[pt] O setor elétrico brasileiro é fortemente dependente da energia hidrelétrica e a predição acurada das séries de vazões é essencial para o planejamento e gestão de risco. Recentemente, os modelos híbridos, que combinam técnicas de previsão e pré-processamento de dados, têm se destacado. Entretanto, na literatura, não há consenso sobre a superioridade de previsão destes modelos em relação aos tradicionais (puros). Este trabalho visa contribuir para literatura com a avaliação de performance de previsão e a adequabilidade de modelos puros e híbridos para séries mensais estacionárias e não estacionárias de vazões. Para isso, foram construídos modelos usando as técnicas de previsão de Redes Neurais Artificiais e ARIMA acoplados com as técnicas de pré-processamento de dados Singular Spectrum Analysis (SSA) e Seasonal and Trend decomposition based on Loess (STL). Como resultado, este estudo mostra para a série de Belo Monte (estacionária) os modelos puros obtiveram um melhor desempenho, já para a série de Sobradinho (não estacionária) os modelos híbridos foram os melhores. / [en] The Brazilian electricity sector is strongly dependent on hydropower and the accurate prediction of streamflow series is essential for planning and risk management. Recently, hybrid models, which combine prediction and data preprocessing techniques, have stood out. However, in the literature there is no consensus on the predictive superiority of these hybrid models versus their pure version. This paper aims to contribute to the literature with the evaluation of prediction performance suitability of pure and hybrid models for monthly stationary and non - stationary series of streamflow. For this, models were constructed using Artificial Neural Network and ARIMA forecasting techniques coupled with the Singular Spectrum Analysis (SSA) and Seasonal and Trend decomposition based on Loess (STL) data pre-processing techniques. As a result, this study shows that pure models obtained a better performance for the Belo Monte (stationary series), already hybrid models were the best for the Sobradinho (non-stationary series).

[pt] Esta dissertação apresenta o SARIMAX.jl, um pacote em Julia projetado para estimação de séries temporais. A principal contribuição deste trabalho é a dissociação da formulação do modelo do processo de estimação, permitindo a seleção do método de estimação mais apropriado para cada situação específica. O SARIMAX.jl emprega técnicas avançadas de otimização para aprimorar a estabilidade, robustez e precisão na modelagem de processos SARIMA. O pacote também oferece flexibilidade ao permitir que os usuários incorporem regularização e alterem as funções objetivo. Por meio de um estudo comparativo, o SARIMAX.jl demonstra um desempenho superior em várias métricas de amostra e um desempenho competitivo em comparação com o pacote R forecast nas séries mensais da competição M4, estabelecendo-se como uma opção confiável e de código aberto para modelagem de séries temporais. Além disso, esta dissertação propõe uma abordagem de otimização inteira mista para a especificação e estimação de um subconjunto específico de modelos SARIMA, conhecidos como modelos autorregressivos integrados sazonais (SARI). Esta abordagem garante a optimalidade global na estimação de parâmetros e na especificação da ordem de integração e da parte autorregressiva. / [en] This dissertation introduces SARIMAX.jl, a Julia package designed for time series estimation. The primary contribution of this work is the separation of model formulation from the estimation process, which allows for the selection of the most appropriate estimation method for each specific situation. SARIMAX.jl employs advanced optimization techniques to enhance stability, robustness, and accuracy in modeling SARIMA processes. The package also offers flexibility by allowing users to incorporate regularization and switch objective functions. Through a comparative study, SARIMAX.jl demonstrates superior performance across various in-sample metrics and competitive performance when compared to the R forecast package in the M4 competition monthly series, establishing it as a reliable open-source option for time series modeling. Additionally, this dissertation proposes a mixed-integer optimization approach for the specification and estimation of a specific subset of SARIMA models, known as seasonal autoregressive integrated (SARI) models. This approach guarantees global optimality in parameter estimation and the specification of the integration order and autoregressive part.

[pt] Nesta dissertação, estratégias de modelagem são apresentadas envolvendo modelos de séries temporais lineares e não lineares para modelar a série do preço spot no mercado elétrico brasileiro. Foram usados, dentre os lineares, os modelos ARIMA(p,d,q) proposto por Box, Jenkins e Reinsel (1994) e os modelos de regressão dinâmica. Dentre os não lineares, o modelo escolhido foi o STAR desenvolvido, inicialmente, por Chan e Tong (1986) e, posteriormente, por Teräsvista (1994). Para este modelo, testes do tipo Multiplicador de Lagrange foram usados para testar linearidade, bem como para avaliar os modelos estimados. Além disso, foi também utilizada uma proposta para os valores iniciais do algoritmo de otimização, desenvolvido por Franses e Dijk (2000). Estimativas do filtro de Kalman suavizado foram usadas para substituir os valores da série de preço durante o racionamento de energia ocorrido no Brasil. / [en] In this dissertation, modeling strategies are presented involving linear and non-linear time series models to model the spot price of Brazil s electrical energy market. It has been used, among the linear models, the modeling approach of Box, Jenkins and Reinsel (1994) i.e., ARIMA(p,d,q) models, and dynamic regression. Among the non-linear ones, the chosen model was the STAR developed, initially, by Chan and Tong (1986) and, later, by Teräsvirta (1994). For this model, the Lagrange Multipliers test, to measure the degree of non linearity of the series , as well as to evaluate the estimated model was used. Moreover, it was also used a proposal for the initial values of the optimization algorithm, developed by Franses and Dijk (2000). The smoothed Kalman filter estimates were used in order to provide values for the spot price series during the energy shortage period.

[pt] Nesta dissertação é desenvolvida uma metodologia para previsão de demanda mensal de energia elétrica considerando cenários de racionamento. A metodologia usada consiste em, a partir das taxas de crescimento da série temporal, identificar e eliminar os efeitos do racionamento de energia elétrica através da aplicação de Modelos Lineares Dinâmicos. São analisadas também estruturas de intervenção nos modelos estatísticos de Box & Jenkins e Holt & Winters. Os modelos são então comparados segundo alguns critérios, basicamente no que tange à sua eficiência preditiva. Conclui-se ao final sobre a eficiência da metodologia proposta, dado a grande dificuldade para solucionar o problema a partir dos modelos estatísticos de Box & Jenkins e Holt & Winters. Esta solução é então proposta como a mais viável para criar cenários de racionamento e pósracionamento de energia para ser utilizado por agentes do sistema elétrico nacional. / [en] In this dissertation, a methodology is developed to forecast monthly demand of electric energy, considering the rationing scenery. The methodology is based on, taking the growth rate from the time series, identify and eliminate the effects of electric energy rationing, using Dynamic Linear Models. It is also analyzed intervention structures in the statistics models of Box & Jenkins and Holt & Winters. The models are compared according to some criterions, mainly forecast accuracy. At the end, we concluded that the methodology proposed is more efficient, due to the difficult to solve the problem using the statistics models with intervention. This solution is proposed as the best among them to create scenery during the energy rationing and after energy rationing, to be used by the national electric system agents.

[pt] Tendo em vista mudanças significativas no varejo causadas pelo crescimento de compras online no Brasil, este estudo tem como objetivo facilitar um relevante lead time e um forte grau de assertividade na previsão de demanda do Omnichannel de uma empresa do setor. Com a crescente relevância do Omnichannel, é importante compreender as necessidades dos consumidores tradicionais e digitais, integrar suas experiências e oferecer múltiplos canais de compra. Nesse contexto, a previsão de demanda é crucial para apoiar as decisões estratégicas, táticas e operacionais da organização. A utilização de séries temporais hierárquicas auxilia na precisão das previsões e, portanto, na tomada de decisões, permitindo gerar estimativas coerentes ao longo dos múltiplos níveis hierárquicos. Dessa forma, neste estudo, combinando as metodologias de previsão de séries temporais ETS, ARIMA e SARIMAX, com métodos de reconciliação Bottom-up, Top-down, MinTrace Combinação Ótima (OLS) e MinTrace WLS Struct, doze modelos foram gerados. Baseado nas principais abordagens de séries temporais hierárquicas, com uma sequência de sete passos, os modelos foram comparados, por meio de métricas de avaliação de desempenho, para identificar qual deles melhor se encaixa na série trabalhada. Ao final do estudo, o modelo SARIMAX com Bottom-up se mostrou a combinação mais adequada para a série em análise. A abordagem alcançou um MAPE de 22 por cento no nível mais agregado da hierarquia, reduzindo em cinco pontos percentuais o MAPE original da empresa, além de apresentar a melhor colocação na combinação das métricas comparativamente. / [en] In light of recent changes in retail caused by the growth of online shopping in Brazil, this study aims to enable a substantial lead time and a high degree of accuracy of the Omnichannel demand forecast for a retail company. As Omnichannel success continues to expand, it becomes increasingly important tounderstand the needs of both traditional and digital consumers, integrate their experiences and offer multiple purchase channels. In this context, demand forecasting is crucial for identifying market trends, growth opportunities, potentialstrategies and supporting strategic, tactical and operational decisions. The use of Hierarchical Time Series improves forecasts accuracy and, therefore, assists in decision-making, allowing the development of consistent estimations acrossmultiple hierarchical levels. Thus, this study combines the time series forecast generation methodologies ETS, ARIMA and SARIMAX, with Bottom-up, Top-down, MinTrace Optimal Combination (OLS) and MinTrace WLS Struct reconciliation methods, resulting in the generation of twelve models. Based on the main theories of Hierarchical Time Series and following a 7-steps sequence, the models were compared using performance evaluation metrics to identify the best fit for the investigated series. The research concludes that the SARIMAX model,together with the Bottom-up strategy, proves to be the most appropriate composition for the Hierarchical Time Series under analysis, as it demonstrates the best performance across the evaluation metrics, reaching a MAPE of 22 percent at the most aggregated level of the hierarchy and reducing the original company forecasting MAPE by five percentage points.