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.

Submitted by Fabio Sobreira Campos da Costa (fabio.sobreira@ufpe.br) on 2017-03-08T13:00:17Z No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Dissertacao_LeonardoDallaPorta.pdf: 4244662 bytes, checksum: 214ab17f2ee3583441af553e0a0a7931 (MD5) / Made available in DSpace on 2017-03-08T13:00:17Z (GMT). No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Dissertacao_LeonardoDallaPorta.pdf: 4244662 bytes, checksum: 214ab17f2ee3583441af553e0a0a7931 (MD5) Previous issue date: 2016-10-06 / FACEPE / Avalanches neuronais, assim como oscilações e sincronização, são padrões de atividade espontânea observados em redes neuronais. O conceito de avalanches neuronais foi concebido na última década. Esse padrão de atividade tem distribuições de tamanhos P(s) e durações P(d) invariantes por escala, i.e., obedecem relações do tipo lei de potência P(s) ∼ s −τ, com expoente τ ≃ 3/2, e P(d) ∼ d−τt, com expoente τt ≃ 2, respectivamente. Essas propriedades são compatíveis com a ideia de que o cérebro opera em um regime crítico. A partir dessas constatações, muitos estudos teóricos e experimentais reportaram os potenciais benefícios de um cérebro operando na criticalidade, como por exemplo a máxima sensibilidade aos estímulos sensoriais, máxima capacidade de informação e transmissão e uma ótima capacidade computacional. Modelos da classe de universalidade de percolação direcionada (DP) têm sido amplamente utilizados para explicar a estatística invariante por escala das avalanches neuronais. Porém estes modelos não levam em consideração a dinâmica dos neurônios inibitórios e, além disso, como apresentam uma transição de fase entre um estado absorvente e uma fase ativa, torna-se difícil conciliar o modelo com correlações temporais de longo alcance que são observadas experimentalmente em diferentes escalas espaciais. Neste contexto, um novo modelo computacional (CROs, do original em inglês Critical Oscillations) surgiu na literatura (Poil et al., J. Neurosci., 32 9817, 2012), incluindo neurônios inibitórios e buscando conciliar correlações temporais com avalanches neuronais. Neste modelo não há uma fase absorvente, e uma suposta transição de fases ocorre entre uma fase ativa e outra com oscilações coletivas. Devido à ausência de uma fase absorvente, avalanches neuronais são definidas comparando-se a atividade instantânea da rede com um limiar que depende da mediana da atividade total. Justamente na linha crítica do espaço de parâmetros, quando há uma balanço entre excitação e inibição neuronal, avalanches neuronais invariantes por escala são observadas juntamente com correlações temporais de longo alcance (ruído 1/ f). No presente trabalho, um estudo mais profundo a respeito dos resultados reportados para o modelo CROs foi realizado. As oscilações neuronais mostraram-se robustas para diferentes tamanhos de rede, e observamos que a dinâmica local reflete a dinâmica oscilatória global da rede. Correlações temporais de longo alcance foram observadas (num intervalo de escalas temporais) através da técnica de Detrended Fluctuation Analysis, sendo robustas perante modificações no tamanho da rede. O resultado foi confirmado pela análise direta do espectro, que apresentou decaimento do tipo 1/ f numa determinada faixa de frequências. O diagrama de fases do modelo mostrou-se robusto em relação ao tamanho da rede, mantendo-se o alcance das interações locais. Entretanto, os resultados mostraram-se fortemente dependentes do limiar utilizado para detecção das avalanches neuronais. Por fim, mostramos que distribuições de durações de avalanches são do tipo lei de potência, com expoente τt ≃ 2. Este resultado é inédito e o valor encontrado coincide com o expoente crítico da classe de universalidade de DP na dimensão crítica superior. Em conjunto, nossos resultados fornecem mais evidências de que o modelo CROs de fato apresenta uma transição de fases. / Neuronal avalanches, as well as waves and synchronization, are types of spontaneous activity experimentally observed in neuronal networks. The concept of neuronal avalanches was conceived in the past decade. This pattern of activity has distributions of size P(s) and duration P(d) which are scale invariant, i.e., follow power-law relations P(s) ∼ s−τ, with exponent τ ≃ 3/2, and P(d) ∼ d−τd, with exponent τt ≃ 2, respectively. These properties are compatible with the idea that the brain operates in a critical regime. From these findings, many theoretical and experimental studies have reported the potential benefits of a brain operating at criticality, such as maximum sensitivity to sensory stimuli, maximum information capacity and transmission and an optimal computational capabilities. Models belonging to the directed percolation universality class (DP) have been widely used to explain the scale invariant statistic of neuronal avalanches. However, these models do not take into account the dynamics of inhibitory neurons and, since as they present a phase transition between an absorbing state and an active phase, it is difficult to reconcile the model with long-range temporal correlations that are observed experimentally at different spatial scales. In this context, a new computational model (CROs, Critical Oscillations) appeared in the literature (Poil et al., J. Neurosci., 32 9817, 2012), including inhibitory neurons and seeking to reconcile temporal correlations with neuronal avalanches. In this model there is no absorbing phase, and a supposed phase transition occurs between an active phase and another with collective oscillations. Due to the lack of an absorbing phase, neuronal avalanches are defined comparing by the instant network activity with a threshold that depends of the total activity median. Precisely at the critical line in parameter space, when a balance between neuronal excitation and inhibition occurs, scale invariant neuronal avalanches are observed with long-range temporal correlations (1/ f-like noise). In the present work, a deeper study about the results reported for the CROs model was performed. Neuronal oscillations have been shown to be robust to increasing network sizes, and it was observed that local dynamic reflects the oscillatory global dynamic of the network. Long-range temporal correlations were observed (in a range of time scales) via Detrended Fluctuation Analysis, being robust against changes in network size. The result was confirmed by direct analysis of the spectrum, which showed a decay like 1/ f in a given frequency band. The phase diagram of the model was robust with respect to the network size, as long as the range of local interactions was kept. However, the results were dependent of the threshold used to detect neuronal avalanches. Finally, we have shown that the distributions of avalanches duration follows a power-law with exponent τt ≃ 2. This result is unprecedented and the value obtained coincides with the critical exponent of the DP universality class in the upper critical dimension. Together, our results provide further evidence that in fact the CROs model presents a phase transition.

Submitted by Rafael Santana (rafael.silvasantana@ufpe.br) on 2017-05-04T17:26:09Z No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) ThiagoLacerda_dissertacao_CD.pdf: 3710836 bytes, checksum: 28f0e32dde464cdfd59c89964029a739 (MD5) / Made available in DSpace on 2017-05-04T17:26:09Z (GMT). No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) ThiagoLacerda_dissertacao_CD.pdf: 3710836 bytes, checksum: 28f0e32dde464cdfd59c89964029a739 (MD5) Previous issue date: 2016-07-29 / Pattern mining in spatio-temporal datasets is a really relevant subject in the academia and the industry nowadays, due to its wide applicability in helping to solve real-world problems. Many of them can be found in the context of Smart Cities, like Traffic Management, Surveillance and Security and City Planning, to name a few. Among the various spatio-temporal patterns that one can extract from a spatio-temporal dataset, the flock pattern is one that has gained a lot of attention, because of its intrinsic relation with the aforementioned problems. A lot of work has been done in the academia, in order to provide algorithms able to identify the flock pattern. However, none of them could perform that task efficiently nor be able to scale well when a large dataset was the analysis target. Additionally, we found that there was no system architecture proposal that could be simple and modular enough to be used in that spatio-temporal pattern detection problem. Given that context, this dissertation proposes a modular system archicture designed to help solving flock pattern mining problems and possibly be reused to other spatio-temporal mining experiments. We then use such architecture as the infrastructure to implement an efficient flock detection algorithm, aiming at achieving considerable gains in execution time without compromising accuracy, thus targeting real-time deployment and on-line processing in Smart Cities. Last, but not least, we remodel our algorithm in order to take advantage of multi-core architectures present in modern computers. Our results indicate that our proposal outperforms the current state-of-the-art techniques, by achieving 99% CPU time improvement. Moreover, with our multi-thread model, we were able to reduce the processing time of our proposed algorithm by 96% in some cases. We prove the efficiency of our solution by performing evaluation with both real and synthetic large datasets. / Detecção de padrões em dados espaço-temporais tem se mostrado um tema de muita relevância nos dias atuais, tanto na academia quanto na indústria, devido a sua vasta aplicabilidade em auxiliar a solucionar problemas enfrentados na sociedade. Muitos desses problemas podem ser classificados no conexto de Cidades Inteligentes (Smart Cities), como Gerenciamento de Tráfego, Segurança e Planejamento de Cidades. Dentre os vários padrões espaço-temporais que podem ser extraídos de uma base de dados, o padrão de flock é um que vem atraindo muita atenção, devido a sua relação intrínseca com os problemas mencionados anteriormente. Muitas pesquisas vêm sendo feitas na academia, visando desenvolver algoritmos capazes de identificar esse padrão de movimentação. Porém, nenhum deles foi capaz de executar tal tarefa eficientemente, nem conseguiu escalar de maneira aceitável quando uma base de dados de grande tamanho foi analisada. Além disso, não foi encontrado nos trabalhos relacionados uma arquitetura de software que conseguisse ser simples e modular o suficiente para ser usada no problema de detecção de padrões de flock em dados espaço-temporais. Com isso em mente, essa dissertação propõe uma arquitetura de software modular, direcionada para solucionar problemas de detecção desse padrão e possivelmente ser utilizada para outros experimentos envolvendo mineração de padrões em dados espaço-temporais. Tal arquitetura foi então usada como base na implementação de um algoritmo de detecção de flock, focando em alcançar grandes ganhos em tempo de processamento, sem comprometer a precisão, visando então cenários de aplicações de tempo real em Cidades Inteligentes. No fim, nós propomos uma remodelagem no nosso algoritmo para poder utilizar ao máximo o poder de processamento oferecido pelas arquiteturas multi-core dos processadores modernos. Nossos resultados mostraram que nossa solução conseguiu superar propostas do estado da arte, alcançando 99% de redução no tempo de processamento total. Além disso, nossa remodelagem multi-thread conseguiu melhorar os resultados da nossa solução em até 96% em alguns casos. A eficiência e performance da nossa proposta foi comprovada com avaliações feitas com bases de dados geradas sinteticamente e coletadas em experimentos reais.

Submitted by Fabio Sobreira Campos da Costa (fabio.sobreira@ufpe.br) on 2017-08-23T12:48:01Z No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) dissertacao_mestrado_rafael_araujo.pdf: 1319314 bytes, checksum: 15854b595d618c609a911b95573a01ad (MD5) / Made available in DSpace on 2017-08-23T12:48:01Z (GMT). No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) dissertacao_mestrado_rafael_araujo.pdf: 1319314 bytes, checksum: 15854b595d618c609a911b95573a01ad (MD5) Previous issue date: 2016-09-15 / Robots are increasingly being used in industry and starting their way to our homes as well. Nonetheless, the most frequently used techniques to analyze robots motion are based on simulations or statistical experiments made from filming robots’ movements. In this work we propose an alternative way of performing such analysis by using Probabilistic Model Checking with the language and tool PRISM. With PRISM we can perform simulations as well as check exhaustively whether a robot motion planning satisfies specific Probabilistic Temporal formulas. Therefore we can measure energy consumption, time to complete missions, etc., and all of these in terms of specific motion planning algorithms. As consequence we can also determine if an algorithm is superior to another in certain metrics. Furthermore, to ease the use of our work, we hide the PRISM syntax by proposing a more user-friendly DSL. As a consequence, we created a translator from the DSL to PRISM by implementing the translation rules and also, a preliminary investigation about its relative completeness by using the grammatical elements generation tool LGen. We illustrate those ideas with motion planning algorithms for home cleaning robots. / Robôs estão sendo cada vez mais utilizados na indústria e entrando em nossas casas também. No entanto, as técnicas mais frequentemente utilizadas para analisar a movimentação dos robôs são baseadas em simulações ou experimentos estatísticos realizados a partir da filmagem do movimento dos robôs. Neste trabalho, nós propomos uma maneira alternativa de realizar tais análises com a utilização da técnica de Verificação de Modelos Probabilísticos com a linguagem e ferramenta PRISM. Com PRISM, podemos, tanto realizar simulações quanto verificar exaustivamente se um planejamento de movimentação do robô satisfaz fórmulas Probabilísticas Temporais específicas. Portanto, podemos medir o consumo de energia, tempo necessário para completar missões, etc. e tudo isso em termos de algoritmos específicos de planejamento de movimentação. Como consequência, podemos, também, determinar se um algoritmo é superior a outro em relação a certas métricas. Além disso, para facilitar o uso do nosso trabalho, escondemos a sintaxe do PRISM propondo uma DSL amigável ao usuário. Em consequência, criamos um tradutor da DSL em PRISM através da implementação de regras de tradução bem como fizemos uma investigação preliminar sobre sua completude relativa usando a ferramenta de geração de elementos gramaticais LGen. Ilustramos as idéias com algoritmos de planejamento de movimentação para robôs de limpeza de casas.

Orientador: Emanuel Pimentel Barbosa / Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Matematica, Estatistica e Computação Cientifica / Made available in DSpace on 2018-08-05T13:04:51Z (GMT). No. of bitstreams: 1 Gomes_DanielTakata_M.pdf: 3107518 bytes, checksum: c063e22a01c9ebf48a081c148b6138d8 (MD5) Previous issue date: 2005 / Resumo: É de grande interesse o estudo de previsão de séries temporais, ou seja, conseguir identificar características do processo num ponto futuro. Para isso, é necessário estimar com precisão, ou pelo menos com uma boa aproximação, o processo gerador dos dados. Nos últimos anos, modelos de redes neurais artificiais vêm desempenhando um papel crescente na abordagem e solução de problemas estatísticos importantes. A estrutura mais básica de rede neural, as redes progressivas ou feedforward, sem retroalimentação, têm se mostrado uma alternativa vantajosa, em alguns casos, em relação aos modelos lineares tradicionais. No entanto, algumas séries apresentam características que permitem introduzir algum tipo de realimentação na rede. Tal rede chamada de rede neural recorrente, ferramenta ainda pouco explorada pela comunidade estatística. São dois os principais objetivos da dissertação. Primeiro, o estudo de redes neurais recorrentes para predição de séries temporais, o que compreende sua fundamentação teórica, principais arquiteturas e algoritmos de aprendizagem e sua implementação computacional. Segundo, estudo comparativo da performance preditiva dessas redes para séries temporais, tanto no caso de séries temporais de memória curta quanto de memória longa, tomando-se como referência modelos padrão tipo ARIMA e ARFIMA. São utilizadas séries espaciais (dados de variáveis do solo) e séries temporais (séries de inflações de países desenvolvidos). Os resultados mostram que o uso das redes para predição é vantajoso em relação a modelos lineares para diversas séries. Também é desenvolvido um novo modelo (redes neurais com pesos variáveis) e seu correspondente algoritmo de estimação baseado nas características dos dados / Abstract: Forecasting of time series is a topic of great interest nowadays. To do so, the data generating process needs to be estimated with a good degree of accuracy. In the last years, artificial neural networks are becoming more important in the statistical community. The more basic structure of a neural network, the feedforward neural nets, without feedback, can be a profitable alternative, in some cases, comparing to linear traditional models. However, some time series present characteristics that allow to introduce some kind of feedback in the network. Such network is called recurrent neural network, a tool not so popular in the statistical community.Two of the main concerns of this work are the study of recurrent neural networks for prediction of time series (theoretical fundamental, main architectures and learning algorithms) and the comparative study of the predictive performance of these networks for short and long memory time series. Spatial series (solo science data) and time series (inflation data) are used. The results show that the networks have good prediction performance comparing to linear models in several series. A new model (neural networks with varying coefficients) and its estimation algorithm are proposed, based in the data characteristics / Mestrado / Mestre em Estatística

Orientadores: Luiz Koodi Hotta, Mauricio Enrique Zevallos Herencia / Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Matematica, Estatistica e Computação Cientifica / Made available in DSpace on 2018-08-06T01:07:19Z (GMT). No. of bitstreams: 1 Paula_Julianade_M.pdf: 3543274 bytes, checksum: 420906ec38aaafeee50d465a68850a25 (MD5) Previous issue date: 2006 / Resumo: O conceito de contagio tem sido um dos mais discutidos na literatura de finanças internacionais a partir da ultima década do século XX. Embora não exista uma forte concordância em relação à sua definição, todos concordam em que ele esta relacionado ao fato de que crises econômicas iniciadas em um período podem propagarem-se por outros países através do aumento das conexões entre os países envolvidos. Neste sentido, um dos indicadores utilizados para verificar a existência de contágio e o aumento da correlação condicional em um período de crise com relação a períodos tranqüilos. Neste trabalho são estudadas algumas técnicas estatísticas para estimar a correlação condicional. São considerados estimativas através do método do alisamento exponencial, de modelos da família GARCH multivariada e utilizando a analise fatorial com modelos de volatilidade estocástica. Estas técnicas são empregadas para estudar o contagio que envolvam países latino-americanos e alguns países asiáticos, quais sejam, Brasil, México, Argentina, Malásia e Rússia ao longo do período de 05/09/1995 a 30/12/2004. Nota-se que existe unanimidade nos resultados com relação a existência ou não de contagio entre as técnicas para alguns países em determinados período de tempo, principalmente durante a crise asiática, mas existem períodos onde essas técnicas levam a conclusões diferentes / Abstract: The issue of contagion has been one of the most debated in the international finance literature in the last years. Although there is no general agreement regarding the definition of contagion, it is known that this issue is related to the fact that crisis started in one country tend to propagate to other countries. Therefore, a measure used as an indication of the presence of contagion is the growth of the conditional correlation during crisis periods. This dissertation review some of the statistical techniques used to estimate conditional correlation: the exponential smoothing method, multivariate GARCH type models and factor analysis with stochastic volatility model. These techniques are applied in order to study contagion among Latin American and some asian market countries, i.e. Brazil, Mexico, Argentina, Malaysia and Russia covering the period from 05/09/1995 until 30/12/2004. In some crisis period, mainly during the Asian crisis there is a general agreement among all techniques, but there also cases where they lead to different conclusions / Mestrado / Mestre em Estatística

Orientador: Andre Luiz Morelato França / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Computação / Made available in DSpace on 2018-07-22T06:09:06Z (GMT). No. of bitstreams: 1 Leite_FranciscoEugeniodeAndrade_M.pdf: 11362735 bytes, checksum: 7b4325fb2b502d8eb9109b7975f11710 (MD5) Previous issue date: 1997 / Resumo: Este trabalho apresenta três modelos NARX utilizando redes neurais artificiais para previsão de carga nodal ativa e reativa, tendo em vista a posterior previsão do estado do sistema através do uso de um algoritmo de fluxo de carga, com a finalidade de poder estudar a segurança de operação do sistema para um perfil de carga futuro. Os dois primeiros modelos são implementados utilizando-se uma rede de perceptrons de múltiplas camadas estática e o terceiro modelo é implementado utilizando uma rede de perceptrons com filtros FIR em suas sinapses para permitir processamento temporal. Para cada um dos modelos, diferentes tamanhos de conjunto de treinamento e de topologia da rede neural foram testados, bem como vários tipos de variáveis de entrada para o modelo NARX, a fim de verificar qual a melhor resposta em termos de precisão. Nos testes foram utilizados dados reais de carga de várias subestações. Neste estudo, verificou-se que uma única rede neural estática usada para tratar todos os dias da semana apresentou o melhor resultado de previsão, sendo que a previsão de potência reativa apresentou um resultado pior do que a de potência ativa. Observou-se ainda que o erro de previsão do ângulo de tensão nas barras apresenta elevada sensibilidade em relação ao erro de previsão da potência ativa e que o erro na previsão da tensão nodal (tanto magnitude quanto ângulo) apresenta pequena sensibilidade em relação ao erro de previsão da potência reativa / Abstract: This work presents three artificial neural network NARX models for bus load active and reactive power forecasting. The predicted injections can be used as inputs to a load flow to obtain the forecasted bus states aiming to perform security analysis in a future operating point. The first two models considered were implemented with a static Multilayer Perceptron Network (MLP) and the third model was implemented using a FIR neural network for temporal processing. For each one of the above models, different sizes of training sets and neural network topologies were tested, as well as distinct choices of neural networks input variables, in order to check the accuracy of prediction. Measured real data concerning several substations were used to test the models. As a result, the study shows that one single neural MLP network model for all days of the week give the least active and reactive power forecast error and that the active power prediction is more accurate than the reactive power one. It was also observed that the state angle forecasting shows a high sensitivity to the active power prediction error and that the voltage (magnitude and phase) prediction error shows a low sensitivity to the reactive power prediction error / Mestrado / Mestre em Engenharia Elétrica

Orientador : Dalton Soares Arantes / Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Computação / Made available in DSpace on 2018-07-28T02:23:38Z (GMT). No. of bitstreams: 1 Castro_MariaCristinaFelippettode_D.pdf: 7036136 bytes, checksum: ac2626550f2acae380f0cad07f5982ee (MD5) Previous issue date: 2001 / Resumo: Esta tese apresenta uma nova técnica de predição não-linear de séries temporais através de redes neurais artificiais do tipo Radial Basis Function, com atribuição dos centros Gaussianos das funções de base radial por decomposição do espaço de dados em sub-espaços. A decomposição em sub-espaços - ou decomposição em componentes principais - é baseada na Transformada Karhunen-Loeve. A predição obtida através da parametrização da rede neural via decomposição em sub-espaços resulta em um menor erro de predição e requer o conhecimento de um menor número de amostras prévias do que as técnicas de predição convencionais. Adicionalmente é apresentada uma possível solução para o problema de adaptar dinamicamente a arquitetura da rede neural às não­estacionariedades presentes em muitas séries temporais / Abstract: This thesis proposes a new technique for non-linear time series forecasting based upon Radial Basis Function Neural Networks and the Karhunen-Loeve Transform. A significant performance improvement is obtained with the novel technique in comparison with usual prediction methods. By obtaining the neural network centers from the data set sub-spaces - or data set principal components - the new method yields lower prediction error and requires less previous known samples than the usual technique that applies the own training set vectors to the centers. Additionally we present a possible solution to the problem of dynamically adapting the neural network architecture to the time-varying series statistics / Doutorado / Doutor em Engenharia Elétrica