1 |
[en] TRANSFORMATION AND ESTIMATION OF PARAMETERS TOWARDS THE FORECASTING OF TIME-SERIES / [pt] TRANSFORMAÇÃO E ESTIMAÇÃO DE PARÂMETROS PARA MODELOS ADAPTADOS A PREVISÕES DE SERIES TEMPORAISROBERTO PEREIRA D ARAUJO 06 August 2009 (has links)
[pt] O presente trabalho é inteiramente baseado na teoria de modelagem de series temporais, proposta por BOX & JENKINS em Time Series Analysis: Forecasting and Control. (1970). E dado ênfase ao problema de transformação e estimação de parâmetros, com vistas a previsão de series temporais. O trabalho apresenta um conjunto de programas para aplicação das técnicas desenvolvidas. Em particular é tratado o caso de uma serie hidrológica de vazões do Rio Grande, Brasil, nos últimos 40 anos. / [en] The present paper is totally based upon the theory of time series modeling, presented by
BOX & JENKINS in Time Series Analysis: Forecasting and Control. (1970). Enphasis is given to the problem of tranformation and estimation of parameters, with the objective to forecast time series. This paper presents a set of programs for pratical applications of the techniques developped. The case of a hidrologic time series of inflows of Rio Grande, Brasil is included.
|
2 |
[en] MAXIMUM LIKELIHOOD RATIO TEST IN TIME SERIES IDENTIFICATION / [pt] TESTE DE RAZÃO DE VEROSSIMILHANÇA GENERALIZADO NA IDENTIFICAÇÃO DE SÉRIES TEMPORAISJOSE MAURO PEDRO FORTES 27 August 2009 (has links)
[pt] Muito freqüentemente, as técnicas utilizadas na identificação de processos estocásticos conduzem a mais de um modelo passível de ser utilizado na caracterização do processo. O problema de escolher entre estes modelos é formulado como um problema de teste de hipóteses, e o teste de razão de verossimilhança é a ele aplicado. Considera-se então a situação particular onde se quer descrever processos de parâmetro discreto (séries temporais) através de modelos ARIMA (autoregressive Integrated Moving Average). O teste de razão de verossimilhança associado ao problema é então deduzido e implementado através do algoritmo de Kalman-Bucy. Comparações com um outro teste usualmente empregado na escolha de modelos para séries temporais mostram a superioridade do teste de razão de verossimilhança. / [en] Very often random process identification techniques lead to several prospective models to characterize the process. The problem of choosing among these models is cast as a hypothesis testing problem, to which a likelihood ratio test is applied. For the special situation in which a choice between two autoregressive integrated moving average models is to made, likelihood ratio is derived and afterwards implemented through the Kalman-Bucy algorithm. Comparisons with another procedure usually connected to time series model choices show likelihood ratio tests are definetely superior.
|
3 |
[pt] GERAÇÃO DE CENÁRIOS SINTÉTICOS COM GRANULARIDADE HORÁRIA PARA PRODUÇÃO ENERGÉTICA DE USINAS DE BIOMASSA / [en] SYNTHETIC SCENARIOS GENERATION WITH HOURLY GRANULARITY FOR ENERGY PRODUCTION FROM BIOMASS POWER PLANTSGABRIEL CALVO MARTINEZ 26 October 2021 (has links)
[pt] As fontes renováveis de energia tem adquirido grande relevância no
contexto mundial devido as diretrizes tomadas pelas políticas globais. Embora
sejam termoelétricas, as usinas a biomassa são consideradas fontes de energia
renováveis por manter os níveis de gás carbônico na atmosfera. Além disso, as
usinas termoelétricas têm mais autonomia na geração do que as demais fontes
renováveis como hidrelétricas, eólicas e solares que dependem de incertezas
como vazões de água, velocidade do vento e irradiação solar, respectivamente.
Este conjunto de características torna a biomassa uma fonte de energia
indispensável para futuros planejamentos de operação do sistema. No entanto,
esta fonte apresenta períodos intermitentes por estar usualmente atrelada a
cultura de cana-de-açúcar. Poucos são os estudos de previsão e simulação desta
fonte de energia. Dessa forma, a dissertação visa a implementação do modelo
de cadeias de Markov com simulações de Monte Carlo. / [en] Renewable energy sources have acquired great relevance in the world
context due to the guidelines taken by global policies. Although they are
thermoelectric, biomass power plants are considered renewable energy sources
because they maintain the levels of carbon dioxide in the atmosphere. In
addition, thermoelectric plants have more autonomy in generation than other
renewable sources such as hydro, wind and solar, which depend on uncertainties
such as water flow, wind speed and solar irradiation, respectively. This set
of characteristics makes biomass an indispensable energy source for future
system operation planning. However, this source has intermittent periods as it
is usually linked to the sugarcane crop. There are few prediction and simulation
studies of this energy source. Thus, the dissertation aims to implement the
Markov chain model with Monte Carlo simulations.
|
4 |
[pt] EXPLORANDO NOVOS MÉTODOS PARA REALIZAR BAGGING COM AMORTECIMENTO EXPONENCIAL / [en] EXPLORING NEW METHODS TO PERFORM BAGGING WITH EXPONENTIAL SMOOTHINGDAVID SOUZA PINTO 07 December 2020 (has links)
[pt] Métodos de amortecimento exponencial são formulações versáteis para
a previsão de séries temporais univariadas, desenvolvidas na década de 1960.
Modelos mais recentes têm feito uso do bagging para melhorar a qualidade das
previsões. Um destes, o BaggedETS, desenvolvido em 2016, trouxe melhorias
na qualidade de previsão e está disponível na biblioteca forecast para R. Uma
proposta posterior, BaggedClusterETS, adicionou uma etapa de clustering
e validação para tratar o efeito da covariância associada ao uso do bagging,
resultando em ganhos adicionais de performance. Este trabalho explora três
extensões dos métodos supracitados e seus efeitos: o primeiro estuda os efeitos
do maximum entropy bootstrap na realização do BaggedETS. O segundo
explora diferentes medidas de dissimilaridade para construir os clusters do
BaggedClusterETS. O terceiro emprega uma versão simplificada do BaggedClusterETS,
removendo as etapas de validação e seleção, empregando apenas os medóides para realizar o bagging. Para testar estas propostas, 21 séries temporais da aviação civil e demanda energética foram empregadas. / [en] Exponential smoothing methods are flexible procedures for univariate
time series forecasting, developed in the 1960 s. Most recent developments
based on these models use bagging to improve forecast quality. One of these
implementations, BaggedETS, developed in 2016, brought improvements in
forecast quality and is distributed through the forecast package for R. A posterior implementation, BaggedClusterETS, adds clustering and validation
steps to address the covariance effect associated with bagging. The proposal
resulted in further accuracy improvements. This work delves into three extensions
of the aforementioned methods: the first studies the effects of the maximum
entropy bootstrap on the BaggedETS. The second explores different
dissimilarity measures to construct the clusters in BaggedClusterETS. The
third studies a simplified version of BaggedClusterETS, where the validation
and selection steps are removed, and using only the medoids for bagging.
To test these proposals, 21 time series from civil aviation and energy consumption were used.
|
5 |
[pt] PREVISÃO DE ESTOQUE DE PEÇAS ELETRÔNICAS SOBRESSALENTES / [en] STOCK FORECASTING FOR ELETRONICS SPARE PARTSGUILHERME DE SOUSA NEVES 19 February 2008 (has links)
[pt] Existe consenso entre os pesquisadores de que o modelo de
séries
temporais não é adequado para previsão de peças de
reposição. Entretanto, a
maioria das ferramentas de previsão existentes no mercado
emprega o modelo de
séries temporais. Este trabalho apresenta a distribuição
de Poisson como
alternativa para a previsão de estoque de peças
eletrônicas de reposição. A partir
de noções básicas de gestão de estoques utilizando séries
temporais e dos
conceitos de confiabilidade, disponibilidade e do Processo
de Poisson é proposto
um modelo alternativo. Com o uso de exemplos reais são
apresentados os
resultados da aplicação do modelo proposto e a comparação
com o modelo SAGA,
que utiliza séries temporais. A principal característica
do modelo proposto é o uso
da distribuição de Poisson e a Taxa de Falhas real como
principais parâmetros de
cálculo. A análise dos resultados mostrou que é possível
reduzir os erros de
previsão, o custo de estoque e o número de pedidos não
atendidos, com
conseqüente aumento da Disponibilidade Operacional. / [en] There is a consensus that time series model is not
appropriate in
forecasting replacement parts. However most of market used
forecasting tools are
time series models. This work presents Poisson
distribution as an alternative to
forecast replacement parts on electronic equipments. From
basic stock
management notions, using time series and trust concepts
of reliability,
availability, and Poisson Process, an alternative model is
proposed. Using real
examples, the result from proposed model and its
comparison to SAGA model,
which is based on time series, is presented. The major
characteristic of the
proposed model is the application of Poisson distribution,
and the real faults rate
as the main calculus parameters. The analyses results have
shown that is possible
to reduce forecasting errors, therefore the stock cost,
and the reduction of back
orders amount, increasing the Operational availability.
|
6 |
[pt] MEDIDAS DE SIMILARIDADE ENTRE SÉRIES TEMPORAIS / [en] TIME SERIES SYMILARITY MEASURESJOSE LUIZ DO NASCIMENTO DE AGUIAR 27 October 2016 (has links)
[pt] Atualmente, uma tarefa muito importante na mineração de dados é compreender como extrair os dados mais informativos dentre um número muito grande de dados. Uma vez que todos os campos de conhecimento apresentam uma grande quantidade de dados que precisam ser reduzidas até as informações mais representativas, a abordagem das séries temporais é definitivamente um método muito forte para representar e extrair estas informações. No entanto nós precisamos ter uma ferramenta apropriada para inferir os dados mais significativos destas séries temporais, e para nos ajudar, podemos utilizar alguns métodos de medida de similaridade para saber o grau de igualdade entre duas séries temporais, e nesta pesquisa nós vamos realizar um estudo utilizando alguns métodos de similaridade baseados em medidas de distância e aplicar estes métodos em alguns algoritmos de clusterização para fazer uma avaliação de se existe uma combinação (método de similaridade baseado em distância / algoritmo de clusterização) que apresenta uma performance melhor em relação a todos os outros utilizados neste estudo, ou se existe um método de similaridade baseado em distância que mostra um desempenho melhor que os demais. / [en] Nowadays a very important task in data mining is to understand how to collect the most informative data in a very amount of data. Once every single field of knowledge have lots of data to summarize in the most representative information, the time series approach is definitely a very strong way to represent and collect this information from it (12, 22). On other hand we need to have an appropriate tool to extract the most significant data from this time series. To help us we can use some similarity methods to know how similar is one time series from another In this work we will perform a research using some distance-based similarity methods and apply it in some clustering algorithms to do an assessment to see if there is a combination (distance-based similarity methods / clustering algorithm) that present a better performance in relation with all the others used in this work or if there exists one distancebased similarity method that shows a better performance between the others.
|
7 |
[en] THE USE OF DECISION TREES, NEURAL NETWORKS AND KNN SYSTEMS TO AUTOMATICALLY IDENTIFY BOX & JENKINS NON-SEASONAL AND SEASONAL STRUCTURES / [pt] UMA APLICAÇÃO DE ÁRVORES DE DECISÃO, REDES NEURAIS E KNN PARA A IDENTIFICAÇÃO DE MODELOS ARMA NÃO-SAZONAIS E SAZONAISLUIZA MARIA OLIVEIRA DA SILVA 19 December 2005 (has links)
[pt] A metodologia Box & Jenkins tem sido mais utilizada para
fazer
previsões do que outros métodos até então. Alguns
analistas têm relutado,
entretanto, em usar esta metodologia, em parte porque a
identificação da
estrutura adequada é uma tarefa complexa. O reconhecimento
tanto dos padrões
de comportamento das funções de autocorrelação quanto da
autocorrelação
parcial (teórica/estimada) dependem da série temporal
através da qual é possível
extraí-las. Uma vez obtidos os resultados, pode-se inferir
qual o tipo de
estrutura Box & Jenkins adequada para a série. A proposta
do trabalho é
desenvolver três novas metodologias de identificação
automática das estruturas
Box & Jenkins ARMA simples e/ou sazonais, identificar os
filtros sazonal e
linear da série de uma forma menos complexa. A primeira
metodologia utiliza
árvores de decisão, a segunda, redes neurais e a terceira,
K-Nearest Neighbor
(KNN). A estas metodologias serão utilizadas as estruturas
Box & Jenkins
sazonais de períodos 3, 4, 6 e 12 e não sazonais. Os
resultados são aplicados a
séries simuladas, bem como a séries reais. Como
comparação, utilizou-se o
método automático de identificação proposto no software
FPW-XE. / [en] The Box & Jenkins is the most popular forecasting
technique. However,
some researchers have not embraced it because the
identification of its structure is
highly complex. The process of proper characterizing the
properties of both
autocorrelation functions and partial correlation
(theoretical or estimated) depends
on the time series from which they are being obtained.
Given the results in
question, it is possible to infer the proper Box & Jenkins
structure for the time
series being studied. For the reasons above, the goal of
this dissertation is to
develop three new methodologies to identifying, in an
automatic fashion, the Box
& Jenkins structure of an ARMA series. The methodologies
identify, in a simpler
manner, both the seasonal and linear filters of the
series. The first methodology
applies the decision tree. The second applies the neural
networks. The third
applies the K-Nearest Neighbor (KNN). In each of them the
Box & Jenkins
seasonal structures of 3, 4, 6 and 12 periods were used,
as well as the nonseasonal
structure. The results are applied to simulated and actual
series. For
comparison purposes, the automatic identification
procedure of the software
FPW-XE is also used.
|
8 |
[pt] CLASSIFICAÇÃO DE RESERVATÓRIO UTILIZANDO DADOS DA DERIVADA DE PRESSÃO DE TESTE DE POÇOS / [en] RESERVOIR CLASSIFICATION USING WELL-TESTING PRESSURE DERIVATIVE DATAANDRE RICARDO DUCCA FERNANDES 29 June 2021 (has links)
[pt] Identificar o modelo de um reservatório é o primeiro passo para interpretar corretamente os dados gerados em um teste de poços e desta forma estimar os parâmetros relacionados a esse modelo. O objetivo deste trabalho é de forma inversa, utilizar as curvas de pressão obtidas em um teste de poços, para identificar o modelo de um reservatório. Como os dados obtidos em um teste de poços podem ser ordenados ao longo do tempo, nossa abordagem será reduzir essa tarefa a um problema de classificação de séries
temporais, onde cada modelo de reservatório representa uma classe. Para tanto, foi utilizada uma técnica chamada shapelet, que são subsequências de uma série temporal que representam uma classe. A partir disso, foi construído um novo feature space, onde foi medida a distância entre cada série
temporal e as shapelets de cada classe. Então foi criado um comitê de votação utilizando os modelos k-nearest neighbors, decision tree, random forest, support vector machines, perceptron, multi layer perceptron e adaboost. Foram testados os pré-processamentos standard scaler, normalizer, robust
scaler, power transformer and quantile transformer. Então a classificação foi feita no novo feature space pré-processado. Geramos 10 modelos de reservatório multiclass analíticos para validação. Os resultados revelam que o uso de modelos clássicos de aprendizado de máquina com shapelets, usando
os pré-processamentos normalizer e quantile trasformer alcança resultados sólidos na identificação dos modelos de reservatório. / [en] Identifying a reservoir model is the first step to correctly interpret the data generated in a well-test and hence to estimate the related parameters to this model. The goal of this work is inversely to use the pressure curves, obtained in a well-test, to identify a reservoir model. Since the data obtained in a well-test can be ordered over time, we reduce this task to a problem of time series classification, where every reservoir model represents a class. For that purpose, we used a technique called shapelets, which are
times series subsequences that represent a class. From that, a new feature space was built, where we measured the distance between every time series and the shapelets of every class. Then we created an ensemble using the models k-nearest neighbors, decision tree, random forest, support vector machines, perceptron, multi-layer perceptron, and adaboost. The preprocessings standard scaler, normalizer, robust scaler, power transformer, and quantile transformer were tested. Then the classification was performed on
the new preprocessed feature space. We generated 10 analytical multiclass reservoir models for validation. The results reveal that the use of classical machine learning models with shapelets, using the normalizer and quantile transformer preprocessing, reaches solid results on the identification of reservoir models.
|
9 |
[pt] MODELOS COM MÚLTIPLOS REGIMES PARA SÉRIES TEMPORAIS: LIMIARES, TRANSIÇÕES SUAVES E REDES NEURAIS / [en] REGIME-SWITCHING MODELS: THRESHOLDS, SMOOTH TRANSITIONS, AND NEURAL NETWORKSMARCELO CUNHA MEDEIROS 30 November 2005 (has links)
[pt] O objetivo desta tese é apresentar modelos mais flexíveis
com troca de regimes, combinando as idéias provenientes
dos modelos com limiar, com transição suave e redes
neurais. Os modelos aqui discutidos possuem múltiplos
regimes e a transição entre eles é controlada por uma
combinação linear de variáveis conhecidas. Um procedimento
de modelagem, baseada no trabalho de Teräsvirta e Lin
(1993), Eiterheim e Teräsvirta (1996), e Rech, Teräsvirta
e Tschernig (1999), consistindo das etapas de
especificação, estimação e avaliação, foi desenvolvido,
desta forma possibilitando ao analista de séries temporais
escolher entre diferentes alternativas durante o processo
de modelagem. / [en] The goal of this thesis is to propose more flexible
regime-switching models combining
the ideas from the SETAR, STAR, and ANN specifications.
The models discussed in this
thesis are models with multi-regimes and with the
transition between regimes controlled by
a linear combination of known variables. A modelling
cycle procedure, based on the work
of Teräsvirta and Lin (1993), Eitrheim and Teräsvirta
(1996), and Rech, Teräsvirta and
Tschernig (1999), consisting of the stages of model
specification, parameter estimation,
and model evaluation, is developed allowing the
practitioner to choose among different
alternatives during the modelling cycle. Monte-Carlo
simulations and real applications
are used to evaluate the performance of the techniques
developed here and they suggested
that the theory is useful and the proposed models thus
seems to be an effective tool for
the practicing time series analysts.
|
10 |
[en] GETTING THE MOST OUT OF THE WISDOM OF THE CROWDS: IMPROVING FORECASTING PERFORMANCE THROUGH ENSEMBLE METHODS AND VARIABLE SELECTION TECHNIQUES / [pt] TIRANDO O MÁXIMO PROVEITO DA SABEDORIA DAS MASSAS: APRIMORANDO PREVISÕES POR MEIO DE MÉTODOS DE ENSEMBLE E TÉCNICAS DE SELEÇÃO DE VARIÁVEISERICK MEIRA DE OLIVEIRA 03 June 2020 (has links)
[pt] A presente pesquisa tem como foco o desenvolvimento de abordagens híbridas que combinam algoritmos de aprendizado de máquina baseados em conjuntos (ensembles) e técnicas de modelagem e previsão de séries temporais. A pesquisa também inclui o desenvolvimento de heurísticas inteligentes de seleção, isto é, procedimentos capazes de selecionar, dentre o pool de preditores originados por meio dos métodos de conjunto, aqueles com os maiores potenciais de originar previsões agregadas mais acuradas. A agregação de funcionalidades de diferentes métodos visa à obtenção de previsões mais acuradas sobre o comportamento de uma vasta gama de eventos/séries temporais.
A tese está dividida em uma sequência de ensaios. Como primeiro esforço, propôsse um método alternativo de geração de conjunto de previsões, o que resultou em previsões satisfatórias para certos tipos de séries temporais de consumo de energia elétrica. A segunda iniciativa consistiu na proposição de uma nova abordagem de previsão combinando algoritmos de Bootstrap Aggregation (Bagging) e técnicas de regularização para se obter previsões acuradas de consumo de gás natural e de abastecimento de energia
em diferentes países. Uma nova variante de Bagging, na qual a construção do conjunto de classificadores é feita por meio de uma reamostragem de máxima entropia, também foi proposta. A terceira contribuição trouxe uma série de inovações na maneira pela qual são conduzidas as rotinas de seleção e combinação de modelos de previsão. Os ganhos em acurácia oriundos dos procedimentos propostos são demonstrados por meio de um experimento extensivo utilizando séries das Competições M1, M3 e M4. / [en] This research focuses on the development of hybrid approaches that combine ensemble-based supervised machine learning techniques and time series methods to obtain accurate forecasts for a wide range of variables and processes. It also includes the development of smart selection heuristics, i.e., procedures that can select, among the pool of forecasts originated via ensemble methods, those with the greatest potential of delivering accurate forecasts after aggregation. Such combinatorial approaches allow the
forecasting practitioner to deal with different stylized facts that may be present in time series, such as nonlinearities, stochastic components, heteroscedasticity, structural breaks, among others, and deliver satisfactory forecasting results, outperforming benchmarks on many occasions.
The thesis is divided into a series of essays. The first endeavor proposed an alternative method to generate ensemble forecasts which delivered satisfactory forecasting results for certain types of electricity consumption time series. In a second effort, a novel forecasting approach combining Bootstrap aggregating (Bagging) algorithms, time series methods and regularization techniques was introduced to obtain accurate forecasts of natural gas consumption and energy supplied series across different countries. A new
variant of Bagging, in which the set of classifiers is built by means of a Maximum Entropy Bootstrap routine, was also put forth. The third contribution brought a series of innovations to model selection and model combination in forecasting routines. Gains in accuracy for both point forecasts and prediction intervals were demonstrated by means of an extensive empirical experiment conducted on a wide range of series from the M- Competitions.
|
Page generated in 0.0349 seconds