[pt] Métodos de previsão são muito importantes para o desenvolvimento de diversas atividades no cotidiano produtivo de nossa sociedade. Vários modelos estatísticos são desenvolvidos até hoje, contudo possuem muitos pressupostos que devem ser seguidos com o intuito de se obter uma resposta aceitável. Modelos não estatísticos para prever séries temporais como os que envolvem Sistemas de Inferência Fuzzy (SIFs) fornecem uma descrição do processo de previsão por meio de regras linguísticas. Explora-se, nesta dissertação, o GPFIS-Forecast: versão do GPFIS - Sistema de Inferência Fuzzy Genético baseado em Programação Genética Multigênica - para previsão de série temporais univariadas. O modelo apresenta, em sua execução, quatro etapas básicas: Fuzzificação, Inferência, Defuzzificação e Avaliação. Em cada uma destas etapas, pode-se fazer uso de diferentes configurações, com implicações evidentes nos resultados finais. Este trabalho propõe o aperfeiçoamento do GPFIS-Forecast em duas vertentes principais:( i) aumentar a quantidade de possibilidades de configurações, avaliando se podem contribuir significativamente para a acurácia das previsões;(ii) adicionar informações complementares como alternativas para a interpretação do resultado do modelo, tendo como compromisso tanto a acurácia e quanto a interpretabilidade. Os estudos de caso demonstram que, em casos de séries temporais com pouca tendência, o GPFIS-Forecast apresenta uma acurácia entre as 10 melhores da competição NN3; quando há forte tendência, faz-se necessário o uso de pré-processamento, prejudicando a interpretabilidade do resultado. Os Limites de Previsão Fuzzy introduzidos neste trabalho agregam mais informação ao resultado da previsão pontual, apontando possíveis ajustes finais nas bases de regras de modelos com maior granularidade. / [en] Forecasting methods are very important for the development of various activities in everyday society. Several statistical models have been developed, but many assumptions must be made in order to obtain an acceptable response. Nonstatistical models for time series forecasting such as those involving systems Fuzzy Inference Systems (FIS) provide a description of the process through linguistic rules. This dissertation delves into GPFISForecast: a version of GPFIS - Fuzzy Inference System based on Multigene Genetic Programming - for univariate time series forecasting. This model consists of four basic stages: Fuzzification, Inference, Defuzzification and Evaluation. In each of these steps, different configurations will have distinct impacts on the results. This work proposes the improvement of GPFIS-Forecast along two main lines (i) increase the amount of possible configurations and assess their contribution to a better forecasting accuracy and (ii) add further information to the interpretation of results, keeping in mind both accuracy and interpretability. The case studies show that in the case of time series with small tendency, GPFIS-Forecast provides a good accuracy; when tendency is larger and pre-processing becomes necessary, interpretability is affected. The Fuzzy Forecasting Limits introduced here add more information to the result, pointing to possible adjustments to rule bases of models with greater granularity.

[pt] Sistemas Fuzzy-Genéticos compreendem uma área que une Sistemas de Inferência Fuzzy e Meta-Heurísticas prevalentes nos conceitos de seleção natural e recombinação genética. Esta é de grande interesse para a comunidade científica, pois propicia a descoberta de conhecimento em áreas onde a compreensão do fenômeno em estudo é exíguo, além de servir de apoio à decisão para gestores público-privados. O objetivo desta dissertação é desenvolver um novo Sistema Fuzzy-Genético Genérico, denominado Genetic Programming Fuzzy Inference System (GPFIS). O principal aspecto do modelo GPFIS são as componentes do seu processo de Inferência Fuzzy. Esta estrutura é composta em sua base pela Programação Genética Multigênica e pretende: (i ) possibilitar o uso de operadores de agregação, negação e modificadores linguísticos de forma simplificada; (ii ) empregar heurísticas de definição do consequente mais apropriado para uma parte antecedente; e (iii ) usar um procedimento de defuzzificação, que induzido pela forma de fuzzificação e sobre determinadas condições, pode proporcionar uma estimativa mais acurada. Todas estas são contribuições que podem ser estendidas a outros Sistemas Fuzzy-Genéticos. Para demonstrar o aspecto genérico, o desempenho e a importância de cada componente para o modelo proposto, são formuladas uma série de investigações empíricas. Cada investigação compreende um tipo de problema: Classificação, Previsão, Regressão e Controle. Para cada problema, a melhor configuração obtida durante as investigações é usada no modelo GPFIS e os resultados são comparados com os de outros Sistemas Fuzzy-Genéticos e modelos presentes na literatura. Por fim, para cada problema é apresentada uma aplicação detalhada do modelo GPFIS em um caso real. / [en] Genetic Fuzzy Systems constitute an area that brings together Fuzzy Inference Systems and Meta-Heuristics that are often related to natural selection and genetic recombination. This area attracts great interest from the scientific community, due to the knowledge discovery capability in situations where the comprehension of the phenomenon under analysis is lacking. It can also provides support to decision makers. This dissertation aims at developing a new Generic Genetic Fuzzy System, called Genetic Programming Fuzzy Inference System (GPFIS). The main aspects of GPFIS model are the components which are part of its Fuzzy Inference procedure. This structure is basically composed of Multi-Gene Genetic Programming and intends to: (i ) apply aggregation operators, negation and linguistic hedges in a simple manner; (ii ) make use of heuristics to define the consequent term most appropriate to the antecedent part; (iii ) employ a defuzzification procedure that, driven by the fuzzification step and under some assumptions, can provide a most accurate estimate. All these features are contributions that can be extended to other Genetic Fuzzy Systems. In order to demonstrate the general aspect of GPFIS, its performance and the relevance of each of its components, several investigations have been performed. They deal with Classification, Forecasting, Regression and Control problems. By using the best configuration obtained for each of the four problems, results are compared to other Genetic Fuzzy Systems and models in the literature. Finally, applications of GPFIS actual cases in each category is reported.