Spelling suggestions: "subject:"aox anda jenkins"" "subject:"aox anda tenkins""
11 |
[en] UNIVARIATE TECHNIQUES PERFECTED FOR THE ELECTRIC LOAD FORECAST OF SHORT STATED PERIOD FROM HOURLY DATA / [pt] TÉCNICAS UNIVARIADAS APERFEIÇOADAS PARA A PREVISÃO DE CURTÍSSIMO PRAZO PARTIR DE DADOS HORÁRIOSGLAUCIA DE PAULA FALCO 20 April 2006 (has links)
[pt] O ONS (operador nacional do sistema elétrico brasileiro)
vem utilizando o software ANNSTLF produzido pelo
EPRI/EUA
(Eletrical Power Research Institute) para realizar a
previsão do consumo de carga horária. Entretanto, as
estimativas fornecidas pelo programa estão fundamentadas
na metodologia de uma rede neural que, de certo modo,
impede ao usuário de extrair uma maior interpretação dos
resultados que são fornecidos pela rede. Assim sendo,
este
trabalho pesquisou os métodos univariados convencionais:
Holt-Winters e Box e Jenkins, considerando suas
formulações aperfeiçoadas e adaptadas às características
próprias do tipo de série em questão. Isto é, assumindo
a
existência de dois ciclos sazonais: um diário e outro
semanal. A vantagem destas técnicas univariadas, em
comparação ao ANNSTLF, é principalmente a
interpretabilidade das informações obtidas. Dessa forma,
esta pesquisa permite também avaliar melhor o desempenho
do ANNSTLF. / [en] The ONS (National Operator of the Brazilian electrical
system) has been using the software ANNSTLF produced by
EPRI/USA (Eletrical Power Research Institute) to carry out
the forecast of the hourly load consumption. However, the
estimates supplied by the program are based on the
methodology of a neural net that, in a way, does not allow
the user to extract a better interpretation of the results
produced by the net. Therefore, investigates the
conventional univaried methods: Holt-Winters and Box &
Jenkins, considering its formulations perfected and
adapted to the characteristics of the series understudy.
That is, its assumed the existence of two seasonal cicles:
daily and weekly. The advantage of these univariate
techniques, in comparison to the ANNSTLF, is mainly the
ability to interpret the model estimates. Also, this
research also allows a better evaluation the performance
of the ANNSTLF.
|
12 |
Previsão de médio prazo do consumo de energia elétrica no Brasil: estimação via metodologia box & jenkins e regressão dinâmicaDias, Eduardo Dessupoio Moreira 29 February 2008 (has links)
Submitted by Renata Lopes (renatasil82@gmail.com) on 2016-10-13T13:49:58Z
No. of bitstreams: 1
eduardodessupoiomoreiradias.pdf: 568521 bytes, checksum: c10ad96e85dfa6ce7e0e40283959ac29 (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2016-10-22T12:56:13Z (GMT) No. of bitstreams: 1
eduardodessupoiomoreiradias.pdf: 568521 bytes, checksum: c10ad96e85dfa6ce7e0e40283959ac29 (MD5) / Made available in DSpace on 2016-10-22T12:56:14Z (GMT). No. of bitstreams: 1
eduardodessupoiomoreiradias.pdf: 568521 bytes, checksum: c10ad96e85dfa6ce7e0e40283959ac29 (MD5)
Previous issue date: 2008-02-29 / O objetivo principal desta dissertação é estimar um modelo para a previsão
mensal do consumo de energia elétrica no Brasil. Foi utilizada na construção do
modelo uma estratégia bottom-up, ou seja, inicialmente, com o uso da metodologia
Box & Jenkins, estimou-se um modelo simples auto-projetivo que pudesse fornecer
informações sobre o comportamento da série em questão. Num segundo momento,
estimou-se um modelo de regressão dinâmica, onde se procurou relacionar o
consumo de energia elétrica no país com outras possíveis variáveis causais. Nesta
dissertação também é feito um estudo sobre a evolução do setor elétrico no Brasil,
enfatizando-se as reformas ocorridas em meados dos anos 1990, o que deu origem
ao chamado “novíssimo” modelo institucional do setor elétrico brasileiro.
Com a metodologia Box & Jenkins, foi encontrado um modelo SARIMA (0,1,0)
x (1,0,0)12 e o modelo de regressão dinâmica indicou que o consumo de energia
elétrica no Brasil está relacionado, dentre outros fatores, ao nível de atividade
econômica do país. Por fim, foram feitos testes dentro e fora da amostra, com o
objetivo de comparar os modelos obtidos, e projeções de consumo para os meses
do ano de 2008. / The main point of this dissertation is to find a monthly forecasting model to the
Brazilian of electric energy consumption. The methodology consists of the
construction of a model using a buttom-up strategy. In other words, it was first
adjusted a Box & Jenkins model; i.e., a simple univariate model that could give
information about the behavior of the series. Then, a dynamic regression model was
fitted which relates brazilian electric energy consumption to all possible explanatory
variable. In this dissertation, it was also carried out a study of the Brazilian electricity
sector evolution, emphasizing the changes occurred in the nineties, that originated
the so called “brand new” institutional model of the Brazilian electricity sector.
By mean of the Box & Jenkins method, a SARIMA model (0,1,0) X (1,0,0)12
was found, and the dynamic regression model shows that the consumption of
electricity in Brazil is related, among others factors, to the level of the economic
activities in the country. Finally, tests in and out of sample were made, with the
objective of comparing the obtained models, and the monthly forecasts for the 2008
months were produced by the selected model.
|
13 |
[pt] MODELAGEM HÍBRIDA WAVELET INTEGRADA COM BOOTSTRAP NA PROJEÇÃO DE SÉRIES TEMPORAIS / [en] MODELING HYBRID WAVELET INTEGRATED WITH BOOTSTRAP IN PROJECTION TEMPORAL SERIESRICARDO VELA DE BRITTO PEREIRA 31 March 2016 (has links)
[pt] Na previsão de séries temporais, alguns autores supõem que um método de previsão individual (por exemplo, um modelo ARIMA) produz resíduos (ou erros de previsão) semelhantes a um processo de ruído branco (imprevisível). No entanto, principalmente devido às estruturas de autodependência não mapeadas por um método preditivo individual, tal suposição pode ser facilmente violada na prática. Esta tese propõe um Previsor Híbrido Wavelet (PHW) que integra as seguintes técnicas: decomposição wavelet; modelos ARIMA; redes neurais artificiais (RNAs); combinação de previsões; programação matemática não linear e amostrador Bootstrap. Em termos gerais, o PHW proposto aqui é capaz de capturar, ao mesmo tempo, estruturas com autodependência linear por meio de uma combinação linear wavelet (CLW) de modelos ARIMA, (cujo ajuste numérico ótimo ocorre por programação matemática não linear) e não linear (usando uma RNA wavelet automática) exibidas pela série de tempo a ser predita. Diferentemente de outras abordagens híbridas existentes na literatura, as previsões híbridas produzidas pela PHW proposto levam em conta implicitamente, através da abordagem de decomposição wavelet, as informações oriundas da frequência espectral presentes na série temporal subjacente. Os resultados estatísticos mostram que a metodologia híbrida supracitada alcançou ganhos de precisão relevantes no processo preditivo de quatro séries de tempo diferentes bem conhecidas, quando se compara com outras meteorologistas competitivas. / [en] In time series analysis some authors presume that a single model (an ARIMA for instance) may yield white noise errors. However that assumption can be easily violated, especially in scenarios where unmapped auto dependency structures are present inside the series. With that being said, this thesis proposes a new approach called Hybrid Wavelet Predictor (HWP) which integrates the following techniques: Wavelet Decomposition, ARIMA models, Neural Networks (NN), Combined Prediction, Non-linear mathematical programming and Bootstrap Sampling. In a broad sense, the proposed HWP is able to capture not only the linear auto-dependent structures from ARIMA using linear wavelet combination (where its optimal numerical adjustment is made through non-linear mathematical programming), but also the non-linear structures by using Neural Network. Differently from others hybrid approaches known to date, the hybrid predictions given by HWP model take into account. Statistical tests show that the hybrid approach stated above increased the prediction s effectiveness by a significant amount when compared with four well known processes.
|
14 |
[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.
|
15 |
Short-Term Forecasting of Power Flows over Major Pacific Northwestern Interties: Using Box and Jenkins ARIMA MethodologyParetkar, Piyush S. 17 November 2008 (has links)
The deregulation of the Electricity Sector in US has led to a tremendous increase in the inter-regional wholesale electricity trade between neighboring utilities or regions. For instance, the generation deficit regions may choose to import power from surplus regions; thus the wholesale electricity market prices in the regions are also affected by the dynamics of its electricity trade with other regions. Valuable insights into such imports/exports ahead of time have become crucial market intelligence for the various academicians and the market players associated with the industry. In this thesis, the task of short-term forecasting of the power flows over three major transmission interties of the Pacific Northwest region, namely the Pacific AC Intertie, the Pacific DC Intertie and the Northern Intertie, is successfully accomplished. The Pacific AC and the Pacific DC interties connect the Pacific Northwest region of US with the state of California. The Northern Intertie is the only intertie connecting the British Columbia region in Canada with the Pacific Northwest US. Box-Jenkins ARIMA (Auto Regressive Integrated Moving Average) and Transfer function methodologies are used as the statistical tools to identify the forecasting models in this thesis. The data requirement for all of the models is restricted to publicly available data. / Master of Science
|
16 |
Pesquisa sobre o efeito de fenômenos solares no potencial energético solar-eólico / Research on the effect of solar phenomena in the solar-wind energy potentialMarafiga, Eduardo Bonnuncielli 11 September 2015 (has links)
This thesis analyzes the monthly data from historical series of the heat stroke
cycles, solar radiation and average wind speeds in the 1961 and 2008 period to
identify long-term inaccuracies in the location of both wind and solar sources. The
state of Rio Grande do Sul-Brazil, was chosen as a case study, to estimate the
behavioral trend of these variables and compare them with the measured data,
testing the homogeneity of information. Therefore, it aims at improving the long-term
prognosis in locating projects of solar power generation plants. The analysis of these
climatic variables was carried out using ARIMA models (autoregressive integrated
moving average models) as well as the Box & Jenkins methodology and seasonality
studies with the X11 ARIMA models with 5% statistical significance. In this study, the
period between 1961 and 2011 indicated that heat stroke rates were not enough to
overcome the values recorded in the 1960s and 1970s, when the percentages were
in most months 1% below the historical average. The observed heat stroke data
suggest decreasing trends in the 1980s and 1990s, due to the presence of the
phenomenon called "global dimming", which contributed to lower levels of solar
radiation.!A possible structural break has been found in the wind series from August
2001 through the CUSUMQ test (cumulative sum of squares of recursive waste) and
the Lane et al test. (2002), leading to higher values and overestimating the final
prognosis of wind power. A decrease in the average wind speed was also observed
from 2003 to 2011 during six months of these years.!The spring season, often with
the highest wind potential had the highest mean decrease while the season with the
lowest wind potential, fall, had the opposite behavior during the studied period. By spectral analysis, performed by Fourier method, the time series of sunshine and solar
radiation also showed cycles with possible ranges of influence on measurements of
the solar energy potential. Such temporal variations in the data, indicate that possible
locations for the wind and photovoltaic plants may be seriously affected since longterm
weather fluctuations can vary significantly even at the best location selected to
generate electricity. / Esta tese analisa os dados mensais das séries históricas dos ciclos de
insolação, radiação solar e velocidade média dos ventos para melhorar o
prognóstico de longo prazo na localização de áreas para fontes eólicas e solares de
geração de potência elétrica. Como estudo de caso, tomou-se o período de dados
de 1961 a 2008 para definir imprecisões de longo prazo que podem ocorrer no
estado do Rio Grande do Sul, Brasil, na estimativa da tendência comportamental das
variáveis meteorológicas e compará-las com dados medidos, testando assim, a
homogeneidade das informações. As análises das variáveis climáticas foram
realizadas através de modelos ARIMA (modelos autorregressivos integrados de
média móvel), por meio da metodologia Box & Jenkins e do estudo da sazonalidade
com modelos X11 ARIMA em níveis de significância estatística de 5%. Neste estudo,
o período entre 1961 e 2011 indicou que os índices de insolação não foram
suficientes para superar os valores verificados nas décadas de 1960 e 1970, em que
os percentuais foram na maioria dos meses da ordem de -1% abaixo da média
histórica. Os dados observados da insolação sugerem tendências decrescentes nas
décadas de 1980 e 1990, pela presença do fenômeno global dimming sobre o
estado do Rio Grande do Sul contribuindo para menores níveis de radiação solar.
Foi constatada também uma possível quebra estrutural na série eólica em agosto de
2001 através do teste CUSUMQ (soma acumulada dos quadrados dos resíduos
recursivos) e do teste de Lane et al. (2002), conduzindo a valores maiores e
superestimando o prognóstico final do potencial eólico. Também foi constatada,
redução em seis dos doze meses do ano na velocidade média dos ventos no
período de 2003 a 2011. A estação da primavera, geralmente com o maior potencial
eólico, indicou uma maior média de redução enquanto a estação de menor potencial
eólico, o outono, mostrou um comportamento inverso para este mesmo período.
Através da análise espectral, realizada pelo método de Fourier, as séries históricas
de insolação e radiação solar mostraram também ciclos com amplitudes possíveis
de influenciar as mensurações do potencial energético solar. Com estas variações temporais nos dados, as previsões de localização de centrais eólicas e fotovoltaicas
ficam seriamente prejudicadas, uma vez que as oscilações meteorológicas de longo
prazo podem variar sensivelmente na melhor localização de áreas para geração de
energia elétrica.
|
17 |
Previsão de cargas elétricas através de um modelo híbrido de regressão com redes neuraisSilva, Thays Aparecida de Abreu [UNESP] 24 February 2012 (has links) (PDF)
Made available in DSpace on 2014-06-11T19:22:32Z (GMT). No. of bitstreams: 0
Previous issue date: 2012-02-24Bitstream added on 2014-06-13T18:49:32Z : No. of bitstreams: 1
silva_taa_me_ilha.pdf: 370447 bytes, checksum: b861e5232da4742a12b7ae39aa142840 (MD5) / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / Atualmente os sistemas elétricos de potência crescem em tamanho e complexidade e se faz necessário criar alternativas para minimizar o custo total de geração e operação. A previsão de cargas é uma tarefa importante para o planejamento e operação dos sistemas elétricos, pois dela dependem outras tarefas como despacho econômico, fluxo de potência, análise de estabilidade, entre outras. Para tanto esta tarefa deve ser precisa para que o sistema opere de forma segura e confiável. A precisão da previsão é de grande importância já que é através dela que é estabelecida quando e quanto de capacidade de geração e transmissão deve-se dispor para atender a carga prevista sem interrupções no fornecimento. O objetivo deste trabalho é desenvolver um modelo híbrido utilizando os modelos ARIMA de Box & Jenkins e Redes Neurais Artificiais com treinamento realizado pelo algoritmo de Levenberg-Marquartd. Este modelo será utilizado com a finalidade de melhorar a precisão dos resultados com relação à previsão de cargas elétricas a curto prazo. Os resultados obtidos através da metodologia proposta, modelo híbrido de regressão com redes neurais artificiais, foram comparados com demais trabalhos da literatura. É importante destacar que os resultados utilizados na comparação usam o mesmo banco de dados históricos (demanda de carga elétrica) de uma companhia do setor elétrico brasileiro, bem como o mesmo período de janelamento / Nowadays the electric power systems are increasing and becoming complexes and therefore it is necessary to provide alternatives to minimize the generation and operation costs. Load forecasting is a very important task for planning and operation of electric power systems of which other tasks are dependent, as for example, economic dispatch, power flow, and stability analysis, among others. Therefore, this task (load forecasting) must be precise for a secure and reliable operation of the power system. Forecasting precision is very important to set when and how much generation and transmission capacity is necessary to attend the load without interruptions. The objective of this work is to develop a hybrid model using ARIMA of Box & Jenkins and Neural Networks trained by Levenberg-Marquardt algorithm. This model is used aiming to improve the precision of the short term electrical load forecasting. The results obtained were compared with others available on the literature. It is emphasized that the data used is the same (from a Brazilian electric company) as well as the window period
|
18 |
Previsão de cargas elétricas através de um modelo híbrido de regressão com redes neurais /Silva, Thays Aparecida de Abreu. January 2012 (has links)
Orientador: Anna Diva Plasencia Lotufo / Coorientador: Mara Lúcia Martins Lopes / Banca: Francisco Villarreal Alvarado / Banca: Luciana Cambraia Leite / Resumo: Atualmente os sistemas elétricos de potência crescem em tamanho e complexidade e se faz necessário criar alternativas para minimizar o custo total de geração e operação. A previsão de cargas é uma tarefa importante para o planejamento e operação dos sistemas elétricos, pois dela dependem outras tarefas como despacho econômico, fluxo de potência, análise de estabilidade, entre outras. Para tanto esta tarefa deve ser precisa para que o sistema opere de forma segura e confiável. A precisão da previsão é de grande importância já que é através dela que é estabelecida quando e quanto de capacidade de geração e transmissão deve-se dispor para atender a carga prevista sem interrupções no fornecimento. O objetivo deste trabalho é desenvolver um modelo híbrido utilizando os modelos ARIMA de Box & Jenkins e Redes Neurais Artificiais com treinamento realizado pelo algoritmo de Levenberg-Marquartd. Este modelo será utilizado com a finalidade de melhorar a precisão dos resultados com relação à previsão de cargas elétricas a curto prazo. Os resultados obtidos através da metodologia proposta, modelo híbrido de regressão com redes neurais artificiais, foram comparados com demais trabalhos da literatura. É importante destacar que os resultados utilizados na comparação usam o mesmo banco de dados históricos (demanda de carga elétrica) de uma companhia do setor elétrico brasileiro, bem como o mesmo período de janelamento / Abstract: Nowadays the electric power systems are increasing and becoming complexes and therefore it is necessary to provide alternatives to minimize the generation and operation costs. Load forecasting is a very important task for planning and operation of electric power systems of which other tasks are dependent, as for example, economic dispatch, power flow, and stability analysis, among others. Therefore, this task (load forecasting) must be precise for a secure and reliable operation of the power system. Forecasting precision is very important to set when and how much generation and transmission capacity is necessary to attend the load without interruptions. The objective of this work is to develop a hybrid model using ARIMA of Box & Jenkins and Neural Networks trained by Levenberg-Marquardt algorithm. This model is used aiming to improve the precision of the short term electrical load forecasting. The results obtained were compared with others available on the literature. It is emphasized that the data used is the same (from a Brazilian electric company) as well as the window period / Mestre
|
19 |
Análise e predição de desembarque de characiformes migradores do município de Santarém-PASantana, Isabela Feitosa 19 July 2009 (has links)
Made available in DSpace on 2015-04-11T13:56:31Z (GMT). No. of bitstreams: 1
Dissertacao Isabela.pdf: 1836486 bytes, checksum: bf6c8c5db338bc806954228e1b7b94fe (MD5)
Previous issue date: 2009-07-19 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / As séries históricas de 11 anos de desembarque das espécies Prochilodus nigricans e Semaprochilodus sp., ocorridas no período de janeiro de 1992 a dezembro de 2002 no município de Santarém-PA, foram utilizadas para análise e predição, juntamente com séries de SOI, SST‟s e níveis hidrológicos dos rios Amazonas e Tapajós. Infelizmente, os dados relativos às séries de desembarque de jaraquis e das cotas do Rio tapajós possuíam missing values, o que impossibilitava a realização de análises e predições, porém, o uso da modelagem de Box & Jenkins permitiu completar essas lacunas. Após as estimações dos missing values, promovemos a análise espectral em todas as variáveis citadas, verificamos ciclos relacionados com os fenômenos El Niño e La Niña, com duração de 2 a 7 anos, notamos que esses eventos influenciaram fortemente na variação do nível dos rios e, conseqüentemente, no desembarque dessas espécies. Notamos, também, aumento dos valores de desembarque nos períodos de 2 a 3 anos. Estes períodos podem estar relacionados à ocorrência de fortes cheias que, provavelmente, geraram o sucesso reprodutivo dessas espécies, levando ao aumento das capturas após 2 ou 3 anos. Outras oscilações foram observadas nos desembarques e nível dos rios, tais como oscilações semi-anuais e intra-sazonais. Sabemos que estas oscilações possuem certa influência sobre as precipitações na região amazônica e, portanto, sobre a pesca, mas ainda são necessários estudos mais apurados para o melhor entendimento dessas oscilações sobre o comportamento da pesca dessas espécies. Os modelos de Box & Jenkins também foram usados para a modelagem de desembarque nos anos de 2003 e 2004, a fim de verificar a eficiência desta ferramenta para predições. Empregamos ferramentas métricas que definem o erro das predições, com isso, observamos que os modelos ARIMA são eficientes na predição para médio e curto prazo (12 meses), no qual o modelo demonstrou bom ajuste nas predições para o ano de 2003 em ambas as espécies. / As séries históricas de 11 anos de desembarque das espécies Prochilodus nigricans e Semaprochilodus sp., ocorridas no período de janeiro de 1992 a dezembro de 2002 no município de Santarém-PA, foram utilizadas para análise e predição, juntamente com séries de SOI, SST‟s e níveis hidrológicos dos rios Amazonas e Tapajós. Infelizmente, os dados relativos às séries de desembarque de jaraquis e das cotas do Rio tapajós possuíam missing values, o que impossibilitava a realização de análises e predições, porém, o uso da modelagem de Box & Jenkins permitiu completar essas lacunas. Após as estimações dos missing values, promovemos a análise espectral em todas as variáveis citadas, verificamos ciclos relacionados com os fenômenos El Niño e La Niña, com duração de 2 a 7 anos, notamos que esses eventos influenciaram fortemente na variação do nível dos rios e, conseqüentemente, no desembarque dessas espécies. Notamos, também, aumento dos valores de desembarque nos períodos de 2 a 3 anos. Estes períodos podem estar relacionados à ocorrência de fortes cheias que, provavelmente, geraram o sucesso reprodutivo dessas espécies, levando ao aumento das capturas após 2 ou 3 anos. Outras oscilações foram observadas nos desembarques e nível dos rios, tais como oscilações semi-anuais e intra-sazonais. Sabemos que estas oscilações possuem certa influência sobre as precipitações na região amazônica e, portanto, sobre a pesca, mas ainda são necessários estudos mais apurados para o melhor entendimento dessas oscilações sobre o comportamento da pesca dessas espécies. Os modelos de Box & Jenkins também foram usados para a modelagem de desembarque nos anos de 2003 e 2004, a fim de verificar a eficiência desta ferramenta para predições. Empregamos ferramentas métricas que definem o erro das predições, com isso, observamos que os modelos ARIMA são eficientes na predição para médio e curto prazo (12 meses), no qual o modelo demonstrou bom ajuste nas predições para o ano de 2003 em ambas as espécies.
|
20 |
Previsão de inflação utilizando modelos de séries temporaisBonno, Simone Jager Patrocinio 23 January 2014 (has links)
Submitted by Simone Jager (si_jager@hotmail.com) on 2014-02-10T15:30:57Z
No. of bitstreams: 1
Simone Jager 2014.pdf: 764649 bytes, checksum: 100e29a7572ff1d6c57a770ace28e1bf (MD5) / Approved for entry into archive by Vitor Souza (vitor.souza@fgv.br) on 2014-02-24T21:08:40Z (GMT) No. of bitstreams: 1
Simone Jager 2014.pdf: 764649 bytes, checksum: 100e29a7572ff1d6c57a770ace28e1bf (MD5) / Made available in DSpace on 2014-05-20T13:15:26Z (GMT). No. of bitstreams: 1
Simone Jager 2014.pdf: 764649 bytes, checksum: 100e29a7572ff1d6c57a770ace28e1bf (MD5)
Previous issue date: 2014-01-23 / This paper compares time series models to forecast short-term Brazilian inflation measured by Consumer Price Index (IPCA). Were considered SARIMA Box-Jenkins models and structural models in state space, as estimated by the Kalman filter. For estimation of the models, the series of IPCA monthly basis from March 2003 to March 2012 was used. The SARIMA models were estimated in EVIEWS and structural models in STAMP. For the validation of the models out of sample forecasts were considered one step ahead for the period April 2012 to March 2013, based on the main criteria for assessing predictive ability proposed in the literature. The conclusion of the study is that, although the structural model allows, to decompose the series into components with direct interpretation and study them separately, while incorporating explanatory variables in a simple way, the performance of the SARIMA model to predict Brazilian inflation was higher in the period and horizon considered. Another important positive aspect is that the implementation of a SARIMA model is ready, and predictions from it are obtained in a simple and direct way. / Este trabalho compara modelos de séries temporais para a projeção de curto prazo da inflação brasileira, medida pelo Índice de Preços ao Consumidor Amplo (IPCA). Foram considerados modelos SARIMA de Box e Jenkins e modelos estruturais em espaço de estados, estimados pelo filtro de Kalman. Para a estimação dos modelos, foi utilizada a série do IPCA na base mensal, de março de 2003 a março de 2012. Os modelos SARIMA foram estimados no EVIEWS e os modelos estruturais no STAMP. Para a validação dos modelos para fora da amostra, foram consideradas as previsões 1 passo à frente para o período de abril de 2012 a março de 2013, tomando como base os principais critérios de avaliação de capacidade preditiva propostos na literatura. A conclusão do trabalho é que, embora o modelo estrutural permita, decompor a série em componentes com interpretação direta e estudá-las separadamente, além de incorporar variáveis explicativas de forma simples, o desempenho do modelo SARIMA para prever a inflação brasileira foi superior, no período e horizonte considerados. Outro importante aspecto positivo é que a implementação de um modelo SARIMA é imediata, e previsões a partir dele são obtidas de forma simples e direta.
|
Page generated in 0.0605 seconds