Katholische Universiẗat, Diss.--Eichstätt-Ingolstadt, 2006.

[pt] A presente dissertação se insere no contexto da energia eólica, que é a fonte de energia que mais cresce na matriz elétrica brasileira, segundo dados da Empresa de Pesquisa de Energia (EPE), com projeções para que esse crescimento se mantenha. Com isso, a principal motivação do presente trabalho é o fato de que desenvolver e aplicar métodos de previsão cada vez mais precisos para as variáveis determinantes na produção de energia eólica em um aerogerador, como a velocidade do vento, é de crucial importância para o planejamento da operação do sistema elétrico nacional. Logo, o objetivo principal do trabalho é adaptar e aplicar uma metodologia de previsão de séries temporais em um banco de dados formado por medições de velocidade de vento. A metodologia se constrói a partir da análise exploratória dos dados, onde pode se observar características importantes, como estacionariedade na média e uma estrutura sazonal complexa, que envolve um ciclo diário e uma sazonalidade mensal. Com isso, foi adaptado um modelo de amortecimento exponencial com múltiplos ciclos que incorpora simulação de Monte Carlo e decomposição da série através do método TBATS, para realizar as previsões. Como resultados e conclusões, é possível observar que modelo adaptado se mostrou adequado para tratar o problema proposto, quando comparado com os modelos de previsão estabelecidos pela literatura, resultando em um aumento na precisão das previsões realizadas. / [en] This work is in the context of wind energy, which is the energy source that grows more in the Brazilian energy matrix, according to the Energy Research Company (EPE), with projections that this growth will continue. Thus, the main motivation of this work is the fact that developing and implementing increasingly precise forecasting methods for the key variables in the production of wind energy in a wind turbine, such as wind speed, is of crucial importance for planning of the national electric system operation. Therefore, the main objective of this work is to adapt and apply a time series forecasting methodology in a database formed by wind speed measurements. The methodology is built from the exploratory analysis of data, which can be observed important features such as stationary mean and a complex seasonal structure, which involves a daily cycle and monthly seasonality. Thus, it was adapted an exponential smoothing model that incorporates multiple cycles, Monte Carlo simulation and decomposition of the series through the TBATS method, to make forecasts. As results and conclusions, it is possible to observe that model adapted was adequate to address the proposed issue, compared with the forecast models established in the literature, resulting in an increase in the accuracy of forecasts made.

Conselho Nacional de Desenvolvimento CientÃfico e TecnolÃgico / O presente trabalho objetiva realizar previsÃes mensais da sÃrie do imposto de renda para o perÃodo de 2002. A metodologia empregada para alcanÃar essa finalidade consiste na utilizaÃÃo da tÃcnica de combinaÃÃo de previsÃes. Especificamente, combinam-se os resultados de previsÃo advindos de trÃs mÃtodos diferentes: tÃcnica do alisamento exponencial, metodologia de Box-Jenkins (modelos ARIMA) e modelos vetoriais de correÃÃo de erro. Obtida a previsÃo final, compara-se este resultado com os valores reais observados da sÃrie do imposto de renda para o ano de 2002 a fim de verificar o desempenho e a acurÃcia do modelo. / The main objective of this work was to generate predictions, at a monthly frequency, from 1990 to 2001, of income tax revenue. The methodology used was the one of forecast combining. Specifically, exponential smoothing, an ARIMA and VAR with error correction models were pooled to obtain final prediction. Ex-post forecast errors were used to test the performance of the model. Results indicated that combining performs better than individual models, and errors are in an acceptable interval for this type of prediction.

Submitted by Renata Lopes (renatasil82@gmail.com) on 2017-03-02T13:24:53Z No. of bitstreams: 1 guilhermeguilherminoneto.pdf: 1186805 bytes, checksum: c3c46b18aeea88b1e1d4b4fa3d1a36e5 (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2017-03-06T19:39:48Z (GMT) No. of bitstreams: 1 guilhermeguilherminoneto.pdf: 1186805 bytes, checksum: c3c46b18aeea88b1e1d4b4fa3d1a36e5 (MD5) / Made available in DSpace on 2017-03-06T19:39:48Z (GMT). No. of bitstreams: 1 guilhermeguilherminoneto.pdf: 1186805 bytes, checksum: c3c46b18aeea88b1e1d4b4fa3d1a36e5 (MD5) Previous issue date: 2014-08-20 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Previsões de demanda em curto prazo são fundamentais para o planejamento e o controle da produção em sistemas de energia elétrica. Como não é viável manter estoques de segurança para compensar demandas inesperadas, a programação da geração é baseada em previsões feitas com antecedência de algumas horas. Ao longo dos anos, muitos métodos foram testados para a resolução do problema. Dentre os mais populares estão os univariados, em que a demanda é escrita como uma função linear de seu comportamento histórico e prevista por técnicas estatísticas. Também é frequente o uso de métodos multivariados, que levam em conta o efeito não- linear de variáveis climáticas, como a temperatura do ar, sobre o comportamento do consumidor. Para este caso, a literatura recente sugere o uso de previsores de inteligência computacional, como as redes neurais artificiais. Embora alguns autores afirmem que deve-se considerar métodos multivariados, outros defendem que, para previsões de curto prazo (horizonte de poucas horas), a inclusão de variáveis climáticas traz poucos benefícios, posto que seus efeitos levam mais tempo para serem percebidos. Neste trabalho, experimentamos diversos métodos univariados e multivariados a fim de comparar seu desempenho sobre uma base de dados da cidade do Rio de Janeiro. Para estes dados, mostramos que é possível obter, por meio de um simples previsor linear univariado (um modelo de curva de carga cuja componente-padrão é prevista pelo amortecimento de Holt-Winters-Taylor), resultados próximos aos de técnicas mais complexas, porém, com as vantagens de maior robustez, parcimônia e economia de recursos computacionais. / Short-term demand forecasts a are vital part of the production plan and control on electrical power systems. As it is not possible to keep large inventories to meet sudden demand increases, the generation scheduling is based on forecasts made for some hours ahead. Throughout the years, many methods have been proposed in order to solve the problem. Among the most popular are the univariate ones, on which the demand is written as a linear function of its historical behavior and forecast by statistical techniques. It is also common to use multivariate methods, which take into account also the nonlinear effects produced on the demand by weather-related variables, such as the air temperature. For this case, recent papers suggest the use of computational intelligence devices, such as artificial neural networks. Although some authors claim that multivariate methods must be considered, some others state that, on a short-run (lead-times up to a few hours), adding weather-related variables brings little benefits, because its effects might take a longer time to affect the demand. On this work, we experiment a large amount of univariate and multivariate methods aiming to compare its performance over a dataset from the city of Rio de Janeiro. For these data, we show that is possible to obtain, via a simple linear univariate method (a load curve model where the standard load is forecast by the Holt-Winters-Taylor smoothing), results that are close enough to those achieved by more complex techniques, but bringing the advantages of more robustness, parsimony and computational economy.

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.

In this Master Thesis there are summarized basic methods for modelling time series, such as linear regression with seasonal dummy variables, exponential smoothing and SARIMA processes. The thesis is aimed on modelling and forecasting seasonal time series using these methods. Goals of the Thesis are to introduce and compare these methods using a set of 2184 seasonal time series followed by evaluation their prediction abilities. The main benefit of this Master Thesis is understanding of different aspects of forecasting time series and empirical verification of advantages and disadvantages these methods in field of creating predictions.

V této diplomové práci se zaměřujeme na vytvoření plně automatizovaného algoritmu pro předpovědi finančních řad, který se snaží využít kombinační proceduru na dvou úrovních mezi dvěma rodinami předpovědních modelů, Box-Jenkins a Exponenciální stavové modely, které jsou schopny modelovat jak homoskedastické tak heteroskedastické časové řady. Pro tento účel jsme navrhli selekční proceduru v prostředí MATLAB pro modely ARIMA. Výsledný kombinovaný model je pak aplikován několik finančních časových řad a jeho výkonost je diskutována.

This thesis deals with the use of statistical state space models of exponential smooth- ing for estimating the conditional probability distribution of future values of time series. This knowledge allows calculation of interval predictions, not only point forecasts. Meth- ods of exponential smoothing are described and set into the context of state space models. Analytical and simulation methods used in the calculation of interval predictions are presented, in particular simulations based on assumption of normality, bootstrap method or estimated parametric model. The methods are applied to simulated as well as real data and their results are compared. 1

In this paper we conduct an out-of-sample forecasting exercise for monthly Swedish air traveler volumes. The models considered are multiplicative seasonal ARIMA, Neural network autoregression, Exponential smoothing, the Prophet model and a Random Walk as a benchmark model. We divide the out-of-sample data into three different evaluation periods: Pre-COVID-19, during COVID-19 and Post-COVID-19 for which we calculate the MAE, MAPE and RMSE for each model in each of these evaluation periods. The results show that for the Pre-COVID-19 period all models produce accurate forecasts, in comparison to the Random Walk model. For the period during COVID-19, no model outperforms the Random Walk, with only Exponential smoothing performing as well as the Random Walk. For the period Post-COVID-19, the best performing models are Random Walk, SARIMA and Exponential smoothing, with all aforementioned models having similar performance.

Submitted by Mariana Dornelles Vargas (marianadv) on 2015-06-01T12:45:08Z No. of bitstreams: 1 otimizacao_niveis.pdf: 2029201 bytes, checksum: a40cd7a9e26627e3677b30cfdb0cdd33 (MD5) / Made available in DSpace on 2015-06-01T12:45:08Z (GMT). No. of bitstreams: 1 otimizacao_niveis.pdf: 2029201 bytes, checksum: a40cd7a9e26627e3677b30cfdb0cdd33 (MD5) Previous issue date: 2011 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Em um contexto empresarial, a competitividade entre companhias de um mesmo ramo de atividade se torna mais presente a cada dia que passa. Empresas estruturadas de forma enxuta em termos de custo podem ter maior vantagem competitiva sobre seus concorrentes. Reduzir custos é, portanto, um objetivo almejado por todas as organizações. A gestão e controle de estoques de produtos é um problema presente em diversas empresas e organizações. Diversos custos estão associados a este problema. O volume monetário relacionado é bastante grande. Assim, quanto melhor for o processo de controle e gerenciamento de estoques de uma empresa, menor será o custo para manutenção dos mesmos. Este trabalho propõe uma ferramenta para otimização dos níveis de estoque de uma rede varejista, considerando características como lucratividade, custos e atendimentos às demandas. Isto é feito através do uso de um método previsor baseado em Suavização Exponencial com Sazonalidade Multiplicativa, um módulo Otimizador baseado na metaheurística Guided Local Search, além de um Simulador Discreto Determinístico. A ferramenta conta com uma série de parâmetros que permitem a criação de diferentes cenários relativos ao sistema de estocagem da rede varejista. Os resultados obtidos durante a fase de experimentação da ferramenta demonstram sua capacidade de encontrar soluções para o problema de níveis de estoque de forma satisfatória, além de possibilitar a criação de cenários alternativos à realidade observada no sistema físico. / Competitiveness is an element that increases on a daily basis considering nowadays businesses. Companies with more efficient structures in terms of costs have an important advantage when compared to their competitors. This greatly motivates companies to reduce costs. Inventory control is an existing problem in many companies and organizations. Many types of costs are associated to this problem. Also, the amount of money involved in inventory maintenance is very considerable. So, the better the inventory control process is, the lower the costs related to it will be. This paperwork proposes a tool to optimize inventory levels on a retailer company, considering profit, costs and service level attendance. This is done by using a Forecasting Method called Exponential Smoothing with Multiplicative Seasonality, an Optimizer based on the Guided Local Search metaheuristic and a Discrete Deterministic Simulator. This tool uses a series of parameters in order to allow users to create different scenarios. The results obtained with the conducted experiments show that the tool is capable of finding good solutions to the problem of inventory levels, as well as creating alternative scenarios to operate the inventory system..