Spelling suggestions: "subject:"previsores"" "subject:"previsor""
1 |
[en] THE DEMAND FOR RESIDENTIAL ELECTRICITY IN BRAZIL: 2011-2020 / [pt] A DEMANDA POR ENERGIA ELÉTRICA RESIDENCIAL NO BRASIL: 2011-2020RODRIGO ANTONIO FARINAZZO 18 July 2012 (has links)
[pt] Com este trabalho, objetivou-se quantificar as relações entre a demanda de energia elétrica e alguns de seus determinantes na classe Residencial do Brasil. Inicialmente, é feita uma breve discussão sobre o consumo residencial de energia no País ao longo das quatro últimas décadas, a fim de se conhecer o mesmo dentro de um contexto mais amplo. Posteriormente, adotou-se uma modelagem econométrica objetivando estimar as elasticidades-preço, renda e preço de eletrodomésticos. Após identificar que as séries temporais das variáveis estudadas são não estacionárias, optou-se pela utilização do conceito de Cointegração. Em seguida, foram estimados os Modelos de Correção de Erros Vetoriais (VECM) os quais foram utilizados para projetar o consumo de energia elétrica para o período 2011-2020. Num terceiro momento, entendendo o crescimento populacional e o número de domicílios como fatores importantes na determinação do número de unidades consumidoras residenciais e, consequentemente, na demanda de energia elétrica, foi adotado o método Taxa de Chefia baseado no modelo idade-período-coorte (IPC) objetivando projetar a Taxa de Chefia e o número de domicílios que deverão ser atendidos pelas concessionárias de distribuição durante o período 2011-2020. Por fim, diante das informações obtidas junto às referidas projeções, aplicou-se o método de decomposição do índice de Divisia de média logarítmica I (LMDI I) a fim de explicar a variação da demanda de energia sob a ótica de três variáveis, aqui denominadas Consumo Médio, Taxa de Atendimento e Domicílio. / [en] This work aims to quantify the relations between the electricity demand and some of its determinants in the Residential sector of Brazil. To begin with a short discussion is carried out on the Residential energy consumption in the country throughout the last four decades so as to get to know the residential consumption within a wider context. After, we adopted an econometric modeling aiming to estimate price elasticities, income and price of home appliances. As the series of the variables studied were proved non-stationary, the Cointegration approach was adopted. Vector Error Correction Models (VECM) were estimated and used to project the consumption of electric energy during the 2011-2020 period. The third point concerns, understanding the population growth and the number of households as important factors in determining the number of residential consumer units and, consequently, the demand for electricity, has been adopted the method leadership rate based on age-period-cohort model (APC) aiming to projecting the rate at the leadership rate and the number of homes that should be attended by energy concession during the period 2010-2020. Finally, in face of information obtained from these forcasts, we applied the logarithmic mean Divisia index decomposition method I (LMDI I) in order to explain the variation in energy demand on the optics of the three variables, called Average Consumption, Attendance rate and Household.
|
2 |
[en] EVALUATION OF ELASTOPLASTIC FRACTURE PREDICTIONS / [pt] AVALIAÇÃO DE PREVISÕES DE FRATURA ELASTOPLÁSTICAJORGE ARTURO HINOSTROZA MEDINA 29 July 2015 (has links)
[pt] Neste trabalho apresenta-se uma análise dos principais procedimentos
desenvolvidos para calcular a tenacidade à fratura sob condições elastoplásticas.
São avaliadas as principais medidas de tenacidade, bem como as diferenças,
características, fontes de conservadorismo e as principais referências
bibliográficas que relatam diferenças nas metodologias de cálculo para prever as
cargas de falha em estruturas com defeito. Também são analisados os principais
procedimentos de avaliação da Integridade Estrutural de estruturas com defeito
(Fitness For Service, FFS). Testes de tenacidade são feitos variando as condições
de restrição em torno da trinca (geometria do CP, tamanho inicial de trinca,
entalhe lateral). Foram levantadas as curvas JR para todos os CPs testados, e
previsões de carga de fratura são feitas segundo os principais procedimentos FFS,
e testes são realizados em placas trincadas centralmente com o objetivo de
registrar as cargas de falha do defeito, para compará-las com as previsões dos
procedimentos FFS e avaliar o conservadorismo de cada um deles. Como outra
contribuição ao trabalho, simulações numéricas dos ensaios de tenacidade são
desenvolvidas com o objetivos de reproduzir os testes feitos e calibrar os
parâmetros de simulação de rasgamento dúctil em estruturas com defeito. / [en] This work presents an analysis of the main procedures developed to
calculate fracture toughness under elastoplastic conditions. The main measures of
toughness, differences, characteristics, and sources of conservatism are evaluated.
Also, the main bibliographies reporting differences in calculation methods to
predict failure loads in flawed structures are examined. Lastly, the main
assessment procedures of Structural Integrity of structures with flaws (fitness for
service, FFS) are also analyzed.Toughness tests are performed varying the
constraint conditions near the crack tip (geometry, initial crack size, side grooves).
JR curves and fracture load predictions were made according to the principal FFS
procedures. Also, experimental tests are performed on centrally cracked plates in
order to record the failure loads of the structure, to compare them with the
predictions of FFS procedures and to evaluate their conservatism. Other
contributions of this work are numerical simulations of toughness tests, developed
in order to reproduce the tests and calibrate the simulation parameters of ductile
tearing in structures with flaws.
|
3 |
[en] NEURAL EXPERT WEIGHTING / [pt] PONDERAÇÃO NEURAL DE EXPERTSRAFAEL DE OLIVAES VALLE DOS SANTOS 09 August 2012 (has links)
[pt] Diversos resultados empíricos na área de séries temporais indicam que combinar previsores (experts) é, em média, melhor que tentar selecionar um único modelo de previsão. Na medida em que se decide por um esquema de combinação linear, há vários métodos disponíveis para determinar o quanto cada previsor deve contribuir para a resposta consensual, ou em outras palavras, quais devem ser os pesos dos previsores envolvidos. Em um primeiro momento, este trabalho explora o uso prático de diversos métodos tradicionais de ponderação para combinação linear de previsores. Em seguida, propõe um novo sistema para geração de pesos, especialmente projetado para a melhoria do desempenho nas previsões múltiplos passos a frente. O sistema, batizado de Ponderação Neural de Experts (NEW – Neural Expert Weighting), gera modelos de ponderação dinâmica baseados em redes neurais. As redes neurais oferecem a robustez necessária para a simulação de funções de ponderação de alto desempenho, derivadas de um ou mais métodos tradicionais de geração de pesos. O sistema NEW foi avaliado em diversos experimentos comparativos, contemplando 13 séries temporais divididas em dois estudos de casos – derivados do petróleo e competição NN3, uma competição entre metodologias de previsão baseadas em inteligência computacional. Os resultados obtidos foram considerados promissores. / [en] Several empirical results on the time series field indicate that combining forecasting models (experts) is, on average, better than selecting a single forecasting model. Once the linear combination framework is chosen, there are many ways to define the amount of contribution of each combining model to the consensual response; in other words, there are many possible weighting methods. At first, the present work explores the usage of traditional weight generation schemes for the linear combination of forecasters. Afterwards, it proposes a new weight generation framework, specially designed to improve multistep ahead forecasting. The framework, called Neural Experts Weighting (NEW), generates dynamic weighting models based on neural networks. The neural networks provide the desired robustness for the simulation of high performance weighting functions, derived from one or more traditional weighting methods. The NEW framework was assessed with several comparative experiments, encompassing 13 time series divided into two case studies – downstream and NN3 competition, a forecasting competition for computational intelligence methodologies. Results were considered to be promising.
|
4 |
[en] A SYSTEM TO FORECAST WEEKLY LOAD ELECTRICITY DATA / [pt] SISTEMA DE PREVISÃO DE CARGA SEMANALLAURA VALERIA LOPES DE ALMEIDA 09 November 2005 (has links)
[pt] A presente dissertação tem por objetivo o estudo
quantitativo da previsão da demanda de carga elétrica
semanal para a região sudeste e em particular, para os
Estados do Rio de Janeiro e São Paulo. Foram estudadas
para tanto as séries reais dos últimos 7(sete) anos, ou
seja, de janeiro de 1991 a novembro de 1997 das
concessionárias LIGHT, CERJ, CESP, CPFL e ELETROPAULO.
Para o estudo de previsão foi utilizado o conceito in
sample, ou seja, parte real dos dados foram separados e
mais tarde comparados com os valores previstos
experimentalmente para aquela mesma época dos dados reais
separados. Desta forma, permitiu-se averiguar qual seria a
precisão da previsão, verificando-se os erros entre os
valores experimentais e reais.
Para os cálculos das previsões, também foi utilizado o
conceito de bayesiano de combinação de previsões
(outperformance) das duas técnicas a saber: redes neurais
artificiais (software Neunet) e o modelo clássico Box &
Jenkins (software Autobox).
Para se obter o valor combinado das previsões, foi
utilizado software matlab que se comportou de maneira
adequada para o estudo em questão. Além disso vale
acrescentar que o software Neunet foi utilizado, pois
possui em seu ambiente a técnica de eliminação de sinapses
enquadra-se dentro do conceito de redes neurais
multicamadas com retropropagação dos erros. / [en] The goal of this dissertation is to present a quantitative
study in time series of weekly electrical charge demand at
the southeast region, particulary at Rio de Janeiro and
São Paulo.
In this work will be analysed the last 7 years, from
january 1991 to november of 1997. The next time series
were study: LIGHT, CERJ, CESP, CPFL and ELETROPAULO.
Aimming to test the model against real data the concept of
sample data was utilized in this dissertation.
Another concept used in this work was outperformance.
Outperformance is a Bayesian concept that involves the
combination of two or more techniques in order to enchance
the forecasting results. Artificial neural network and Box
and Jenkins method are combined in this work. It is also
interesting to notice that weight elimination, which is a
new ANN technique, proved to be faster then classical back-
propagation and yielded better results.
|
5 |
[en] ESTIMATION OF THE SHORTAGE EFFECTS IN LOAD FORECASTING / [pt] ESTIMATIVA DOS EFEITOS DO RACIONAMENTO NAS PREVISÕES DE CARGA ELÉTRICAMARCELO PIERI FERREIRA 01 March 2004 (has links)
[pt] Esta dissertação investiga os efeitos do racionamento de
energia elétrica ocorrido no período entre junho de 2001 a
fevereiro de 2002, nas previsões de energia das principais
concessionárias brasileiras. Para tal, estudamos o
desempenho de modelos lineares e não-lineares. Dentre os
modelos lineares, analisamos os modelos ARIMA (p,d,q) de
Box & Jenkins e os modelos de amortecimento exponencial de
Holt & Winters. Dentre os modelos não-lineares, são
abordadas técnicas de inteligência artificial tais como
Redes Neurais e Lógica Fuzzy. Visto que o racionamento
levou a previsões ineficientes, propomos alternativas para
reduzir seu impacto. Por último, investigamos os impactos
causados pela crise energética nas previsões doze passos à
frente de carga elétrica provenientes de vinte e oito
concessionárias. A base de dados é composta pelos valores
observados e as previsões fornecidas pelo PREVCAR, um dos
sistemas de previsão da cadeia oficial de programas do
setor elétrico brasileiro. Por meio de um procedimento de
Análise de Agrupamento utilizando Redes Neurais Artificiais
do tipo SOM (Self Organizing Map) de Kohonen são
estabelecidos os grupos de concessionárias que possuem os
mesmos comportamentos diante do racionamento. Como
resultado final, foram estimados fatores de redução das
previsões causados pelo racionamento, que servem como base
de cálculo para reduções nas previsões futuras em períodos
de crise de abastecimento. / [en] This dissertation aims at an exploratory study of impacts
caused by the 2001 energy crisis on the current forecasts
produced on a monthly basis for main distributing
utilities. For that we show an accuracy study of the
performance of the linear and non-linear models. It has
been used, within the linear models class, the modeling
approach of Box-Jenkins and exponential smoothing of Holt-
Winters. Within the non-linear ones, it was chosen those
based on artificial intelligence techniques, such as Fuzzy
Logic and Artificial Neural Network. Due to the lack of
accuracy of the models to cope with the discontinuities
provoked by the crisis on the forecasts, some alternative
tools to reduce the impact on the forecast errors are
proposed. Finally, the impacts caused by the crisis on
multiple steps ahead forecasts have also been
investigated. It was taken the monthly forecasts produced
by PREVCAR (one of official Brazilian load forecasting
system), as well as the observed values covering the same
period, to create the crisis response indices series for
each one of the twenty and eight utilities included in the
analysis. It was also used the well-known neural network
based algorithm SOM (Self Organizing Maps) to classify the
utilities into homogeneous groups, according to their
response to the energy crisis. As a final result, for each
group, it was estimated the reduction factors that can be
used as a prior information in future energy supply
crisis.
|
6 |
[pt] MODELAGEM HÍBRIDA WAVELET INTEGRADA COM BOOTSTRAP NA PROJEÇÃO DE SÉRIES TEMPORAIS / [en] MODELING HYBRID WAVELET INTEGRATED WITH BOOTSTRAP IN PROJECTION TEMPORAL SERIESRICARDO VELA DE BRITTO PEREIRA 31 March 2016 (has links)
[pt] Na previsão de séries temporais, alguns autores supõem que um método de previsão individual (por exemplo, um modelo ARIMA) produz resíduos (ou erros de previsão) semelhantes a um processo de ruído branco (imprevisível). No entanto, principalmente devido às estruturas de autodependência não mapeadas por um método preditivo individual, tal suposição pode ser facilmente violada na prática. Esta tese propõe um Previsor Híbrido Wavelet (PHW) que integra as seguintes técnicas: decomposição wavelet; modelos ARIMA; redes neurais artificiais (RNAs); combinação de previsões; programação matemática não linear e amostrador Bootstrap. Em termos gerais, o PHW proposto aqui é capaz de capturar, ao mesmo tempo, estruturas com autodependência linear por meio de uma combinação linear wavelet (CLW) de modelos ARIMA, (cujo ajuste numérico ótimo ocorre por programação matemática não linear) e não linear (usando uma RNA wavelet automática) exibidas pela série de tempo a ser predita. Diferentemente de outras abordagens híbridas existentes na literatura, as previsões híbridas produzidas pela PHW proposto levam em conta implicitamente, através da abordagem de decomposição wavelet, as informações oriundas da frequência espectral presentes na série temporal subjacente. Os resultados estatísticos mostram que a metodologia híbrida supracitada alcançou ganhos de precisão relevantes no processo preditivo de quatro séries de tempo diferentes bem conhecidas, quando se compara com outras meteorologistas competitivas. / [en] In time series analysis some authors presume that a single model (an ARIMA for instance) may yield white noise errors. However that assumption can be easily violated, especially in scenarios where unmapped auto dependency structures are present inside the series. With that being said, this thesis proposes a new approach called Hybrid Wavelet Predictor (HWP) which integrates the following techniques: Wavelet Decomposition, ARIMA models, Neural Networks (NN), Combined Prediction, Non-linear mathematical programming and Bootstrap Sampling. In a broad sense, the proposed HWP is able to capture not only the linear auto-dependent structures from ARIMA using linear wavelet combination (where its optimal numerical adjustment is made through non-linear mathematical programming), but also the non-linear structures by using Neural Network. Differently from others hybrid approaches known to date, the hybrid predictions given by HWP model take into account. Statistical tests show that the hybrid approach stated above increased the prediction s effectiveness by a significant amount when compared with four well known processes.
|
7 |
[pt] ENSAIOS SOBRE PREVISÃO DE INFLAÇÃO: DESAGREGAÇÃO, COMBINAÇÃO DE PREVISÕES E DADOS NÃO ESTRUTURADOS / [en] ESSAYS CONCERNING INFLATION FORECASTING: DISAGGREGATION, COMBINATION OF FORECASTS, AND UNSTRUCTURED DATAGILBERTO OLIVEIRA BOARETTO 07 August 2023 (has links)
[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.
|
8 |
[en] GETTING THE MOST OUT OF THE WISDOM OF THE CROWDS: IMPROVING FORECASTING PERFORMANCE THROUGH ENSEMBLE METHODS AND VARIABLE SELECTION TECHNIQUES / [pt] TIRANDO O MÁXIMO PROVEITO DA SABEDORIA DAS MASSAS: APRIMORANDO PREVISÕES POR MEIO DE MÉTODOS DE ENSEMBLE E TÉCNICAS DE SELEÇÃO DE VARIÁVEISERICK MEIRA DE OLIVEIRA 03 June 2020 (has links)
[pt] A presente pesquisa tem como foco o desenvolvimento de abordagens híbridas que combinam algoritmos de aprendizado de máquina baseados em conjuntos (ensembles) e técnicas de modelagem e previsão de séries temporais. A pesquisa também inclui o desenvolvimento de heurísticas inteligentes de seleção, isto é, procedimentos capazes de selecionar, dentre o pool de preditores originados por meio dos métodos de conjunto, aqueles com os maiores potenciais de originar previsões agregadas mais acuradas. A agregação de funcionalidades de diferentes métodos visa à obtenção de previsões mais acuradas sobre o comportamento de uma vasta gama de eventos/séries temporais.
A tese está dividida em uma sequência de ensaios. Como primeiro esforço, propôsse um método alternativo de geração de conjunto de previsões, o que resultou em previsões satisfatórias para certos tipos de séries temporais de consumo de energia elétrica. A segunda iniciativa consistiu na proposição de uma nova abordagem de previsão combinando algoritmos de Bootstrap Aggregation (Bagging) e técnicas de regularização para se obter previsões acuradas de consumo de gás natural e de abastecimento de energia
em diferentes países. Uma nova variante de Bagging, na qual a construção do conjunto de classificadores é feita por meio de uma reamostragem de máxima entropia, também foi proposta. A terceira contribuição trouxe uma série de inovações na maneira pela qual são conduzidas as rotinas de seleção e combinação de modelos de previsão. Os ganhos em acurácia oriundos dos procedimentos propostos são demonstrados por meio de um experimento extensivo utilizando séries das Competições M1, M3 e M4. / [en] This research focuses on the development of hybrid approaches that combine ensemble-based supervised machine learning techniques and time series methods to obtain accurate forecasts for a wide range of variables and processes. It also includes the development of smart selection heuristics, i.e., procedures that can select, among the pool of forecasts originated via ensemble methods, those with the greatest potential of delivering accurate forecasts after aggregation. Such combinatorial approaches allow the
forecasting practitioner to deal with different stylized facts that may be present in time series, such as nonlinearities, stochastic components, heteroscedasticity, structural breaks, among others, and deliver satisfactory forecasting results, outperforming benchmarks on many occasions.
The thesis is divided into a series of essays. The first endeavor proposed an alternative method to generate ensemble forecasts which delivered satisfactory forecasting results for certain types of electricity consumption time series. In a second effort, a novel forecasting approach combining Bootstrap aggregating (Bagging) algorithms, time series methods and regularization techniques was introduced to obtain accurate forecasts of natural gas consumption and energy supplied series across different countries. A new
variant of Bagging, in which the set of classifiers is built by means of a Maximum Entropy Bootstrap routine, was also put forth. The third contribution brought a series of innovations to model selection and model combination in forecasting routines. Gains in accuracy for both point forecasts and prediction intervals were demonstrated by means of an extensive empirical experiment conducted on a wide range of series from the M- Competitions.
|
9 |
[en] A HYBRID NEURO- EVOLUTIONARY APPROACH FOR DYNAMIC WEIGHTED AGGREGATION OF TIME SERIES FORECASTERS / [pt] ABORDAGEM HÍBRIDA NEURO-EVOLUCIONÁRIA PARA PONDERAÇÃO DINÂMICA DE PREVISORESCESAR DAVID REVELO APRAEZ 18 February 2019 (has links)
[pt] Estudos empíricos na área de séries temporais indicam que combinar
modelos preditivos, originados a partir de diferentes técnicas de modelagem,
levam a previsões consensuais superiores, em termos de acurácia, às previsões
individuais dos modelos envolvidos na combinação. No presente trabalho é
apresentada uma metodologia de combinação convexa de modelos estatísticos de
previsão, cujo sucesso depende da forma como os pesos de combinação de cada
modelo são estimados. Uma Rede Neural Artificial Perceptron Multi-camada
(Multilayer Perceptron - MLP) é utilizada para gerar dinamicamente vetores de
pesos ao longo do horizonte de previsão, sendo estes dependentes da contribuição
individual de cada previsor observada nos dados históricos da série. O ajuste dos
parâmetros da rede MLP é efetuado através de um algoritmo de treinamento
híbrido, que integra técnicas de busca global, baseadas em computação
evolucionária, junto com o algoritmo de busca local backpropagation, de modo a
otimizar de forma simultânea tanto os pesos quanto a arquitetura da rede, visando,
assim, a gerar de forma automática um modelo de ponderação dinâmica de
previsores de alto desempenho. O modelo proposto, batizado de Neural Expert
Weighting - Genetic Algorithm (NEW-GA), foi avaliado em diversos
experimentos comparativos com outros modelos de ponderação de previsores,
assim como também com os modelos individuais envolvidos na combinação,
contemplando 15 séries temporais divididas em dois estudos de casos: séries de
derivados de petróleo e séries da versão reduzida da competição NN3, uma
competição entre metodologias de previsão, com maior ênfase nos modelos
baseados em Redes Neurais. Os resultados demonstraram o potencial do NEWGA
em fornecer modelos acurados de previsão de séries temporais. / [en] Empirical studies on time series indicate that the combination of forecasting
models, generated from different modeling techniques, leads to higher
consen+sus forecasts, in terms of accuracy, than the forecasts of individual
models involved in the combination scheme. In this work, we present a
methodology for convex combination of statistical forecasting models, whose
success depends on how the combination weights of each model are estimated.
An Artificial Neural Network Multilayer Perceptron (MLP) is used to generate
dynamically weighting vectors over the forecast horizon, being dependent on the
individual contribution of each forecaster observed over historical data series. The
MLP network parameters are adjusted via a hybrid training algorithm that
integrates global search techniques, based on evolutionary computation, along
with the local search algorithm backpropagation, in order to optimize
simultaneously both weights and network architecture. This approach aims to
automatically generate a dynamic weighted forecast aggregation model with
high performance. The proposed model, called Neural Expert Weighting -
Genetic Algorithm (NEW-GA), was com- pared with other forecaster
combination models, as well as with the individual models involved in the
combination scheme, comprising 15 time series divided into two case studies:
Petroleum Products and the reduced set of NN3 forecasting competition, a
competition between forecasting methodologies, with greater emphasis on
models based on neural networks. The results obtained demonstrated the
potential of NEW-GA in providing accurate models for time series forecasting.
|
Page generated in 0.0423 seconds