[pt] Em economia, Nowcasting é a previsão do presente, do passado recente ou mesmo a previsão do futuro muito próximo de um determinado indicador. Geralmente, um modelo nowcast é útil quando o valor de uma variável de interesse é disponibilizado com um atraso significativo em relação ao seu período de referência e/ou sua realização inicial é notavelmente revisada ao longo do tempo, se estabilizando somente após um tempo. Nesta tese, desenvolvemos e analisamos vários métodos de Nowcasting usando dados de alta dimensão (big data) em diferentes contextos: desde a previsão de séries econômicas até o nowcast de óbitos pela COVID-19. Em um de nossos estudos, comparamos o desempenho de diferentes algoritmos de Machine Learning com modelos mais naive na previsão de muitas variáveis econômicas em tempo real e mostramos que, na maioria das vezes, o Machine Learning supera os modelos de benchmark. Já no restante dos nossos exercícios, combinamos várias técnicas de nowcasting com um grande conjunto de dados (incluindo variáveis de alta frequência, como o Google Trends) para rastrear a pandemia no Brasil, mostrando que fomos capazes de antecipar os números reais de mortes e casos muito antes de estarem disponíveis oficialmente para todos. / [en] Nowcasting in economics is the prediction of the present, the recent past or even the prediction of the very near future of a certain indicator. Generally, a nowcast model is useful when the value of a target variable is released with a significant delay with respect to its reference period and/or when its value gets notably revised over time and stabilizes only after a while. In this thesis, we develop and analyze several Nowcasting methods using high-dimensional (big) data in different contexts: from the forecasting of economic series to the nowcast of COVID-19. In one of our studies, we compare the performance of different Machine Learning algorithms with more naive models in predicting many economic variables in real-time and we show that, most of the time, Machine Learning beats benchmark models. Then, in the rest of our exercises, we combine several nowcasting techniques with a big dataset (including high-frequency variables, such as Google Trends) in order to track the pandemic in Brazil, showing that we were able to nowcast the true numbers of deaths and cases way before they got available to everyone.

[pt] Em meio ao avanço expressivo da tecnologia e às evoluções contínuas observadas no ramo de inteligência artificial, esta última se mostrou ter potencial para ser aplicada a diferentes setores da sociedade. No contexto de extrema competitividade e relevância crescente nos esportes mais famosos ao redor do mundo, o basquete se apresenta como um esporte interessante para a aplicação de mecanismos de apoio à decisão capazes de aumentar a eficácia e consistência de vitórias dos times nos campeonatos. Diante desse contexto, este estudo propõe o desenvolvimento de sistemas de apoio à decisão baseados em modelos de redes neurais e k-Nearest Neighbors (kNNs). O objetivo é avaliar, para cada substituição durante um jogo de basquete, qual grupo de jogadores em quadra, conhecido por quinteto, apresenta mais chances de ter uma maior vantagem sobre o adversário. Para tal, foram treinados modelos para classificar, ao final de uma sequência de posses de bola, a equipe que conseguiria vantagem, e prever a magnitude dessa vantagem. A base de dados foi obtida de partidas do Novo Basquete Brasil (NBB), envolvendo estatísticas de jogadores, detalhes de jogo e contextos diversos. O modelo apresentou uma acurácia de 76,99 por cento das posses de bola nas projeções de vantagem entre duas equipes em quadra, demonstrando o potencial da utilização de métodos de inteligência computacional na tomada de decisões em esportes profissionais. Por fim, o trabalho ressalta a importância do uso de tais ferramentas em complemento à experiência humana, instigando pesquisas futuras para o desenvolvimento de modelos ainda mais sofisticados e eficazes na tomada de decisões no âmbito esportivo. / [en] In light of the recent significant growth in technological capabilities andthe observed advancements in the field of computational intelligence, the latterhas demonstrated potential for application in various sectors of society. Inthe context of extreme competitiveness and increasing relevance in the mostfamous sports around the world, basketball presents itself as an interestingsport for the application of decision-support mechanisms capable of enhancingthe efficacy and consistency of team victories in championships. In this context,this study proposes the development of decision-support systems, such asneural networks and k-Nearest Neighbors (kNNs). The goal is to evaluate, foreach substitution during a match, which group of players in the field, knownas lineup, presents the most probability to be superior to their opponent. Forthis, models were trained to predict, during a sequence of possessions, theteam that would have advantage and the magnitude of this advantage. Thedatabase was obtained from Novo Basquete Brasil (NBB) matches, involvingplayers statistics, match details and different contexts.. The model achieved anaccuracy of 76,99 percent in projections of superiority between the playing lineups,demonstrating the potential of using computational intelligence methods indecision-making applied to professional sports. Finally, the study highlightsthe importance of using such tools in conjunction with human experience,encouraging future research for the development of even more sophisticatedand effective models for decision-making in the sports field.

[pt] Nesta tese de doutorado, é proposta uma combinação híbrida de métodos preditivos que agrega cinco abordagens distintas e genéricas, do ponto de vista de modelagem: método SSA; decomposição wavelet; redes neurais artificiais; programação matemática multiobjetivo MINIMAX, com abordagem de programação por metas; e método de simulação de quase Monte-Carlo. Para exemplificar e demonstrar a eficiência da combinação híbrida proposta, são mostrados, no Capítulo 7, os principais resultados de uma aplicação computacional, no qual é possível verificar que o seu desempenho, em termos de modelagem, foi consideravelmente superior, em relação a todas as estatísticas de aderência consideradas. / [en] In this thesis, we propose a hybrid combination of predictive methods that aggregates five distinct and general approaches, from the viewpoint of modeling: SSA method; wavelet decomposition, artificial neural networks, multiobjective mathematical programming MINIMAX, with goal programming approach; quasi- Monte-Carlo simulation method. To exemplify and demonstrate the efficiency of the proposed hybrid combination are shown, in Section 7, the main results of a computer application in which you can verify that their performance, in terms of modeling, was significantly higher, compared to all considered adherence statistics.

[pt] Estudos empíricos na área de séries temporais indicam que combinar modelos preditivos, originados a partir de diferentes técnicas de modelagem, levam a previsões consensuais superiores, em termos de acurácia, às previsões individuais dos modelos envolvidos na combinação. No presente trabalho é apresentada uma metodologia de combinação convexa de modelos estatísticos de previsão, cujo sucesso depende da forma como os pesos de combinação de cada modelo são estimados. Uma Rede Neural Artificial Perceptron Multi-camada (Multilayer Perceptron - MLP) é utilizada para gerar dinamicamente vetores de pesos ao longo do horizonte de previsão, sendo estes dependentes da contribuição individual de cada previsor observada nos dados históricos da série. O ajuste dos parâmetros da rede MLP é efetuado através de um algoritmo de treinamento híbrido, que integra técnicas de busca global, baseadas em computação evolucionária, junto com o algoritmo de busca local backpropagation, de modo a otimizar de forma simultânea tanto os pesos quanto a arquitetura da rede, visando, assim, a gerar de forma automática um modelo de ponderação dinâmica de previsores de alto desempenho. O modelo proposto, batizado de Neural Expert Weighting - Genetic Algorithm (NEW-GA), foi avaliado em diversos experimentos comparativos com outros modelos de ponderação de previsores, assim como também com os modelos individuais envolvidos na combinação, contemplando 15 séries temporais divididas em dois estudos de casos: séries de derivados de petróleo e séries da versão reduzida da competição NN3, uma competição entre metodologias de previsão, com maior ênfase nos modelos baseados em Redes Neurais. Os resultados demonstraram o potencial do NEWGA em fornecer modelos acurados de previsão de séries temporais. / [en] Empirical studies on time series indicate that the combination of forecasting models, generated from different modeling techniques, leads to higher consen+sus forecasts, in terms of accuracy, than the forecasts of individual models involved in the combination scheme. In this work, we present a methodology for convex combination of statistical forecasting models, whose success depends on how the combination weights of each model are estimated. An Artificial Neural Network Multilayer Perceptron (MLP) is used to generate dynamically weighting vectors over the forecast horizon, being dependent on the individual contribution of each forecaster observed over historical data series. The MLP network parameters are adjusted via a hybrid training algorithm that integrates global search techniques, based on evolutionary computation, along with the local search algorithm backpropagation, in order to optimize simultaneously both weights and network architecture. This approach aims to automatically generate a dynamic weighted forecast aggregation model with high performance. The proposed model, called Neural Expert Weighting - Genetic Algorithm (NEW-GA), was com- pared with other forecaster combination models, as well as with the individual models involved in the combination scheme, comprising 15 time series divided into two case studies: Petroleum Products and the reduced set of NN3 forecasting competition, a competition between forecasting methodologies, with greater emphasis on models based on neural networks. The results obtained demonstrated the potential of NEW-GA in providing accurate models for time series forecasting.

[pt] O objetivo da dissertação é apresentar uma nova medida de núcleo de inflação para o Brasil com o intuito de verificar a tendência atual dos preços. Inicialmente são propostos dois núcleos. O primeiro é calculado a partir de métodos tradicionais encontrados na literatura, porém visando a alcançar algumas características desejáveis que um núcleo tenha, algumas alterações são propostas. O segundo método é via Dynamic Conditional Score Models (DCS). Nesse, a inflação é decomposta em componentes não observáveis e o núcleo é definido como a componente de tendência. Fazse uma comparação entre os núcleos propostos e os núcleos divulgados atualmente no Brasil e conclui-se que os núcleos divulgados hoje não contribuem para o entendimento da tendência da inflação e que para isso os dois núcleos propostos são mais indicados. O núcleo via modelo DCS é mais indicado ainda por sua estimação não ser afetada por muita informação defasada como ocorre para o primeiro núcleo. Além disso, algumas análises econômicas sugerem que a utilização do núcleo via modelo DCS pode auxiliar o Banco Central na condução da política monetária, uma vez que este mostra indicativos do desenvolvimento futuro da inflação acumulada no ano (medida alvo para a verificação do controle da meta). As duas metodologias propostas podem ser facilmente recalculadas, uma vez que os códigos de implementação estão disponíveis gratuitamente para qualquer usuário interessado, e também podem ser replicadas para outros índices de inflação. / [en] The objective of this dissertation is to present a new measure of core inflation to brazilian inflation in order to verify the current trend of prices. Initially two core inflation are proposed. The first one is calculated from traditional methods found in the literature with some changes proposed in order to achieve some desirable core inflation characteristics. The second method of estimation is Dynamic Conditional Score Models (DCS), where inflation is decomposed into unobservables components and the core is defined as the trend component. A comparison is made between the proposed cores measures and that ones currently available in Brazil. The conclusion is that the core inflation disclosed today do not contribute to the understanding of the inflation trend. The two proposed core inflation measures are better suited for this purpose. The core by DCS model is further indicated because its estimation is not affected by lagged information as it happens for the first core measure. In addition, some economic analyzes suggest that the use of the core by DCS model can help the Central Bank in the conduct of monetary policy, since this shows indicative of the future development of the accumulated inflation in the year (measure used to verify the inflation target in Brazil). The two proposed methodologies can easily be recalculated, since implementation codes are freely available to any interested user, and it can also be replicated to other inflation indicators.

[pt] Esta tese propõe uma metodologia de estimativa de pressão de poros em rochasreservatório através dos atributos sísmicos velocidade compressional V(p) e velocidade cisalhante V(s). Na metodologia, os atributos são encarados como observações realizadas sobre um sistema físico, cujo comportamento depende de um determinado número de grandezas não observáveis, dentre as quais a pressão de poros é apenas uma delas. Para estimar a pressão de poros, adota-se uma abordagem Bayesiana de inversão. Através de uma função de verossimilhança, estabelecida através de um modelo de física de rochas calibrável para a região, e do teorema de Bayes, combina- se as informações pré-existentes sobre os parâmetros de rocha, fluido e estado de tensões com os atributos sísmicos observados, inferindo probabilisticamente a pressão de poros. Devido a não linearidade do problema e ao interesse de se realizar uma rigorosa análise de incertezas, um algoritmo baseado em simulações de Monte Carlo (um caso especial do algoritmo de Metropolis- Hastings) é utilizado para realizar a inversão. Exemplos de aplicação da metodologia proposta são simulados em reservatórios criados sinteticamente. Através dos exemplos, demonstra-se que o sucesso da previsão de pressão de poros depende da combinação de diferentes fatores, como o grau de conhecimento prévio sobre os parâmetros de rocha e fluido, a sensibilidade da rocha perante a variação de pressões diferenciais e a qualidade dos atributos sísmicos. Visto que os métodos existentes para previsão de pressão de poros utilizam somente o atributo V(p) , a contribuição do atributo V(s) na previsão é avaliada. Em um cenário de rochas pouco consolidadas (ou em areias), demonstra-se que o atributo V(s) pode contribuir significativamente na previsão, mesmo apresentando grandes incertezas associadas. Já para um cenário de rochas consolidadas, demonstra-se que as incertezas associadas às pressões previstas são maiores, e que a contribuição do atributo V(s) na previsão não é tão significativa quanto nos casos de rochas pouco consolidadas. / [en] This work proposes a method for pore pressure prediction in reservoir rocks through compressional- and shear-velocity data (seismic attributes). In the method, the attributes are considered observations of a physic system, which behavior depends on a several not-observable parameters, where the pore pressure is only one of these parameters. To estimate the pore pressure, a Bayesian inversion approach is adopted. Through the use of a likelihood function, settled through a calibrated rock physics model, and through the Bayes theorem, the a priori information about the not-observable parameters (fluid and rock parameters and stress state) is combined with the seismic attributes, inferring probabilistically the pore pressure. Due the non-linearity of the problem, and due the uncertainties analysis demanding, an algorithm based on Monte Carlo simulations (a special case of the Metropolis- Hastings algorithm) is used to solve the inverse problem. The application of the proposed method is simulated through some synthetic examples. It is shown that a successfully pore pressure prediction in reservoir rocks depends on a set of factors, as how sensitive are the rock velocities to pore pressure changes, the a priori information about rock and fluid parameters and the uncertainties associates to the seismic attributes. Since the current methods for pore pressure prediction use exclusively the attribute compressional velocity V(p), the contribution of the attribute shear velocity V(s) on prediction is evaluated. In a poorly consolidated rock scenario (or in sands), the V(s) data, even with great uncertainties associated, can significantly contribute to a better pore pressure prediction. In a consolidated rock scenario, the uncertainties associated to pore pressure estimates are higher, and the s V data does not contribute to pore pressure prediction as it contributes in a poorly consolidated rock scenario.

[pt] Esta dissertação de mestrado analisa os efeitos de previsão de séries temporais com redes neurais em conjunto com a técnica de poda, denominada de Regularização Bayesiana. Utilizam-se diversas séries simuladas cujo processo gerador é de fato linear para comparar as previsões feitas por meio de modelos auto-regressivos lineares e redes neurais. Apresenta-se,ao final, uma comparação entre os modelos citados acima, segundo à eficiência preditiva de cada um. / [en] This paper studies the performance of neural networks estimated with Bayesian regularization to model and forecast time series where the data generations process is in fact linear. A simulation experiment is carried out to compare the forecast made by linear autoregressive models and neural networks.

[pt] Esta dissertação apresenta o estudo de um método para o planejamento operacional da distribuição de granéis líquidos, que visa à otimização dos recursos corporativos e a redução de custos operacionais. Iniciando pelo conceito da gestão do conhecimento, procura-se extrair as melhores práticas da empresa através da experiência dos seus profissionais. Todas as informações obtidas são estruturadas e organizadas em um sistema de apoio a decisão (SAD), a fim de montar uma base de conhecimento para suportar e assistir os processos de negócio relacionados à distribuição: previsão de demanda, programação de abastecimentos e roteirização de veículos. Baseado em pesquisas bibliográficas fundamentadas em disciplinas relacionadas à análise dos processos supra descritos e, principalmente, no conhecimento adquirido na própria empresa, são sugeridas soluções heurísticas para os problemas de planejamento da distribuição. Com o objetivo de validar a utilização deste método, é apresentado um estudo de caso realizado em uma empresa distribuidora de GLP (Gás Liquefeito de Petróleo), comparando os resultados obtidos antes e depois da sua aplicação. Os indicadores de desempenho adotados pela mesma apresentam os benefícios e valores agregados, ratificando a eficiência do referido método. / [en] This dissertation presents the study of a method for the operational distribution planning of liquid bulks, that aims the optimization of the corporate resources and the operational cost reduction. Starting by the concept of the knowledge management, it pursuits to extract the company`s best practices through the experience of its professionals. All the information obtained are structured and organized in a support decision system (SAD), in order to build a knowledge base to support and to assist the business processes related with the distribution: demand forecast, supply programming and vehicle routing. Based on bibliography researches well-founded in disciplines related with the analysis of the processes described above and, specially, from the knowledge gained in the company, heuristics solutions are proposed for the distribution planning problems. With the purpose of validating this method utilization, it is presented a study case in a LPG distribution company (liquid petroleum gas), comparing the results achieved before and after its application. The key performance indicators adopted present benefits and add values, ratifying the efficiency of the method above mentioned.

[pt] Esta dissertação teve como objetivo desenvolver uma metodologia e aplicá-la à uma cadeia de transporte ferroviário de minério de ferro, de forma a mensurar o impacto da oscilação de preços do minério de ferro nos projetos logísticos envolvendo produção, terminais de carga e descarga, transporte ferroviário e infra-estrutura portuária, de maneira a demonstrar a relevância que a previsibilidade do preço possui no planejamento dos investimentos e na viabilização de projetos em cada etapa da cadeia de exportação desta commodity. Para alcançar o objetivo da pesquisa proposta acima, realizou-se uma breve revisão conceitual dos principais métodos de previsão de preços de commodities e uma descrição dos processos logísticos de cada etapa da cadeia em estudo. Na seqüência, foi apresentado o detalhamento da metodologia e sua aplicação utilizando uma base histórica de preços reais de mercado e custos referenciais da cadeia logística. O resultado da pesquisa permitiu identificar melhor os momentos de risco dos projetos de mineração e aperfeiçoar o processo decisório de investimentos em ativos ferroviários. A nova metodologia permitiu aumentar o nível de precisão da previsão do preço da tonelada de minério de ferro e com isso melhorar o nível de informação sobre a demanda que estimula os projetos logísticos da cadeia envolvida. Foi possível identificar melhor o potencial dos projetos apresentados por empresas de mineração e de empresas entrantes em sua área de atuação, aprimorando a seleção de projetos compartilhados e o processo decisório sobre quais investimentos priorizar no médio e longo prazo. / [en] This work aimed to develop a methodology and apply it to a iron ore railway transport chain in order to measure the impact of transoceanic iron ore price fluctuation in logistics projects involving production, loading and unloading terminals, transport rail and port infrastructure trying to demonstrate the relevance of the market price predictability in the planning of investments and the viability of projects in each step of the supply chain process concerning the exportation of this mineral commodity. To achieve the goal of the research presented above, there was a brief conceptual overview of the main methods of forecasting commodity prices and a description of the logistics processes in each stage of the chain under study. Next, the details of the methodology and its application were presented using a historical basis of real market prices and benchmark supply chain costs. The survey results identified the best moments of risk of mining projects and improve the decision making process of investment in railway assets. The new methodology allowed to increase the assessed level of prediction accuracy of the price per ton of iron ore and thereby improve the level of information that stimulates demand chain logistics projects involved. It was possible to identify the potential of the projects presented by mining companies and new players in their area, improving the selection of projects and shared decision making about which investments to prioritize in medium and long term.

[pt] Prever emprego e desemprego é de grande importância para praticamente todos os agentes de uma economia. Emprego é uma das principais variáveis analisadas como indicador econômico, e desemprego serve para os policy makers como uma orientação às suas decisões. Neste trabalho, eu estudo quais características das duas séries podemos usar para auxiliar no tratamento dos dados e métodos empregados para auxiliar no poder preditivo das mesmas. Eu comparo modelos de machine (Random Forest e Lasso Adaptativo) e Deep (Long short Term memory) learning, procurando capturar as não linearidades e dinâmicas de ambas séries. Os resultados encontrados sugerem que o modelo AR com Random Forest aplicado nos resíduos, como uma maneira de separar parte linear e não linear, é o melhor modelo para previsão de emprego, enquanto Random Forest e AdaLasso com Random Forest aplicado nos resíduos são os melhores para o desemprego. / [en] Forecasting employment and unemployment is of great importance for virtually all agents in the economy. Employment is one of the main variables analyzed as an economic indicator, and unemployment serves to policy makers as a guide to their actions. In this essay, I study what features of both series we can use on data treatment and methods used to add to the forecasting predictive power. Using an AR model as a benchmark, I compare machine (Random Forest and Adaptive Lasso) and deep (Long Short Term Memory) learning methods, seeking to capture non-linearities of both series dynamics. The results suggests that an AR model with a Random Forest on residuals (as a way to separate linear and non-linear part) is the best model for employment forecast, while Random Forest and AdaLasso with Random Forest on residuals were the best for unemployment forecast.