aiming to compare its performance over a dataset from the city of Rio de Janeiro. For these data, we show that is possible to obtain, via a simple linear univariate method (a load curve model where the standard load is forecast by the Holt-Winters-Taylor smoothing), results that are close enough to those achieved by more complex techniques, but bringing the advantages of more robustness, parsimony and computational economy.

Submitted by Geandra Rodrigues (geandrar@gmail.com) on 2018-10-24T12:50:06Z No. of bitstreams: 1 taisdemedeirospedreira.pdf: 1862768 bytes, checksum: 0c6ee31fd9be772b5b609051a207f61f (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2018-11-23T12:17:19Z (GMT) No. of bitstreams: 1 taisdemedeirospedreira.pdf: 1862768 bytes, checksum: 0c6ee31fd9be772b5b609051a207f61f (MD5) / Made available in DSpace on 2018-11-23T12:17:19Z (GMT). No. of bitstreams: 1 taisdemedeirospedreira.pdf: 1862768 bytes, checksum: 0c6ee31fd9be772b5b609051a207f61f (MD5) Previous issue date: 2018-09-05 / As previsões a curto prazo da carga elétrica (de algumas horas até alguns dias à frente) são essenciais para o planejamento, controle e operação dos sistemas de energia, tanto por por razões técnicas quanto financeiras. Como não é possível estocar grandes quantidades, torna-se indispensável um maneira eficaz de programar a produção da energia para que ela atenda a demanda. Por conta disso, uma grande literatura desenvolveu-se sobre o assunto. Devido à complexidade das séries de carga e à dependência não-linear destas carga em relação a diversas variáveis exógenas, os sistemas de previsão mais frequentemente propostos em trabalhos recentes são aqueles baseados em algoritmos complexos de inteligência computacional. No entanto, métodos lineares simples ainda são muito comumente usados, por si sós ou em combinação com técnicas não-lineares. Um desses métodos é o de Holt-Winters-Taylor, que é uma adaptação do conhecido método de amortecimento exponencial de Holt-Winters para que múltiplas sazonalidades possam ser modelados concomitantemente. Este trabalho implementa três variantes deste método HWT e analisa seus desempenhos em duas séries de dados reais de carga. Verificou-se que uma combinação linear dessas variantes nitidamente supera o método HWT original e fornece previsões precisas, com um baixo custo computacional. / Short-term load forecasts (forecasts for horizons ranging from a few hours to a few days ahead) are essential for the planning, controling and operation of energy systems, both for technical and financial reasons. Since it is not feasible to store energy in large quantities, an efficient way to forecast energy demand becomes indispensable. Because of this, a large literature has developed on the subject. Due to the complexity of load series and the nonlinear relationship of the load with exogenous variables, the most frequently proposed forecasting systems in recent papers are those based on complex algorithms of computational intelligence. However, simple linear methods are still very frequently used, either alone or in combination with non-linear techniques. One of these methods is Holt-Winters-Taylor (HWT), which is an adaptation of the well-known Holt-Winters exponential smoothing method, modified so that multiple seasonalities can be modeled at the same time. In this paper, we implement three variants of this HWT method and analyze their performances over two sets of actual load data. We found that a linear combination of these variants clearly outperforms the original HWT method, and provides accurate forecasts at a low computational cost.

In this Master Thesis there are summarized basic methods for modelling time series, such as linear regression with seasonal dummy variables, exponential smoothing and SARIMA processes. The thesis is aimed on modelling and forecasting seasonal time series using these methods. Goals of the Thesis are to introduce and compare these methods using a set of 2184 seasonal time series followed by evaluation their prediction abilities. The main benefit of this Master Thesis is understanding of different aspects of forecasting time series and empirical verification of advantages and disadvantages these methods in field of creating predictions.

V této diplomové práci se zaměřujeme na vytvoření plně automatizovaného algoritmu pro předpovědi finančních řad, který se snaží využít kombinační proceduru na dvou úrovních mezi dvěma rodinami předpovědních modelů, Box-Jenkins a Exponenciální stavové modely, které jsou schopny modelovat jak homoskedastické tak heteroskedastické časové řady. Pro tento účel jsme navrhli selekční proceduru v prostředí MATLAB pro modely ARIMA. Výsledný kombinovaný model je pak aplikován několik finančních časových řad a jeho výkonost je diskutována.

This thesis deals with the use of statistical state space models of exponential smooth- ing for estimating the conditional probability distribution of future values of time series. This knowledge allows calculation of interval predictions, not only point forecasts. Meth- ods of exponential smoothing are described and set into the context of state space models. Analytical and simulation methods used in the calculation of interval predictions are presented, in particular simulations based on assumption of normality, bootstrap method or estimated parametric model. The methods are applied to simulated as well as real data and their results are compared. 1

In this paper we conduct an out-of-sample forecasting exercise for monthly Swedish air traveler volumes. The models considered are multiplicative seasonal ARIMA, Neural network autoregression, Exponential smoothing, the Prophet model and a Random Walk as a benchmark model. We divide the out-of-sample data into three different evaluation periods: Pre-COVID-19, during COVID-19 and Post-COVID-19 for which we calculate the MAE, MAPE and RMSE for each model in each of these evaluation periods. The results show that for the Pre-COVID-19 period all models produce accurate forecasts, in comparison to the Random Walk model. For the period during COVID-19, no model outperforms the Random Walk, with only Exponential smoothing performing as well as the Random Walk. For the period Post-COVID-19, the best performing models are Random Walk, SARIMA and Exponential smoothing, with all aforementioned models having similar performance.

Submitted by Mariana Dornelles Vargas (marianadv) on 2015-06-01T12:45:08Z No. of bitstreams: 1 otimizacao_niveis.pdf: 2029201 bytes, checksum: a40cd7a9e26627e3677b30cfdb0cdd33 (MD5) / Made available in DSpace on 2015-06-01T12:45:08Z (GMT). No. of bitstreams: 1 otimizacao_niveis.pdf: 2029201 bytes, checksum: a40cd7a9e26627e3677b30cfdb0cdd33 (MD5) Previous issue date: 2011 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Em um contexto empresarial, a competitividade entre companhias de um mesmo ramo de atividade se torna mais presente a cada dia que passa. Empresas estruturadas de forma enxuta em termos de custo podem ter maior vantagem competitiva sobre seus concorrentes. Reduzir custos é, portanto, um objetivo almejado por todas as organizações. A gestão e controle de estoques de produtos é um problema presente em diversas empresas e organizações. Diversos custos estão associados a este problema. O volume monetário relacionado é bastante grande. Assim, quanto melhor for o processo de controle e gerenciamento de estoques de uma empresa, menor será o custo para manutenção dos mesmos. Este trabalho propõe uma ferramenta para otimização dos níveis de estoque de uma rede varejista, considerando características como lucratividade, custos e atendimentos às demandas. Isto é feito através do uso de um método previsor baseado em Suavização Exponencial com Sazonalidade Multiplicativa, um módulo Otimizador baseado na metaheurística Guided Local Search, além de um Simulador Discreto Determinístico. A ferramenta conta com uma série de parâmetros que permitem a criação de diferentes cenários relativos ao sistema de estocagem da rede varejista. Os resultados obtidos durante a fase de experimentação da ferramenta demonstram sua capacidade de encontrar soluções para o problema de níveis de estoque de forma satisfatória, além de possibilitar a criação de cenários alternativos à realidade observada no sistema físico. / Competitiveness is an element that increases on a daily basis considering nowadays businesses. Companies with more efficient structures in terms of costs have an important advantage when compared to their competitors. This greatly motivates companies to reduce costs. Inventory control is an existing problem in many companies and organizations. Many types of costs are associated to this problem. Also, the amount of money involved in inventory maintenance is very considerable. So, the better the inventory control process is, the lower the costs related to it will be. This paperwork proposes a tool to optimize inventory levels on a retailer company, considering profit, costs and service level attendance. This is done by using a Forecasting Method called Exponential Smoothing with Multiplicative Seasonality, an Optimizer based on the Guided Local Search metaheuristic and a Discrete Deterministic Simulator. This tool uses a series of parameters in order to allow users to create different scenarios. The results obtained with the conducted experiments show that the tool is capable of finding good solutions to the problem of inventory levels, as well as creating alternative scenarios to operate the inventory system..

[pt] A presente tese se insere no contexto de previsão de séries temporais. Nesse sentido, embora muitas abordagens tenham sido desenvolvidas, métodos simples como o de amortecimento exponencial costumam gerar resultados extremamente competitivos muitas vezes superando abordagens com maior nível de complexidade. No contexto previsão, papers seminais na área mostraram que a combinação de previsões tem potencial para reduzir de maneira acentuada o erro de previsão. Especificamente, a combinação de previsões geradas por amortecimento exponencial tem sido explorada em papers recentes. Apesar da combinação de previsões utilizando Amortecimento Exponencial poder ser feita de diversas formas, um método proposto recentemente e chamado de Bagged.BLD.MBB.ETS utiliza uma técnica chamada Bootstrap Aggregating (Bagging) em combinação com métodos de amortecimento exponencial para gerar previsões mostrando que a abordagem é capaz de gerar previsões mensais mais precisas que todos os benchmarks analisados. A abordagem era considerada o estado da arte na utilização de Bagging e Amortecimento Exponencial até o desenvolvimento dos resultados obtidos nesta tese. A tese em questão se ocupa de, inicialmente, validar o método Bagged.BLD.MBB.ETS em um conjunto de dados relevante do ponto de vista de uma aplicação real, expandindo assim os campos de aplicação da metodologia. Posteriormente, são identificados motivos relevantes para redução do erro de e é proposta uma nova metodologia que utiliza Bagging, Amortecimento Exponencial e Clusters para tratar o efeito covariância, até então não identificado anteriormente na literatura do método. A abordagem proposta foi testada utilizando diferentes tipo de séries temporais da competição M3, CIF 2016 e M4, bem como utilizando dados simulados. Os resultados empíricos apontam para uma redução substancial na variância e no erro de previsão. / [en] This thesis is inserted in the context of time series forecasting. In this sense, although many approaches have been developed, simple methods such as exponential smoothing usually produce extremely competitive results, often surpassing approaches with a higher level of complexity. Seminal papers in time series forecasting showed that the combination of forecasts has the potential to dramatically reduce the forecast error. Specifically, the combination of forecasts generated by Exponential Smoothing has been explored in recent papers. Although this can be done in many ways, a specific method called Bagged.BLD.MBB.ETS uses a technique called Bootstrap Aggregating (Bagging) in combination with Exponential Smoothing methods to generate forecasts, showing that the approach can generate more accurate monthly forecasts than all the analyzed benchmarks. The approach was considered the state of the art in the use of Bagging and Exponential Smoothing until the development of the results obtained in this thesis. This thesis initially deals with validating Bagged.BLD.MBB.ETS in a data set relevant from the point of view of a real application, thus expanding the fields of application of the methodology. Subsequently, relevant motifs for error reduction are identified and a new methodology using Bagging, Exponential Smoothing and Clusters is proposed to treat the covariance effect, not previously identified in the method s literature. The proposed approach was tested using data from three time series competitions (M3, CIF 2016 and M4), as well as using simulated data. The empirical results point to a substantial reduction in variance and forecast error.

Darbe „Akcijų kainų kintamumo analizė“ nagrinėjami ir lyginami Baltijos (Lietuvos, Latvijos, Estijos) bei Lotynų Amerikos (Meksikos, Venesuelos) šalių duomenys. Atliekama pasirinktų akcijų kainų grąžų analizė. Jai naudojami trijų metų kiekvienos dienos duomenys (akcijų kainos). Pirmoje darbo dalyje supažindinama su bendra prognozavimo metodų teorija, aprašomi skirtingi, dažnai literatūroje ir praktikoje sutinkami modeliai. Antrojoje dalyje aprašyti prognozavimo metodai taikomi realiems duomenims, t.y. pasirinktoms akcijoms. Prognozuojama akcijų kainų grąža, kuri po to yra palyginama su realia reikšme, apskaičiuojamos prognozavimo metodų paklaidos. Pagrindinis darbo tikslas – atlikti lyginamąją prognozavimo modelių analizę su pasirinktomis akcijomis ir atrinkti tuos metodus, kurie duoda geriausius rezultatus. Darbo tikslui įgyvendinti naudojama SAS statistinio paketo ekonometrikos ir laiko eilučių analizės posistemė SAS/ETS (Time Series Forecasting System). / Most of empirical surveys in macro and financial economics are based on time series analysis. In this work, data of Baltic and Latin America countries is being analyzed and compared. Analysis of stock price returns is presented using daily long term (three years) period data. In the first part of this work general forecasting theory is presented, also different methods, frequently met in the literature and practice, are described. In the second part, forecasting models are being applied for real data. We present results of forecasting stock returns comparing them with real values. Also a precision of forecasts is being calculated, which let us to decide about propriety of each model. Consequently, the aim of this work is to forecast returns of stock price by various time series models and to choose the best one. The analysis was made using SAS statistical package and its econometrics and Time Series Analysis System (SAS/ETS).

Title: Methods for periodic and irregular time series Author: Mgr. Tomáš Hanzák Department: Department of Probability and Mathematical Statistics Supervisor: Prof. RNDr. Tomáš Cipra, DrSc. Abstract: The thesis primarily deals with modifications of exponential smoothing type methods for univariate time series with periodicity and/or certain types of irregularities. A modified Holt method for irregular times series robust to the problem of "time-close" observations is suggested. The general concept of seasonality modeling is introduced into Holt-Winters method including a linear interpolation of seasonal indices and usage of trigonometric functions as special cases (the both methods are applicable for irregular observations). The DLS estimation of linear trend with seasonal dummies is investigated and compared with the additive Holt-Winters method. An autocorrelated term is introduced as an additional component in the time series decomposition. The suggested methods are compared with the classical ones using real data examples and/or simulation studies. Keywords: Discounted Least Squares, Exponential smoothing, Holt-Winters method, Irregular observations, Time series periodicity