Made available in DSpace on 2014-06-12T15:56:09Z (GMT). No. of bitstreams: 2 arquivo2750_1.pdf: 2282996 bytes, checksum: f61a8b47ec62dc124a6eafe258c2c9a0 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2010 / Fundação de Amparo à Ciência e Tecnologia do Estado de Pernambuco / As pesquisas relacionadas à previsão de séries temporais têm sido uma área de bastante interesse nas últimas décadas. Várias técnicas têm sido pesquisadas para a previsão de séries temporais. Este trabalho propõe métodos híbridos, com a finalidade de tentar representar o complexo fenômeno de previsão de séries temporais do mundo real. A gênese do estudo é baseada no conceito sobre o qual, diferentes partes da série temporal podem ser resultantes de diferentes processos físicos que ocorrem na natureza e necessitam, portanto, de diferentes modelagens. A dissertação divide-se em duas etapas. Na primeira, são propostos mais dois sistemas híbridos (BH + MLP e BMT + MLP) para a seleção das variáveis de entradas para os modelos de previsão. Na segunda, são propostas dois métodos híbridos (SOM + MLP e MLP + Fuzzy) para o processo de previsão de séries temporais. Para realizar o estudo comparativo entre as técnicas, dez séries temporais do mundo real foram utilizadas. No que diz respeito à seleção de variáveis os resultados mostraram que a utilização do sistema híbrido Busca pela Memória Temporal e Redes Neurais (BMT + MLP) foi capaz de encontrar um subconjunto de variáveis representativo para o problema. Dos resultados obtidos pode-se concluir que a seleção de variáveis ocorreu de forma bastante satisfatória com a utilização da Busca Harmônica e Redes Neurais, mas ocorreu com maior rapidez e eficiência quando da utilização do sistema proposto BMT + MLP. Apesar dos erros médios quadráticos obtidos pela rede neural serem, em geral, estatisticamente similares para as duas técnicas, a principal vantagem da BMT + MLP é a capacidade de encontrar o subconjunto de variáveis considerado ótimo de forma bastante rápida. Ao realizar a comparação dos resultados obtidos dos modelos propostos com dois modelos da literatura, os modelos propostos apresentaram um melhor desempenho. Quanto aos modelos de previsão propostos, os resultados obtidos apresentaram menor erro ou no máximo iguais em comparação com a rede MLP e com os modelos Estatísticos, para todas as séries simuladas. Por outro lado, os dois modelos propostos (SOM + MLP e MLP + Fuzzy) apresentaram em média resultados que foram considerados estatisticamente similares

Made available in DSpace on 2014-06-12T15:59:51Z (GMT). No. of bitstreams: 2 arquivo5651_1.pdf: 8886352 bytes, checksum: da501aea5abdb4aea97774ec7b6e1fd7 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2006 / Neste trabalho é realizado um estudo sistemático para a resolução do problema de previsão de séries temporais com a utilização de técnicas de Inteligência Artificial. Inicialmente, modelos de Box & Jenkins são aplicados para a previsão de séries temporais para a geração de um padrão de referência. São investigadas então técnicas da Inteligência Artificial mais comumente encontradas na literatura, como redes neurais artificiais e algoritmos genéticos, bem como um sistema híbrido inteligente resultante da união destas duas técnicas. Observando as deficiências e os pontos fortes das metodologias estudadas, foi desenvolvido um novo método para a previsão de séries temporais, the Time-lag Added Evolutionary Forecasting (TAEF) Method, combinando redes neurais artificiais, um algoritmo genético modificado, um mecanismo de busca evolutiva pela dimensionalidade mínima necessária para a reconstrução do espaço de fase gerador da série, e um procedimento de pós-processamento para a determinação da fase da previsão gerada. Experimentos extensivos realizados com o Método TAEF com séries temporais de natureza, complexidade e características de comportamento diversificadas, comprovam a eficiência e robustez do método proposto. Tendo sido testado em um conjunto de oito séries temporais, sendo duas séries artificiais (série do Mapa de H_enon e série Random Walk), duas de fenômenos naturais (série das Manchas Solares e série de Medidas de Brilho de uma Estrela) e quatro séries econômicas e financeiras (Índice Dow Jones, Índice Nasdaq, Índice S&P500 e Ações da Petrobras), o método TAEF apresenta um desempenho de previsão comprovadamente superior às demais técnicas investigadas e a vários outros trabalhos encontrados na literatura. Além deste experimentos, séries artificiais com características peculiares também foram criadas para a certificação da robustez do método, como séries de Random Walk com Drift e/ou Sazonalidade aditiva, Séries geradas a partir de modelos GARCH, SETAR e STAR. Por fim, simulações de um sistema de apoio à decisão para a compra e venda de ações na bolsa de valores do estado de São Paulo (Bovespa) são montadas, demonstrando a possibilidade de uso prático do método TAEF, consolidando-o como uma nova metodologia viável e de alto desempenho para a resolução do problema de previsão de séries temporais

Submitted by Fabio Sobreira Campos da Costa (fabio.sobreira@ufpe.br) on 2017-02-21T14:53:51Z No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) main_abntex.pdf: 4558296 bytes, checksum: 6f077e7cc7e54787fdfdb3b25b18eabb (MD5) / Made available in DSpace on 2017-02-21T14:53:51Z (GMT). No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) main_abntex.pdf: 4558296 bytes, checksum: 6f077e7cc7e54787fdfdb3b25b18eabb (MD5) Previous issue date: 2016-09-26 / A previsão de séries temporais é uma tarefa importante no campo da aprendizado de máquina, possuindo diversas aplicações em mercado de ações, hidrologia, meteorologia, entre outros. A análise da dependência existente nas observações adjacentes da série é necessária para que seja possível prever valores futuros com alguma precisão. Modelos dinâmicos são utilizados para realizar mapeamentos de uma série temporal, se aproximando do mecanismo gerador da série e sendo capazes de realizar previsões. No entanto, o mecanismo gerador de uma série temporal pode produzir padrões lineares e não-lineares que precisam ser devidamente mapeados. Modelos lineares como o auto-regressivo integrado de média móvel (ARIMA) são capazes de mapear padrões lineares, porém não são indicados quando existem padrões não-lineares na série. Já os modelos não-lineares como as redes neurais artificais (RNA) mapeiam padrões não-lineares, mas podem apresentar desempenho reduzido na presença de padrões lineares em relação aos modelos lineares. Fatores como a definição do número de elementos de entrada da RNA, número de amostras de treinamento podem afetar o desempenho. Abordagens híbridas presentes na literatura realizam o mapeamento dos padrões lineares e não-lineares simultaneamente ou aplicando duas ou mais fases nas previsões. Seguindo a suposição de que os modelos são bem ajustados, a diferença entre o valor previsto e a série real demonstra um comportamento de ruído branco, ou seja, considera-se que a diferença entre os valores (resíduo) é composta por choques aleatórios não correlacionados. Na abordagem de duas ou mais fases, o resíduo gerado pelo modelo aplicado na primeira fase é utilizado pelo segundo modelo. O problema do ajuste pode ser decorrente dos parâmetros mal ajustados e também da série temporal devido à possível necessidade de transformações. Tais abordagens geram previsões mais precisas quando comparadas às técnicas tradicionais. Nesta tese, são explorados sistemas evolucionários para a otimização de parâmetros de técnicas lineares e não-lineares visando o mapeamento dos padrões da série temporal. A abordagem proposta utiliza um preprocessamento automático através de um filtro de suavização exponencial para extrair uma série com distribuição normal. A diferença da série temporal e a série filtrada é mapeada por um sistema composto por um método auto-regressivo (AR) e máquina de vetor de suporte para regressão (SVR). Variações do algoritmo de otimização por enxame de partículas (PSO) e algoritmos genéticos são aplicados na otimização dos hiper-parâmetros do sistema. A previsão final é realizada através da soma das previsões de cada série. Para fins de avaliação do método proposto, experimentos foram realizados com bases de problemas reais utilizando métodos da literatura. Os resultados demonstram que o método obteve previsões precisas na maioria dos casos testados. O filtro de suavização exponencial utilizado supõe que a série possua nível constante (sem tendência). Séries que possuem tendências lineares foram devidamente tratadas, no entanto tendências exponenciais ou polinomiais apresentaram desempenho reduzido. O método proposto possui potencial para melhorias, aplicando métodos que realizem o mapeamento automático de tendências como a suavização exponencial dupla. Nesta tese o método aditivo foi utilizado para combinação de previsões, no entanto em algumas séries o modelo multiplicativo pode ser mais adequado, produzindo previsões mais precisas. / Time series forecasting is an important task in the field of machine learning and has many applications in stock market, hydrology, weather and so on. The analysis of the dependence between adjacent observations in the series is necessary in order to achieve better forecasts. Dynamic models are used to perform mappings in the time series by approximating to thedata generating process and being able to perform predictions. However, the data generating process of a time series may produce both linear and nonlinear patterns that need to be mapped. Linear models such as the autoregressive integrated moving average (ARIMA) are able to map linear patterns, although not indicated when nonlinear patterns are present in the series. Nonlinear models such as the artificial neural networks (ANNs) perform nonlinear mappings but demonstrate reduced performance in the presence of linear patterns in comparison to linear models. Hybrid approaches in the literature perform mappings of linear and nonlinear patterns simultaneously or applying two or more phases.Supposing that the models are adjusted to the data, the difference between the predicted value and the data presents a White noise behavior, thus it is considered that the difference of values (residual) is composed by uncorrelated random shocks. In two-phase approaches the residual produced by the linear model in the first phase is used in the nonlinear model. Also the parameters of the models have an important influence on their performance. Such approaches produce more accurate predictions when compared with traditional methods. In this thesis, we explore evolutionary system in the context of optimization of parameters for both linear and nonlinear methods, taking into consideration the patterns in a time series. In the proposed approach, an exponential smoothing filter is used to decompose a series with normal distribution which is applied to an ARIMA model and the residual series is applied to a system composed by an autoregressive (AR) and a support vector regression methods (SVR). Variations of particle swarm optimization (PSO) algorithm and genetic algorithm (GA) are employed in the optimization of hyper-parameters of the system. Experiments were conducted using data sets from real world problems comparing with methods in the literature. The results indicate that the method achieved accurate predictions in most cases. The exponential smoothing filter assumes that the given series has no trend patterns. Series with linear trend were detrended, however in series with exponential or polynomial trends the proposed method achieved reduced performance. The proposed method has potential to improvements by using methods that perform an automatic mapping of trend patterns (double exponential smoothing). In this work, the additive model is adopted, however in some series a multiplicative model could achieve better forecasts.

Em um ambiente de computação em nuvem, as empresas têm a capacidade de alocar recursos de acordo com a demanda. No entanto, há um atraso que pode levar alguns minutos entre o pedido de um novo recurso e o mesmo estar pronto para uso. Por esse motivo, as técnicas reativas, que solicitam um novo recurso apenas quando o sistema atinge um determinado limiar de carga, não são adequadas para o processo de alocação de recursos. Para resolver esse problema, é necessário prever as requisições que chegam ao sistema, no próximo período de tempo, para alocar os recursos necessários antes que o sistema fique sobrecarregado. Existem vários modelos de previsão de séries temporais para calcular as previsões de carga de trabalho com base no histórico de dados de monitoramento. No entanto, é difícil saber qual é o melhor modelo de previsão a ser utilizado em cada caso. A tarefa se torna ainda mais complicada quando o usuário não tem muitos dados históricos a serem analisados. A maioria dos trabalhos relacionados, considera apenas modelos de previsão isolados para avaliar os resultados. Outros trabalhos propõem uma abordagem que seleciona modelos de previsão adequados para um determinado contexto. Mas, neste caso, é necessário ter uma quantidade significativa de dados para treinar o classificador. Além disso, a melhor solução pode não ser um modelo específico, mas sim uma combinação de modelos. Neste trabalho propomos um método de previsão adaptativo, usando técnicas de otimização multiobjetivo, para combinar modelos de previsão de séries temporais. O nosso método não requer uma fase prévia de treinamento, uma vez que se adapta constantemente a medida em que os dados chegam ao sistema. Para avaliar a nossa proposta usamos quatro logs extraídos de servidores reais. Os resultados mostram que a nossa proposta frequentemente converge para o melhor resultado, e é suficientemente genérica para se adaptar a diferentes tipos de séries temporais. / In a cloud computing environment, companies have the ability to allocate resources according to demand. However, there is a delay that may take minutes between the request for a new resource and it is ready for using. The reactive techniques, which request a new resource only when the system reaches a certain load threshold, are not suitable for the resource allocation process. To address this problem, it is necessary to predict requests that arrive at the system in the next period of time to allocate the necessary resources, before the system becomes overloaded. There are several time-series forecasting models to calculate the workload predictions based on history of monitoring data. However, it is difficult to know which is the best time series forecasting model to be used in each case. The work becomes even more complicated when the user does not have much historical data to be analyzed. Most related work considers only single methods to evaluate the results of the forecast. Other work propose an approach that selects suitable forecasting methods for a given context. But in this case, it is necessary to have a significant amount of data to train the classifier. Moreover, the best solution may not be a specific model, but rather a combination of models. In this work we propose an adaptive prediction method using multi-objective optimization techniques to combine time-series forecasting models. Our method does not require a previous phase of training, because it constantly adapts the extent to which the data is coming. To evaluate our proposal we use four logs extracted from real servers. The results show that our proposal often brings the best result, and is generic enough to adapt to various types of time series.

Made available in DSpace on 2014-06-12T16:01:32Z (GMT). No. of bitstreams: 2 arquivo9424_1.pdf: 5898735 bytes, checksum: 20e8579169a2c3b8e6d53fd877a5cd17 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2012 / Este trabalho apresenta uma classe de perceptrons híbridos baseado nos princípios da morfologia matemática (mathematical morphology, MM) no contexto de teoria de reticulados (lattice theory). O modelo proposto, chamado de perceptron de dilatação-erosão-linear (dilationerosion- linear perceptron, DELP), consiste de uma combinação linear entre operadores nãolineares (do tipo morfológicos no contexto de teoria de reticulados) e um operador linear (do tipo resposta finita ao impulso), sendo desenvolvido na tentativa de superar o dilema do passeio aleatório (random walk dilemma, RWD) no problema de previsão de séries temporais financeiras. Para projetar o DELP (processo de aprendizagem), foi apresentado um método de gradiente descendente utilizando ideias do algoritmo de retropropagação do erro (back propagation, BP) e uma abordagem sistemática para superar o problema da não-diferenciabilidade das operações morfológicas de dilatação e erosão. Também, no processo de aprendizagem do DELP, foi incluída uma etapa adicional para ajustar distorções de fase temporais que ocorrem na reconstrução do espaço de fase de fenômenos temporais provenientes do mercado financeiro. Uma análise experimental foi conduzida utilizando um conjunto de séries temporais financeiras: Índice da Bolsa de Valores de São Paulo, Índice Dow Jones Industrial Average, Índice National Association of Securities Dealers Automated Quotation, Índice Financial Times and London Stock Exchange 100, Preço das ações do Bradesco PN, Preço das ações da Gol PN, Preço das ações do Itaú Unibanco PN, Preço das ações da Petrobras PN, Preço das ações da Usiminas PNA e Preço das ações da Vale PNA. Nestes experimentos, foram utilizadas cinco métricas e uma função de avaliação para mensurar o desempenho preditivo do modelo proposto, e os resultados alcançados superaram aqueles obtidos utilizando técnicas consolidadas na literatura

Em um ambiente de computação em nuvem, as empresas têm a capacidade de alocar recursos de acordo com a demanda. No entanto, há um atraso que pode levar alguns minutos entre o pedido de um novo recurso e o mesmo estar pronto para uso. Por esse motivo, as técnicas reativas, que solicitam um novo recurso apenas quando o sistema atinge um determinado limiar de carga, não são adequadas para o processo de alocação de recursos. Para resolver esse problema, é necessário prever as requisições que chegam ao sistema, no próximo período de tempo, para alocar os recursos necessários antes que o sistema fique sobrecarregado. Existem vários modelos de previsão de séries temporais para calcular as previsões de carga de trabalho com base no histórico de dados de monitoramento. No entanto, é difícil saber qual é o melhor modelo de previsão a ser utilizado em cada caso. A tarefa se torna ainda mais complicada quando o usuário não tem muitos dados históricos a serem analisados. A maioria dos trabalhos relacionados, considera apenas modelos de previsão isolados para avaliar os resultados. Outros trabalhos propõem uma abordagem que seleciona modelos de previsão adequados para um determinado contexto. Mas, neste caso, é necessário ter uma quantidade significativa de dados para treinar o classificador. Além disso, a melhor solução pode não ser um modelo específico, mas sim uma combinação de modelos. Neste trabalho propomos um método de previsão adaptativo, usando técnicas de otimização multiobjetivo, para combinar modelos de previsão de séries temporais. O nosso método não requer uma fase prévia de treinamento, uma vez que se adapta constantemente a medida em que os dados chegam ao sistema. Para avaliar a nossa proposta usamos quatro logs extraídos de servidores reais. Os resultados mostram que a nossa proposta frequentemente converge para o melhor resultado, e é suficientemente genérica para se adaptar a diferentes tipos de séries temporais. / In a cloud computing environment, companies have the ability to allocate resources according to demand. However, there is a delay that may take minutes between the request for a new resource and it is ready for using. The reactive techniques, which request a new resource only when the system reaches a certain load threshold, are not suitable for the resource allocation process. To address this problem, it is necessary to predict requests that arrive at the system in the next period of time to allocate the necessary resources, before the system becomes overloaded. There are several time-series forecasting models to calculate the workload predictions based on history of monitoring data. However, it is difficult to know which is the best time series forecasting model to be used in each case. The work becomes even more complicated when the user does not have much historical data to be analyzed. Most related work considers only single methods to evaluate the results of the forecast. Other work propose an approach that selects suitable forecasting methods for a given context. But in this case, it is necessary to have a significant amount of data to train the classifier. Moreover, the best solution may not be a specific model, but rather a combination of models. In this work we propose an adaptive prediction method using multi-objective optimization techniques to combine time-series forecasting models. Our method does not require a previous phase of training, because it constantly adapts the extent to which the data is coming. To evaluate our proposal we use four logs extracted from real servers. The results show that our proposal often brings the best result, and is generic enough to adapt to various types of time series.

Submitted by Rosivalda Pereira (mrs.pereira@ufma.br) on 2017-07-03T18:32:31Z No. of bitstreams: 1 SelmoRodrigues.pdf: 1374245 bytes, checksum: 96afcfa04ba5cc18c4db55e4c92cdf23 (MD5) / Made available in DSpace on 2017-07-03T18:32:31Z (GMT). No. of bitstreams: 1 SelmoRodrigues.pdf: 1374245 bytes, checksum: 96afcfa04ba5cc18c4db55e4c92cdf23 (MD5) Previous issue date: 2017-01-26 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / This paper proposes a new methodology for modelling based on an evolving Neuro-Fuzzy Network Takagi-Sugeno (NFN-TS) for seasonal time series forecasting. The NFN-TS use the unobservable components extracted from the time series to evolve, i.e., to adapt and to adjust its structure, where the number of fuzzy rules of this network can increase or reduced according the components behavior. The method used to extract the components is a recursive version developed in this paper based on the Spectral Singular Analysis (SSA) technique. The proposed methodology has the principle divide to conquer, i.e., it divides a problem into easier subproblems, forecasting separately each component because they present dynamic behaviors that are simpler to forecast. The consequent propositions of fuzzy rules are linear state space models, where the states are the unobservable components data. When there are available observations from the time series, the training stage of NFN-TS is performed, i.e., the NFN-TS evolves its structure and adapts its parameters to carry out the mapping between the components data and the available sample of original time series. On the other hand, if this observation is not available, the network considers the forecasting stage, keeping its structure fixed and using the states of consequent fuzzy rules to feedback the components data to NFN-TS. The NFN-TS was evaluated and compared with other recent and traditional techniques for forecasting seasonal time series, obtaining competitive and advantageous results in relation to other papers. This paper also presents a case study of proposed methodology for real-time detection of anomalies based on a patient’s electrocardiogram data. / Esse trabalho propõe uma nova metodologia para modelagem baseada em uma Rede Neuro- Fuzzy Takagi-Sugeno (RNF-TS) evolutiva para a previsão de séries temporais sazonais. A RNF-TS considera as componentes não-observáveis extraídas a partir da série para evoluir, ou seja, adaptar e ajustar sua estrutura, sendo que a quantidade de regras fuzzy dessa rede pode aumentar ou ser reduzida conforme o comportamento das componentes. O método utilizado para extrair as componentes é uma versão recursiva desenvolvida nessa pesquisa baseada na técnica de Análise Espectral Singular (AES). A metodologia proposta tem como princípio dividir para conquistar, isto é, dividir um problema em subproblemas mais fáceis de lidar, realizando a previsão separadamente de cada componente já que apresentam comportamentos dinâmicos mais simples de prever. As proposições do consequente das regras fuzzy são modelos lineares no espaço de estados, sendo que os estados são os próprios dados das componentes não-observáveis. Quando há observações disponíveis da série temporal, o estágio de treinamento da RNF-TS é realizado, ou seja, a RNF-TS evolui sua estrutura e adapta seus parâmetros para realizar o mapeamento entre os dados das componentes e a amostra disponível da série temporal original. Caso contrário, se essa observação não está disponível, a rede aciona o estágio de previsão, mantendo sua estrutura fixa e usando os estados dos consequentes das regras fuzzy para realimentar os dados das componentes para a RNF-TS. A RNF-TS foi avaliada e comparada com outras técnicas recentes e tradicionais para previsão de séries temporais sazonais, obtendo resultados competitivos e vantajosos em relação a outras pesquisas. Este trabalho apresenta também um estudo de caso da metodologia proposta para detecção em tempo-real de anomalias baseada em dados de eletrocardiogramas de um paciente.

Submitted by Cristhiane Guerra (cristhiane.guerra@gmail.com) on 2017-01-26T14:55:17Z No. of bitstreams: 1 arquivototal.pdf: 2586746 bytes, checksum: 18b7b08875fbe9dc7bcecd5595b19734 (MD5) / Made available in DSpace on 2017-01-26T14:55:17Z (GMT). No. of bitstreams: 1 arquivototal.pdf: 2586746 bytes, checksum: 18b7b08875fbe9dc7bcecd5595b19734 (MD5) Previous issue date: 2016-07-29 / The demand forecasting studies are of great importance for electricity companies, because there is a need to allocate their resources well in advance, requiring a medium and long- term p lanning. These resources can be the purchase of new equipment, the transmission line acquisition or construction, scheduled maintenance and the purchase and sale of energy. I n this work, a support tool has been developed for experts in strategic planning i n power distribution systems using artificial neural networks to demand forecasting. For the proposed method, it implemented a demand forecasting procedure in the medium term of the region fueled by three substations belonging to the power distribution sys tem managed by EnergisaPB, using a computer model based on Multilayer Perceptron (MLP) artificial neural networks with the assistance of Matlab ® environment. The database was structured by the measurements of active power from 2008 to 2014, provided by En ergisa/PB and the forecast achieved one year ahead (52 weeks) compared with the real data of 2014. In addition, it was possible to evaluate the performance of RNA and estimate the demand growth in the region supplied by each substation, which can assist th e distribution system expansion planning. / Os estudo s de previsão de demanda têm grande importância para empresa s da área de energia elétrica , pois, existe a necessidade de alocar seus recursos com uma certa antecedência , exigindo um planejamento a médio e longo prazo. D entre estes recursos , estão a compra de equipamentos, a aquisição e construção de linhas de transmissão, manutenções programadas e a compra e venda de energia. Nesta premissa, foi desenvolvida uma ferramenta de apoio aos especialistas na área de planejamento estratégico em sistemas de distrib uição de energia elétrica, utilizando redes neurais artificiais para previsão de demanda. Para o método proposto, foi implementado um procedimento de previsão de demanda no médio prazo da região alimentada por três subestações reais pertencentes ao sistema de distribuição de energia gerido pela concessionária Energisa- PB, utilizando um modelo computacional baseado em redes neurais artificiais (RNA) do tipo Multilayer Perceptron (MLP) com o auxílio do ambiente Matlab ® . Foram consideradas as informações reais (banco de dados) da potência ativa, para o período de 2008 até 2014, fornecidas pela própria concessionária e a previsão alcançou o horizonte de um ano a frente (52 semanas). A RNA foi treinada com os dados de 2008 a 2013, e o resultado, comparado com dad os do ano de 2014. Além disso, foi possível avaliar o desempenho da RNA sob diferentes aspectos (volume de treinamento, parâmetros, configurações, camadas ocultas, etc.) e estimar o crescimento de demanda da região alimentada por cada subestação, o que pod e auxiliar o planejamento de expansão do sistema de distribuição.

Submitted by (ana.araujo@ufrpe.br) on 2016-06-28T16:05:18Z No. of bitstreams: 1 David Augusto Silva.pdf: 1453777 bytes, checksum: 4516b869e7e749b770a803eb7e91a084 (MD5) / Made available in DSpace on 2016-06-28T16:05:18Z (GMT). No. of bitstreams: 1 David Augusto Silva.pdf: 1453777 bytes, checksum: 4516b869e7e749b770a803eb7e91a084 (MD5) Previous issue date: 2011-07-01 / The techniques for Time Series Analysis and Forecasting have great presence on the literature over the years. The computational resources combined with statistical techniques are improving the predictive results, and these results have been become increasingly accurate. Computational methods base on Artificial Neural Networks (ANN) and Evolutionary Computing (EC) are presenting a new approach to solve the Time Series Analysis and Forecasting problem. These computational methods are contained in the branch of Artificial Intelligence (AI), and they are biologically inspired, where the ANN models are based on the neural structure of intelligent organism, and the EC uses the concept of nature selection of Charles Darwin. Both methods acquire experience from prior knowledge and example of the given problem. In particular, for the Time Series Forecasting Problem, the objective is to find the predictive model with highest forecast perfomance, where the performance measure are statistical errors. However, there is no universal criterion to identify the best performance measure. Since the ANNs are the predictive models, the EC will constantly evaluate the forecast performance of the ANNs, using a fitness functions to guide the predictive model for an optimal solution. The Data Envelopment Analysis (DEA) was employed to predictive determine the best combination of variables based on the relative efficiency of the best models. Therefore, this work to study the optimization Fitness Function process with Data Envelopment Analysis applied the Intelligence Hybrid System for time series forecasting problem. The data analyzed are composed by financial data series, agribusiness and natural phenomena. The C language program was employed for implementation of the hybrid intelligent system and the R Environment version 2.12 for analysis of DEA models. In general, the perspective of using DEA procedure to evaluate the fitness functions were satisfactory and serves as an additional resource in the branch of time series forecasting. Researchers need to compute the results under different perspectives, whether in the matter of the computational cost of implementing a particular function or which function was more efficient in the aspect of assessing which combinations are unwanted saving time and resources. / As técnicas de análise e previsão de séries temporais alcançaram uma posição de distinção na literatura ao longo dos anos. A utilização de recursos computacionais, combinada com técnicas estatísticas, apresenta resultados mais precisos quando comparados com os recursos separadamente. Em particular, técnicas que usam Redes Neurais Artificiais (RNA) e Computação Evolutiva (CE), apresenta uma posição de destaque na resolução de problemas de previsão na análise de séries temporais. Estas técnicas de Inteligência Artificial (AI) são inspiradas biologicamente, no qual o modelo de RNA é baseado na estrutura neural de organismos inteligentes, que adquirem conhecimento através da experiência. Para o problema de previsão em séries temporais, um fator importante para o maior desempenho na previsão é encontrar um método preditivo com a melhor acurácia possível, tanto quanto possível, no qual o desempenho do método pode ser analisado através de erros de previsão. Entretanto, não existe um critério universal para identificar qual a melhor medida de desempenho a ser utilizada para a caracterização da previsão. Uma vez que as RNAs são os modelos de previsão, a CE constantemente avaliará o desempenho de previsão das RNAs, usando uma função de fitness para guiar o modelo preditivo para uma solução ótima. Desejando verificar quais critérios seriam mais eficientes no momento de escolher o melhor modelo preditivo, a Análise Envoltória de Dados (DEA) é aplicada para fornecer a melhor combinação de variáveis visando a otimização do modelo. Portanto, nesta dissertação, foi estudado o processo de otimização de Funções de Fitness através do uso da Análise Envoltória de Dados utilizando-se de técnicas hibridas de Inteligência Artificial aplicadas a área de previsão de séries temporais. O banco de dados utilizado foi obtido de séries históricas econômico- financeiras, fenômenos naturais e agronegócios obtidos em diferentes órgãos específicos de cada área. Quanto à parte operacional, utilizou-se a linguagem de programação C para implementação do sistema híbrido inteligente e o ambiente R versão 2.12 para a análise dos modelos DEA. Em geral, a perspectiva do uso da DEA para avaliar as Funções de Fitness foi satisfatório e serve como recurso adicional na área de previsão de séries temporais. Cabe ao pesquisador, avaliar os resultados sob diferentes óticas, quer seja sob a questão do custo computacional de implementar uma determinada Função que foi mais eficiente ou sob o aspecto de avaliar quais combinações não são desejadas poupando tempo e recursos.

Submitted by Irene Nascimento (irene.kessia@ufpe.br) on 2016-09-27T18:39:30Z No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) RicardoDeAndradeAraujo.pdf: 2136922 bytes, checksum: 3bf9d638152b4cc1870ed7c533772fae (MD5) / Made available in DSpace on 2016-09-27T18:39:30Z (GMT). No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) RicardoDeAndradeAraujo.pdf: 2136922 bytes, checksum: 3bf9d638152b4cc1870ed7c533772fae (MD5) Previous issue date: 2016-01-01 / CNPQ / Este trabalho apresenta um estudo sobre séries temporais financeiras, em alta-frequência, na tentativa de identificar as características do seu fenômeno gerador e, baseado neste estudo, propor um modelo, composto por uma combinação balanceada entre operadores lineares e operadores não-lineares crescentes e decrescentes, capaz de prever este tipo particular de série temporal. Para o processo de aprendizagem, é proposto um método baseado em gradiente descendente, utilizando ideias do algoritmo de retropropagação do erro (back propagation, BP) e uma abordagem alternativa para superar o problema da não-diferenciabilidade dos operadores não-lineares. Uma análise experimental é conduzida com o modelo proposto, utilizando um conjunto de séries temporais financeiras, em alta-frequência, do mercado de ações Brasileiro: Banco do Brasil SA, Banco Bradesco SA, Brasil Foods SA, BR Malls Participações SA e Companhia Energética Minas Gerais. Nestes experimentos, um conjunto relevante de medidas é utilizado para avaliar o desempenho preditivo do modelo proposto, e os resultados alcançados superam aqueles obtidos utilizando técnicas estatísticas, neurais e híbridas apresentadas na literatura. Também, são realizadas simulações com um sistema de apoio à decisão, baseado em previsão, para compra e venda de ações, tendo em vista demonstrar o desempenho econômico expressivo do modelo proposto no mercado de ações, em alta-frequência. / This work presents a study about high-frequency financial time series to identify the characteristics of their generator phenomenon and, based on such study, to propose a model, composed of a balanced combination of linear operators and increasing and decreasing nonlinear operators, able to predict this kind of time series. For the learning process, it is proposed a descent gradient-based method, using ideas from the back propagation (BP) algorithm and a systematic approach to overcome the problem of nondifferentiability of nonlinear operators. An experimental analysis is conducted with the proposed model, using a set of highfrequency financial time series of the Brazilian stock market: Banco do Brasil SA, Banco Bradesco SA, Brasil Foods SA, BR Malls Participações SA and Companhia Energética Minas Gerais. In these experiments, a relevant set of measures are used to assess the prediction performance of the proposed model, and the achieved results overcome those obtained by statistical, neural and hybrid techniques presented in the literature. Also, it is performed simulations with a prediction-based decision support system, for buy and sale of stocks, to demonstrate the significant economic performance of the proposed model in real high-frequency stock market