A previsão de demanda é uma das principais ferramentas para a eficiência do gerenciamento das organizações, afetando diretamente a lucratividade do negócio. O atual nível competitivo das empresas requer previsões cada vez mais acuradas, sedo estas um diferencial para o sucesso empresarial. Neste contexto, a combinação de previsões se tornou um dos principais métodos empregados no intuito de melhorar a precisão das previsões. Através de uma revisão da literatura sobre as abordagens da combinação de previsões, identificou-se uma carência de estudos comparativos que incorporem modelos de regressão para a combinação de previsões. Assim, o objetivo principal desta dissertação é combinar três previsões individuais (redes neurais, modelos ARIMA e modelos de alisamento exponencial) via média simples, variância mínima e modelos de regressão, comparando as três previsões combinadas com suas previsões individuais. Estas comparações serão avaliadas em duas situações: em séries simuladas (estacionárias) e em uma série de dados reais (não estacionária) de uma empresa que realiza auditorias médicas. As medidas empregadas para a escolha do método mais preciso são MAE, MAPE, RMSE e o coeficiente U de Theil. Os resultados obtidos enfatizam a melhoria das previsões quando estas são combinadas por regressão, tanto para séries convergentes quanto para a série divergente. / Forecasting is a key tool for ensuring the efficiency of management in organizations, directly affecting business profitability. The current competitive corporative level requires increasingly accurate predictions. In this context, the combination of forecasts has improved forecast accuracy. Through a literature review on the approaches of combining forecasts, we identified a lack of comparative studies that incorporate regression models for combining forecasts. Thus, the main objective of this dissertation is to combine three individual forecasts (neural networks, ARIMA models and exponential smoothing models) via simple average, minimum variance and regression models, comparing the three combined forecasts with their individual forecasts. These comparisons are evaluated in two situations: in simulated series (converging) and in series of real data (divergent) from a company that performs medical audits. The measures used to identify the best method are MAE, MAPE, RMSE and Theil’s U coefficient. Results from combined methods improved the predictions in both convergent and divergent series.

A previsão de demanda é uma das principais ferramentas para a eficiência do gerenciamento das organizações, afetando diretamente a lucratividade do negócio. O atual nível competitivo das empresas requer previsões cada vez mais acuradas, sedo estas um diferencial para o sucesso empresarial. Neste contexto, a combinação de previsões se tornou um dos principais métodos empregados no intuito de melhorar a precisão das previsões. Através de uma revisão da literatura sobre as abordagens da combinação de previsões, identificou-se uma carência de estudos comparativos que incorporem modelos de regressão para a combinação de previsões. Assim, o objetivo principal desta dissertação é combinar três previsões individuais (redes neurais, modelos ARIMA e modelos de alisamento exponencial) via média simples, variância mínima e modelos de regressão, comparando as três previsões combinadas com suas previsões individuais. Estas comparações serão avaliadas em duas situações: em séries simuladas (estacionárias) e em uma série de dados reais (não estacionária) de uma empresa que realiza auditorias médicas. As medidas empregadas para a escolha do método mais preciso são MAE, MAPE, RMSE e o coeficiente U de Theil. Os resultados obtidos enfatizam a melhoria das previsões quando estas são combinadas por regressão, tanto para séries convergentes quanto para a série divergente. / Forecasting is a key tool for ensuring the efficiency of management in organizations, directly affecting business profitability. The current competitive corporative level requires increasingly accurate predictions. In this context, the combination of forecasts has improved forecast accuracy. Through a literature review on the approaches of combining forecasts, we identified a lack of comparative studies that incorporate regression models for combining forecasts. Thus, the main objective of this dissertation is to combine three individual forecasts (neural networks, ARIMA models and exponential smoothing models) via simple average, minimum variance and regression models, comparing the three combined forecasts with their individual forecasts. These comparisons are evaluated in two situations: in simulated series (converging) and in series of real data (divergent) from a company that performs medical audits. The measures used to identify the best method are MAE, MAPE, RMSE and Theil’s U coefficient. Results from combined methods improved the predictions in both convergent and divergent series.

A previsão de demanda é uma das principais ferramentas para a eficiência do gerenciamento das organizações, afetando diretamente a lucratividade do negócio. O atual nível competitivo das empresas requer previsões cada vez mais acuradas, sedo estas um diferencial para o sucesso empresarial. Neste contexto, a combinação de previsões se tornou um dos principais métodos empregados no intuito de melhorar a precisão das previsões. Através de uma revisão da literatura sobre as abordagens da combinação de previsões, identificou-se uma carência de estudos comparativos que incorporem modelos de regressão para a combinação de previsões. Assim, o objetivo principal desta dissertação é combinar três previsões individuais (redes neurais, modelos ARIMA e modelos de alisamento exponencial) via média simples, variância mínima e modelos de regressão, comparando as três previsões combinadas com suas previsões individuais. Estas comparações serão avaliadas em duas situações: em séries simuladas (estacionárias) e em uma série de dados reais (não estacionária) de uma empresa que realiza auditorias médicas. As medidas empregadas para a escolha do método mais preciso são MAE, MAPE, RMSE e o coeficiente U de Theil. Os resultados obtidos enfatizam a melhoria das previsões quando estas são combinadas por regressão, tanto para séries convergentes quanto para a série divergente. / Forecasting is a key tool for ensuring the efficiency of management in organizations, directly affecting business profitability. The current competitive corporative level requires increasingly accurate predictions. In this context, the combination of forecasts has improved forecast accuracy. Through a literature review on the approaches of combining forecasts, we identified a lack of comparative studies that incorporate regression models for combining forecasts. Thus, the main objective of this dissertation is to combine three individual forecasts (neural networks, ARIMA models and exponential smoothing models) via simple average, minimum variance and regression models, comparing the three combined forecasts with their individual forecasts. These comparisons are evaluated in two situations: in simulated series (converging) and in series of real data (divergent) from a company that performs medical audits. The measures used to identify the best method are MAE, MAPE, RMSE and Theil’s U coefficient. Results from combined methods improved the predictions in both convergent and divergent series.

Submitted by Geandra Rodrigues (geandrar@gmail.com) on 2018-10-24T12:50:06Z No. of bitstreams: 1 taisdemedeirospedreira.pdf: 1862768 bytes, checksum: 0c6ee31fd9be772b5b609051a207f61f (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2018-11-23T12:17:19Z (GMT) No. of bitstreams: 1 taisdemedeirospedreira.pdf: 1862768 bytes, checksum: 0c6ee31fd9be772b5b609051a207f61f (MD5) / Made available in DSpace on 2018-11-23T12:17:19Z (GMT). No. of bitstreams: 1 taisdemedeirospedreira.pdf: 1862768 bytes, checksum: 0c6ee31fd9be772b5b609051a207f61f (MD5) Previous issue date: 2018-09-05 / As previsões a curto prazo da carga elétrica (de algumas horas até alguns dias à frente) são essenciais para o planejamento, controle e operação dos sistemas de energia, tanto por por razões técnicas quanto financeiras. Como não é possível estocar grandes quantidades, torna-se indispensável um maneira eficaz de programar a produção da energia para que ela atenda a demanda. Por conta disso, uma grande literatura desenvolveu-se sobre o assunto. Devido à complexidade das séries de carga e à dependência não-linear destas carga em relação a diversas variáveis exógenas, os sistemas de previsão mais frequentemente propostos em trabalhos recentes são aqueles baseados em algoritmos complexos de inteligência computacional. No entanto, métodos lineares simples ainda são muito comumente usados, por si sós ou em combinação com técnicas não-lineares. Um desses métodos é o de Holt-Winters-Taylor, que é uma adaptação do conhecido método de amortecimento exponencial de Holt-Winters para que múltiplas sazonalidades possam ser modelados concomitantemente. Este trabalho implementa três variantes deste método HWT e analisa seus desempenhos em duas séries de dados reais de carga. Verificou-se que uma combinação linear dessas variantes nitidamente supera o método HWT original e fornece previsões precisas, com um baixo custo computacional. / Short-term load forecasts (forecasts for horizons ranging from a few hours to a few days ahead) are essential for the planning, controling and operation of energy systems, both for technical and financial reasons. Since it is not feasible to store energy in large quantities, an efficient way to forecast energy demand becomes indispensable. Because of this, a large literature has developed on the subject. Due to the complexity of load series and the nonlinear relationship of the load with exogenous variables, the most frequently proposed forecasting systems in recent papers are those based on complex algorithms of computational intelligence. However, simple linear methods are still very frequently used, either alone or in combination with non-linear techniques. One of these methods is Holt-Winters-Taylor (HWT), which is an adaptation of the well-known Holt-Winters exponential smoothing method, modified so that multiple seasonalities can be modeled at the same time. In this paper, we implement three variants of this HWT method and analyze their performances over two sets of actual load data. We found that a linear combination of these variants clearly outperforms the original HWT method, and provides accurate forecasts at a low computational cost.

Submitted by Geandra Rodrigues (geandrar@gmail.com) on 2018-01-17T11:13:15Z No. of bitstreams: 1 samuelbelinidefilippo.pdf: 2610291 bytes, checksum: 6c4f48d00a0649b56977f6c8a7ada4e0 (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2018-01-22T16:33:53Z (GMT) No. of bitstreams: 1 samuelbelinidefilippo.pdf: 2610291 bytes, checksum: 6c4f48d00a0649b56977f6c8a7ada4e0 (MD5) / Made available in DSpace on 2018-01-22T16:33:53Z (GMT). No. of bitstreams: 1 samuelbelinidefilippo.pdf: 2610291 bytes, checksum: 6c4f48d00a0649b56977f6c8a7ada4e0 (MD5) Previous issue date: 2017-09-20 / Todo a produção, transmissão e distribuição de energia elétrica ocorre concomitantemente com o consumo da energia. Isso é necessário porque ainda não existe hoje uma maneira viável de se estocar energia em grandes quantidades. Dessa forma, a energia gerada precisa ser consumida quase que instantaneamente. Isso faz com que as previsões de demanda sejam fundamentais para uma boa gestão dos sistemas de energia. Esse trabalho focaliza métodos de previsão de demanda a curto prazo, até um dia à frente. Nos métodos mais simples, as previsões são feitas por modelos lineares que utilizam dados históricos da demanda de energia. Contudo, modelos baseados em inteligência computacional têm sido estudados para este fim, por explorarem a relação não-linear entre a demanda de energia e as variáveis climáticas. Em geral, estes modelos conseguem melhores previsões do que os métodos lineares. Seus resultados, porém, são instáveis e sensíveis a erros de medição, gerando erros de previsão discrepantes, que podem ter graves consequências para o processo de produção. Neste estudo, empregamos redes neurais artificiais e algoritmos genéticos para modelar dados históricos de carga e de clima, e combinamos estes modelos com métodos lineares tradicionais. O objetivo é conseguir previsões que não apenas sejam mais acuradas em termos médios, mas que também menos sensíveis aos erros de medição. / The production, transmission and distribution of electric energy occurs concomitantly with its consumption. This is necessary because there is yet no feasible way to store energy in large quantities. Therefore, the energy generated must be consumed almost instantaneously. This makes forecasting essential for the proper management of energy systems. This thesis focuses on short-term demand forecasting methods up to one day ahead. In simpler methods, the forecasts are made by linear models, which use of historical data on energy demand. However, computer intelligence-based models have been studied for this end, exploring the nonlinear relationship between energy demand and climatic variables. In general, these models achieve better forecasts than linear methods. Their results, however, are unstable and sensitive to measurement errors, leading to outliers in forecasting errors, which can have serious consequences for the production process. In this thesis, we use artificial neural networks and genetic algorithms for modelling historical load and climate data, and combined these models with traditional linear methods. The aim is to achieve forecasts that are not only more accurate in mean terms, but also less sensitive to measurement errors.

[pt] Esta tese consiste em três ensaios sobre previsão de inflação, com foco na inflação brasileira. No primeiro ensaio, examinamos a eficácia de vários métodos de previsão para prever a inflação, com foco na agregação de previsões desagregadas. Consideramos diferentes níveis de desagregação para a inflação e empregamos uma variedade de técnicas tradicionais de séries temporais, bem como modelos lineares e não lineares de aprendizado de máquina que lidam com um número grande de preditores. Para muitos horizontes de previsão, a agregação de previsões desagregadas performa tão bem quanto expectativas baseadas em coleta e modelos que geram previsões a partir do agregado. No geral, os métodos de aprendizado de máquina superam os modelos de séries temporais tradicionais em precisão preditiva, com excelente desempenho para os desagregados da inflação. Em nosso segundo ensaio, investigamos os potenciais benefícios de combinar previsões de inflação individuais ao propor uma correção para viés variável no tempo da média de previsões. Nossa análise inclui estimações empregando janelas rolantes e modelos em espaço de estados que usam a recursividade do filtro de Kalman. Obtivemos um bom desempenho de previsão para modelos baseados em janelas rolantes pequenas em horizontes de previsão curtos e intermediários, enquanto um modelo em espaço de estados obtem um desempenho um pouco pior do que os procedimentos baseados em janelas rolantes. No terceiro ensaio, usamos aprendizado supervisionado para gerar índices prospectivos baseados em tweets e notícias para inflação acumulada e investigamos se esses índices podem melhorar o desempenho da previsão de inflação. Nossos resultados indicam que os índices baseados em notícias fornecem ganhos preditivos significativos, principalmente para os horizontes de 3 e 12 meses à frente. Esses achados sugerem que a incorporação de mais fontes de informação do que apenas expectativas baseadas em opiniões de especialistas pode levar a previsões mais precisas. / [en] This dissertation consists of three essays concerning inflation forecasting, taking the Brazilian case as an application. In the first essay, we examine the effectiveness of several forecasting methods for predicting inflation, focusing on aggregating disaggregated forecasts. We consider different disaggregation levels for inflation and employ a range of traditional time series techniques, as well as linear and nonlinear machine learning (ML) models that deal with a larger number of predictors. For many forecast horizons, aggregation of disaggregated forecasts performs just as well as survey-based expectations and models generating forecasts directly from the aggregate. Overall, ML methods outperform traditional time series models in predictive accuracy, with outstanding performance in forecasting disaggregates. In our second essay, we investigate the potential benefits of combining individual inflation forecasts by proposing a time-varying bias correction for the average forecast. Our analysis includes estimations using both rolling windows and state-space models that use the recursiveness of the Kalman filter. We achieve good forecast performance for models based on small rolling windows for shorter and intermediate forecast horizons, while a state-space model performs slightly worse than procedures based on rolling windows. In the third essay, we use supervised learning to generate forward-looking indexes based on tweets and news articles for accumulated inflation and investigate whether these indexes can improve inflation forecasting performance. Our results indicate that news-based indexes provide significant predictive gains, particularly for 3- and 12-month-ahead horizons. These findings suggest that incorporating more information sources than just expectations based on experts opinions can lead to more accurate forecasts.