Submitted by Luiza Maria Pereira de Oliveira (luiza.oliveira@ufpe.br) on 2017-07-20T17:58:36Z No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) Dissertacao_Hugo_Gouveia_Biblioteca_Central (1).pdf: 2697951 bytes, checksum: c6c11f656ee81de84aeda051d25620c4 (MD5) / Made available in DSpace on 2017-07-20T17:58:36Z (GMT). No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) Dissertacao_Hugo_Gouveia_Biblioteca_Central (1).pdf: 2697951 bytes, checksum: c6c11f656ee81de84aeda051d25620c4 (MD5) Previous issue date: 2011-12-22 / A previsão de ventos é de extrema importância para auxiliar nos estudos de planejamento e programação da operação da geração eólica. Vários estudos já comprovaram que o potencial eólico brasileiro, principalmente no Nordeste, onde os ventos apresentam uma importante característica de complementaridade em relação às vazões do rio São Francisco, pode contribuir significativamente para o suprimento de energia elétrica. Entretanto, o uso das forças dos ventos para produção de energia elétrica produz alguns inconvenientes, tais como, incertezas na geração e a dificuldade no planejamento e operação do sistema elétrico. Este trabalho propõe e desenvolve modelos de previsões de velocidades médias horárias de ventos e geração eólica a partir de técnicas de Redes Neurais Artificiais, Lógica Fuzzy e Análise Wavelet. Os modelos foram ajustados para realizar previsões com passos variáveis de até vinte e quatro horas. Para as previsões realizadas com alguns dos modelos desenvolvidos, os ganhos em relação aos modelos de referência foram da ordem de 80% para as previsões com passo de uma hora. Os resultados demonstraram que a Análise Wavelet aliada às ferramentas de inteligência artificial fornecem previsões muito mais confiáveis do que aquelas obtidas com os modelos de referência, principalmente para as previsões com passos de 1 – 6 horas. / Wind forecasting is extremely important to assist in planning and programming studies for the operation of wind power generation. Several studies have shown that the Brazilian wind potential can contribute significantly to the supply of electricity, especially in the Northeast, where the winds have an important feature of complementarity in relation to the flows of the San Francisco River. However, the use of of wind to generate electricity has some drawbacks, such as uncertainties in generation and some difficulty in planning and operation of the power system. This work proposes and develops models to forecast hourly average wind speeds and wind power generation based on techniques of Artificial Neural Networks, Fuzzy Logic and Wavelets. The models were adjusted for forecasting with variable steps up to twenty-four hours ahead. The gain of some models developed in relation to the reference models were approximately 80% for forecasts in a period of one hour ahead. The results showed that the wavelet analysis combined with artificial intelligence tools provide forecasts more reliable than those obtained with the reference models, especially for forecasts in a period of 1 to 6 hours ahead.

Orientador: Celso Pascoli Bottura / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação / Made available in DSpace on 2018-08-27T02:15:32Z (GMT). No. of bitstreams: 1 Alegria_ElvisOmarJara_M.pdf: 5581682 bytes, checksum: cd5b08b04c7ba4bcd505ab00e5335ffc (MD5) Previous issue date: 2015 / Resumo: Este trabalho é sobre a identificação recursiva em tempo real das dependências parâmetro-estado em modelos de regressão de series temporais estocásticas. O descobrimento dessas dependências é útil para obter uma nova, e mais acurada, estrutura do modelo. Os métodos recursivos convencionais de estimação de parâmetros variantes no tempo, não conseguem bons resultados quando os modelos apresentam parâmetros dependentes do estado (SDP) pois eles tem comportamento altamente não linear e inclusive caótico. Nossa proposta está baseada no estudo de Peter Young para SDPs no caso Off-Line. É discutido o método que ele propõe para reduzir a entropia das séries nos modelos com SDP e para isto se apresenta umas transformações dos dados. São propostas mudanças no seu algoritmo Off-Line que o fazem mais rápido, eficiente e manejável para a implementação do modo On-Line. Finalmente, três exemplos numéricos são mostrados para validar as nossas propostas e a sua aplicação na área de detecção de falhas paramétricas. Todas as funções foram implementadas no MATLAB e conformam um toolbox para identificação de SDP em modelos de regressão / Abstract: This work is about the identification of the dependency among parameters and states in regression models of stochastic time series. The discovery of that dependency can be useful to obtain a more accurate model structure. Conventional recursive algorithms for estimation of Time Variable Parameters do not provide good results in models with state-dependent parameters (SDP) because these may have highly non-linear and even chaotic behavior. This work is based on Peter Young's studies about Off-Line SDP. Young's methods to data entropy reduction are discussed and some data transformations are proposed for this. Later, are proposed some changes on the Off-Line algorithm in order to improve its velocity, accuracy, and tractability to generate the On-Line version. Finally, three numeric examples to validate our proposal are shown. All the functions were implemented in MATLAB and conform a Toolbox to the SDP identification in regression models / Mestrado / Automação / Mestre em Engenharia Elétrica

Mineração de dados tem sido cada vez mais aplicada em distintas áreas com o objetivo de extrair conhecimento interessante e relevante de grandes conjuntos de dados. Nesse contexto, aprendizado de máquina fornece alguns dos principais métodos utilizados em mineração de dados. Dentre os métodos empregados em aprendizado de máquina destacam-se os simbólicos que possuem como principal contribuição a interpretabilidade. Entretanto, os métodos de aprendizado de máquina tradicionais, como árvores e regras de decisão, não consideram a informação temporal presente nesses dados. Este trabalho propõe uma metodologia para extração de conhecimento de séries temporais por meio da extração de características e da identificação de motifs. Características e motifs são utilizados como atributos para a extração de conhecimento por métodos de aprendizado de máquina. Essa metodologia foi avaliada utilizando conjuntos de dados conhecidos na área. Foi realizada uma análise comparativa entre a metodologia e a aplicação direta de métodos de aprendizado de máquina sobre as séries temporais. Os resultados mostram que existe diferença estatística significativa para a maioria dos conjuntos de dados avaliados. Finalmente, foi realizado um estudo de caso preliminar referente ao monitoramento ambiental do reservatório da Usina Hidrelétrica Itaipu Binacional. Nesse estudo somente a identificação de motifs foi aplicada. Foram utilizadas séries temporais referentes à temperatura da água coletadas em distintas regiões do reservatório. Nesse estudo observou-se a existência de um padrão na distribuição dos motifs identificados para cada região do reservatório, corroborando com resultados consagrados na literatura / Data mining has been applied to several areas with the objective of extracting interesting and relevant knowledge from large data bases. In this scenario, machine learning provides some of the main methods employed in data mining. Symbolic learning are among the most used machine learning methods since these methods can provide models that can be interpreted by domain experts. However, traditional machine learning methods, such as decision trees and decision rules, do not take into account the temporal information present into data. This work proposes a methodology to extract knowledge from time series data using feature extraction and motif identification. Features and motifs are used as attributes for knowledge extraction performed by machine learning methods. This methodology was evaluated using some well-known data sets. In addition, we compared the proposed methodology to the approach that feeds machine learning algorithms with raw time series data. Results show that there are statistically significant differences for most of the data sets employed in the study. Finally, it is presented a preliminary study with environmental monitoring data from the Itaipu reservoir, made available by Itaipu Binacional. This study is restricted to the application of motif identification. We have used time series of water temperature collected from several regions of the reservoir. In this study, a pattern in motif distribution was observed for each region of the reservoir, agreeing with some well-known literature results

O crescente aumento no volume de dados complexos tem se tornado um desafio para pesquisadores. Séries temporais são um tipo de dados complexos que tem tido um crescimento em sua relevância, devido a sua importância para o monitoramento e acompanhamento de safras agrícolas. Assim, a mineração de informação a partir de grandes volumes de séries temporais para o apoio a tomada de decisões tem se tornado uma atividade valiosa. Uma das atividades importantes na mineração em séries temporais é a descoberta de padrões frequentes. Entretanto, a complexidade dessa atividade requer métodos rápidos e eficientes. Nesse contexto, esta dissertação de mestrado apresenta propostas para novos algoritmos e métodos para minerar e indexar séries temporais. Uma das propostas dessa dissertação é o índice Telesto, que utiliza uma estrutura baseada em árvores de sufixo generalizada para recuperar séries temporais em uma base de dados de séries temporais de modo rápido e eficiente. Outra proposta dessa dissertação é o algoritmo TrieMotif, que se baseia em uma trie para eliminar comparações desnecessárias entre subsequências, agilizando o processo de mineração de padrões frequentes em séries temporais. Os algoritmos propostos foram utilizados para a análise de dados climáticos e agrometeorológicos. Os resultados apresentados nessa dissertação de mestrado mostram que os algoritmos são escaláveis, podendo ser utilizados para grandes volumes de dados / Dealing with large volumes of complex data is a challenging task that has motivated many researchers around the world. Time series is a type of complex data that is growing in importance due to the increasing demand of sensors for surveillance and monitoring. Thus, mining information from large volumes of time series to support decision making is a valuable activity nowadays. This Master dissertation goes in this direction, as it proposes new algorithms and methods to mine and index time series. The novelty of the TrieMotif, a new algorithm to mine frequent patterns (motifs) from time series employing a trie structure that allows clever comparison between the sequences, as well as the Telesto index structure based on suffix trees area presented and discussed in the context of agrometeorological and climatological data, being the two main contributions of this work. The dissertation shows that the proposed algorithms are scalable, being suitable to big data, and when compared to the competitors they always presented the best results

Um dos grandes desafios em mineração de dados é a integração de dados temporais ao seu processo. Existe um grande número de aplicações emergentes que envolvem dados temporais, incluindo a identificação de transações fraudulentas em cartões de crédito e ligações telefônicas, a detecção de intrusão em sistemas computacionais, a predição de estruturas secundárias de proteínas, a análise de dados provenientes de sensores, entre muitas outras. Neste trabalho, tem-se interesse na classificação de séries temporais que representam sinais de áudio. Como aplicação principal, tem-se interesse em classificar sinais de insetos coletados por um sensor óptico, que deve ser capaz de contar e classificar os insetos de maneira automática. Apesar de serem coletados opticamente, os sinais capturados se assemelham a sinais de áudio. O objetivo desta pesquisa é comparar métodos de classificação por similaridade e por extração de atributos que possam ser utilizados no contexto da classificação de insetos. Para isso, foram empregados os principais métodos de classificação de sinais de áudio, que têm sido propostos para problemas como reconhecimento de instrumentos musicais, fala e espécies animais. Neste trabalho, é mostrado que, de modo geral, a abordagem por extração de atributos é mais eficaz do que a classificação por similaridade. Mais especificamente, os melhores resultados são obtidos com a utilização de coeficientes mel-cepstrais. Este trabalho apresenta contribuições significativas em outras aplicações, também relacionadas à análise de séries temporais e sinais de áudio, por similaridade e por extração de atributos / One of the major challenges in data mining is the integration of temporal data to its process. There are a number of emerging applications that involve temporal data, including fraud detection in credit card transactions and phone calls, intrusion detection in computer systems, the prediction of secondary structures of proteins, the analysis of data from sensors, and many others. In this work, our main interest is the classification of time series that represent audio signals. Our main interest is an application for classifying signals of insects collected from an optical sensor, which should count and classify insects automatically. Although these signals are optically collected, they resemble audio signals. The objective of this research is to compare classification methods based on similarity and feature extraction in the context of insects classification. For this purpose, we used the main classification methods for audio signals, which have been proposed for problems such as musical instrument, speech and animal species recognition. This work shows that, in general, the approach based on feature extraction is more accurate than the classification by similarity. More specifically, the best results are obtained with mel-frequency cepstrum coefficients. This work also presents significant contributions in other applications, also related to the analysis of time series and audio signals by similarity and feature extraction

Submitted by Izabel Franco (izabel-franco@ufscar.br) on 2016-09-06T18:59:08Z No. of bitstreams: 1 TeseFJJS.pdf: 3277696 bytes, checksum: 0a34a4499fb5e482fa95ea8925603968 (MD5) / Approved for entry into archive by Marina Freitas (marinapf@ufscar.br) on 2016-09-12T14:12:50Z (GMT) No. of bitstreams: 1 TeseFJJS.pdf: 3277696 bytes, checksum: 0a34a4499fb5e482fa95ea8925603968 (MD5) / Approved for entry into archive by Marina Freitas (marinapf@ufscar.br) on 2016-09-12T14:13:02Z (GMT) No. of bitstreams: 1 TeseFJJS.pdf: 3277696 bytes, checksum: 0a34a4499fb5e482fa95ea8925603968 (MD5) / Made available in DSpace on 2016-09-12T14:13:13Z (GMT). No. of bitstreams: 1 TeseFJJS.pdf: 3277696 bytes, checksum: 0a34a4499fb5e482fa95ea8925603968 (MD5) Previous issue date: 2015-04-30 / Não recebi financiamento / The good results obtained by the fuzzy approaches applied in the analysis of time series (TS) has contributed significantly to the growth of the area. Although there are satisfactory results in TS analysis with methods that use the classic concepts of TS and with the recent concepts of fuzzy time series (FTS), there is a lack of models combining both areas. Face of this context, the contributions of this thesis are associated with the development of models for TS analysis combining the concepts of FTS with statistical methods aiming at the improvement in accuracy of forecasts and in identification of behavioral changes in the TS. In order to allow a suitable fuzzy representation of crisp values observed, the approaches developed in this thesis were combined with a new proposal for pre-processing of the data. The prediction value is calculated from a new smoothing technique combined with an extension of the fuzzy logic relationships. This combination allow to be considered in value computed different degrees of influence to the most recent behavior and to the oldest behavior of the series. In situations where the model does not have the necessary knowledge to calculate the predicted value, the concepts of simple linear regression are combined with the concepts of the FTS to identify the most recent trend in the TS. The approach developed for the behavioral analysis of the TS aims to identify changes in behavior from the definition of prototypes that represent the groups of the TS and from the segmentation of the series that will be analyzed. In this new approach, the dissimilarity between a segment of a TS and the corresponding interval of a given prototype is defined by metric Fuzzy Dynamic Time Warping weighted by a new smoothing technique applied to the distance matrix between the observed data. The accuracy obtained by the forecast model not only demonstrates the effectiveness of the developed approach, but also shows the evolution of model throughout the research and the importance of preprocessing in the forecast. The analysis of segmented TS identifies satisfactorily the behavioral changes of the series by calculating the membership functions of these segments in the respective groups represented by the prototypes. / Os bons resultados obtidos pelas abordagens fuzzy utilizadas para a análise de séries temporais (ST) tem contribuído significativamente para o crescimento da área. Embora haja resultados satisfatórios na análise de ST com métodos que utilizam os conceitos clássicos de ST e também com os conceitos recentes de séries temporais fuzzy (STF), há uma carência de modelos que combinem ambas as áreas. Diante deste contexto, as contribuições deste trabalho estão associadas ao desenvolvimento de modelos para a análise de ST combinando os conceitos de STF e métodos estatísticos visando a melhora na acurácia das previsões e a identificação de alterações comportamentais nas séries. Com o objetivo de permitir uma melhor representação fuzzy dos valores crisp observados, as abordagens desenvolvidas nesta tese foram associadas a uma nova proposta de pré-processamento dos dados. A previsão de valores é calculada a partir de uma nova técnica de suavização combinada a uma extensão das relações lógicas fuzzy. Essa combinação permite que sejam considerados no cálculo do valor previsto diferentes graus de influência para o comportamento mais recente e para o comportamento mais antigo da série. Em ocasiões onde o modelo não dispõe do conhecimento necessário para o cálculo do valor previsto, os conceitos de regressão linear simples são associados aos conceitos das STF para identificar a tendência mais recente da ST. A abordagem desenvolvida para a análise comportamental das séries tem como objetivo identificar mudanças no comportamento a partir da definição de protótipos que representam um grupo de ST e da segmentação das séries a serem analisadas. Nesta nova abordagem, a dissimilaridade entre um segmento de uma ST e o intervalo correspondente de um determinado protótipo é definida por meio da métrica Dynamic Time Warping (DTW) Fuzzy, ponderada por uma nova técnica de suavização aplicada à matriz de distâncias entre os dados observados. A acurácia obtida pelo modelo de previsão não só comprova a eficácia da abordagem desenvolvida, como também demonstra a evolução do modelo ao longo da pesquisa e a importância do pré-processamento nas previsões. A análise das ST segmentadas identifica satisfatoriamente as alterações comportamentais das séries por meio do cálculo da pertinência dos segmentos nos respectivos grupos representados pelos protótipos.

O segmento de fast-food tornou-se um mercado muito concorrido e com empresas bem conhecidas, tais como: Subway, McDonalds, Burguer King, Bobs e Habibs. Técnicas de inteligência artificial e ciência de dados podem oferecer inúmeros benefícios para este mercado, como por exemplo, permitir o desenvolvimento de modelos computacionais para tomada de decisões. No contexto de finanças onde envolvam a comercialização de determinados produtos, é muito comum deparar-se com cenários que envolvam incerteza, principalmente quando se deseja realizar projeções financeiras, avaliar riscos e estimativas. O objetivo deste trabalho consiste em desenvolver modelos probabilísticos baseados em Redes Bayesianas (RB) para realizar predições em vendas e análise de causalidade entre variáveis que influenciam no processo de comercialização de determinados grupos de produtos no seguimento de fast-food. Nesta análise foram avaliadas Redes Bayesianas com aprendizado de estrutura baseado em restrições, através do algoritmo Grow Shrink (GS), e Redes Bayesianas com aprendizado de estrutura baseado em pontuação, através do algoritmo Hill-Climbing (HC), posteriormente foram comparadas com um modelo de série temporal baseado em Generalized Additive Model (GAM). Os dados para análise foram adquiridos de uma rede de fast-food brasileira que possui cerca de 1100 lojas associadas, destas, foram utilizadas lojas que pertencem ao estado de São Paulo, assim como avaliado variáveis de grupos de vendas no período de 2010 à 2017. Os resultados foram avaliados através da métrica Mean Absolute Percentage Error (MAPE), que considera valores reais alimentados em modelos e valores ajustados a partir do modelo e calcula a diferença absoluta entre os dois como porcentagem do valor real, com base neste cálculo é possível obter a acurácia de cada modelo. A Rede Bayesiana (RB) com aprendizagem de estrutura baseada em pontuação, utilizando o algoritmo Hill Climbing (HC), foi escolhida como o melhor modelo, pois apresentou relações causais mais coerentes entre os vértices que influenciam o processo de venda, bem como combinações de vértices que resultam em combos de produtos, além disso, resultou em 97.60% de acurácia na previsão de vendas das lojas do estado de São Paulo (SP) na amostra de teste avaliada, com base na métrica Mean Absolute Percentage Error (MAPE). / The fast-food segment has become a busy market with well-known companies such as: Subway, McDonalds, Burger King, Bobs and Habibs. Artificial intelligence and data science techniques can offer innumerable benefits to this market, such as allowing the development of computational models for decision making. In the context of finances involving the marketing of certain products, it is very common to come across scenarios where uncertainty is involved, especially when financial projections are desired, to evaluate risks and estimation. The objective of this work is to develop probabilistic models based on Bayesian Networks (BN) to make sales predictions and causality analysis among variables that influence the commercialization process of certain product groups in the fast-food segment. In this analysis we evaluated Bayesian networks with learning of structure based on constraints, through the algorithm Grow Shrink (GS), and Bayesian Networks with learning of structure based on score, through the algorithm Hill-Climbing (HC), later were compared with a model time series based on Generalized Additive Model (GAM). The data for analysis were acquired from a Brazilian fast-food chain with approximately 1100 associated stores, of which stores were used that belong to the state of São Paulo, as well as evaluated variables of sales groups in the period from 2010 to 2017. The results were evaluated by using the Mean Absolute Percentage Error (MAPE), which considers real values fed in models and values adjusted from the model and calculates the absolute difference between the two as a percentage of the real value, based on this calculation it is possible to obtain the accuracy of each model. The Bayesian Network (BN) with scoring based structure learning, using the Hill Climbing (HC) algorithm, was chosen as the best model because it presented more coherent causal relationships between vertices that influence the sales process, as well as combinations of vertices that result in product combos, in addition, achieved a 97.60% accuracy in the sales forecast of stores in the state of Sao Paulo (SP) in the test sample evaluated, based on the Mean Absolute Percentage Error (MAPE) metric.

Esta tese apresenta os resultados de pesquisa sobre geração de séries sintéticas de radiação solar para estudos energéticos, realizada através do uso de modelos estocásticos e com o propósito de desenvolver método para aplicações práticas no setor elétrico. Para tanto, inicialmente foi levantado o estado da arte do tema, com revisão da literatura de séries temporais e de processos estocásticos, suas particularidades e potencialidades, complementado pela contextualização do uso de cenários no setor elétrico nacional, especialmente na operação e planejamento do sistema hidrotérmico, e por experiências internacionais na modelagem do recurso solar. A modelagem das séries utilizou dados reais de localidades do nordeste brasileiro e foi desenvolvida através do método de Box-Jenkins, realizando-se estudos de alternativas para cada uma de suas etapas. O pré-tratamento dos dados foi avaliado por três estratégias de remoção da tendência das séries e na estimativa dos coeficientes dos modelos foram comparados os métodos de Yule-Walker e dos mínimos quadrados. As análises consideraram quatro opções de modelos autorregressivos e os períodos horário, diário e mensal. O modelo autorregressivo convencional com intervalo mensal, identificado como o mais adequado para aplicação em estudos energéticos, e sua variação periódica foram implementados e avaliados com maior profundidade. Este estudo complementar considerou diferentes ordens de atraso e realizou comparações dos resultados por três métodos de cálculo do erro. O modelo desenvolvido com estrutura autorregressiva periódica de primeira ordem apresentou resultados satisfatórios e significativamente superiores aos dos demais modelos. Por fim, este modelo foi empregado na geração de séries sintéticas, criando 1.000 cenários de radiação solar mensal, posteriormente aplicados em modelo de contrato de venda de energia para avaliação de estratégias de participação em leilões, em análise de riscos de suprimento e em estimativa probabilística da receita esperada por parques geradores. / This thesis presents the results of a research on the generation of solar radiation synthetic sequences for energy studies, carried out through the use of stochastic models and with the purpose of developing a method for practical applications in the electric sector. In order to do so, the state of the art was devised through a review of the literature of time series and stochastic processes, their particularities and potentialities, complemented by the contextualization of the use of scenarios in the national electricity sector, especially in the hydrothermal system operation and planning, and international experiences in modeling the solar resource. The series modeling used real data from localities in the Brazilian Northeast and was developed through the Box-Jenkins method, carrying out alternative studies for each of its stages. The data pretreatment has been evaluated by three strategies for the series trend removal and by the methods of least squares and of Yule-Walker for the estimation of the model coefficients. The analysis considered four options of autoregressive models and hourly, daily and monthly periods. The conventional autoregressive model with monthly interval, identified as the most applications in energy studies, and its periodic variation were implemented and evaluated in greater depth. This complementary study considered different orders of delay and made comparisons of the results for three error calculation methods. The model developed with periodic autoregressive structure of first order presented results that are satisfactory and significantly superior than the other models. Finally, this model was used in the generation of synthetic series, creating 1,000 scenarios of monthly solar radiation, to be later applied in a model of power purchase agreement to evaluate strategies for auctions bidding, analysis of supply risks and probabilistic estimation of the expected revenue of power plants.

Neste trabalho, é apresentado um modelo aperfeiçoado para gerar carregamentos dinâmicos pseudo-aleatórios para modelos estruturais sob excitação sísmica e de vento. Este é baseado no modelo de vento sintético proposto por Franco, diferindo pelo fato que usa a transformada de wavelet harmônica ao invés da série de Fourier, pois tem como objetivo descrever um comportamento não estacionário com a ajuda de uma função temporal. Para testar a qualidade do sinal desenvolvido neste trabalho, este foi comparado com sinais verdadeiro, das acelerações de sismos ocorrido na cidade de Hachinohe, no Japão e em El-centro, na Califórnia, e com um sinal gerado pelo modelo do sismo sintético de Corbani, este também baseado no modelo de vento sintético, com o uso de séries de Fourier. Em todas as análises feitas, foi mostrando que embora a geração de carregamentos com transformadas de wavelet harmônica seja mais complexa, esta possui um bom potencial para gerar carregamentos mais próximos da realidade do que métodos usuais baseados em carregamentos estacionários. / In this work is intruduced a improve model to create random loads to use in structural models under sismic and wind disturbance. The model is based on synthetic wind model intends by Franco, differing by the fact that applies harmonic wavelet transform instead of Fourier series, because it has the goal to describe a non stationary behavior with temporal function support. To test the quality from the signal developed in this work, it has been analyzed against true seismic acceleration signal that occurs from Hachinohe city in Japan and El-centro city in California, and with the synthetic seismic model developed by Corbani, that one descending on synthetic wind model, with Fourier series application. In all analysis, although loading creation with harmonic wavelet transform have been more sophisticated, that one has a great potencial to creat loading closer to the fact than usual methods based in stationary loading.

O objetivo deste trabalho é comparar as estruturas de vizinhanças espaciais ou matrizes de pesos espaciais da classe de modelos autorregressivos e de médias móveis espaço-temporais (STARMA). O modelo STARMA é empregado para descrever dados de séries temporais espacialmente localizados, ele é caracterizado pela dependência linear defasada tanto no espaço quanto no tempo. Foram realizadas simulações utilizando vários modelos de covariância espaço-temporal para comparar diferentes estruturas de construção da matriz de pesos espaciais com a finalidade de identificar a melhor matriz. As matrizes espaciais com pesos exponenciais apresentaram os melhores desempenhos de ajuste dos modelos STAR; e mostram uma estabilidade em relação à medida de ajuste. Por fim para ilustração, será ajustado um modelo STARMA para um conjunto de dados mensais do índice FIPEZAP de preço imobiliário de venda para apartamentos de dois dormitórios de seis cidades metropolitanas de São Paulo. / The objective of this work is to compare spatial neighborhoods structures, or the same as spatial weights matrices of the class of space-time autoregressive and moving average models STARMA. The STARMA model is used to describe spatially localized time series datas, it is characterized by the linear dependence lagged both in space and time. Simulations were performed using several space-time covariance models to compare different structures of construction of the weight matrix with the purpose of identifying the best matrix. The spatial matrices with exponential weights presented the best adjustment performances of the STAR models ans showed a stability in relation to the adjustment measure. Finally, for illustration, a STARMA model will be adjusted for a set of monthly data of the FIPEZAP real estate price index for two bedroom apartments in six metropolitan cities of São Paulo.