[pt] Métodos de previsão são muito importantes para o desenvolvimento
de diversas atividades no cotidiano produtivo de nossa sociedade. Vários
modelos estatísticos são desenvolvidos até hoje, contudo possuem muitos
pressupostos que devem ser seguidos com o intuito de se obter uma resposta
aceitável. Modelos não estatísticos para prever séries temporais como
os que envolvem Sistemas de Inferência Fuzzy (SIFs) fornecem uma descrição do processo de previsão por meio de regras linguísticas. Explora-se,
nesta dissertação, o GPFIS-Forecast: versão do GPFIS - Sistema de Inferência Fuzzy Genético baseado em Programação Genética Multigênica -
para previsão de série temporais univariadas. O modelo apresenta, em sua
execução, quatro etapas básicas: Fuzzificação, Inferência, Defuzzificação e
Avaliação. Em cada uma destas etapas, pode-se fazer uso de diferentes configurações, com implicações evidentes nos resultados finais. Este trabalho
propõe o aperfeiçoamento do GPFIS-Forecast em duas vertentes principais:(
i) aumentar a quantidade de possibilidades de configurações, avaliando
se podem contribuir significativamente para a acurácia das previsões;(ii) adicionar
informações complementares como alternativas para a interpretação
do resultado do modelo, tendo como compromisso tanto a acurácia e quanto
a interpretabilidade. Os estudos de caso demonstram que, em casos de séries
temporais com pouca tendência, o GPFIS-Forecast apresenta uma acurácia
entre as 10 melhores da competição NN3; quando há forte tendência, faz-se
necessário o uso de pré-processamento, prejudicando a interpretabilidade do
resultado. Os Limites de Previsão Fuzzy introduzidos neste trabalho agregam
mais informação ao resultado da previsão pontual, apontando possíveis
ajustes finais nas bases de regras de modelos com maior granularidade. / [en] Forecasting methods are very important for the development of
various activities in everyday society. Several statistical models have been
developed, but many assumptions must be made in order to obtain an
acceptable response. Nonstatistical models for time series forecasting such as
those involving systems Fuzzy Inference Systems (FIS) provide a description
of the process through linguistic rules. This dissertation delves into GPFISForecast:
a version of GPFIS - Fuzzy Inference System based on Multigene
Genetic Programming - for univariate time series forecasting. This model
consists of four basic stages: Fuzzification, Inference, Defuzzification and
Evaluation. In each of these steps, different configurations will have
distinct impacts on the results. This work proposes the improvement of
GPFIS-Forecast along two main lines (i) increase the amount of possible
configurations and assess their contribution to a better forecasting accuracy
and (ii) add further information to the interpretation of results, keeping in
mind both accuracy and interpretability. The case studies show that in the
case of time series with small tendency, GPFIS-Forecast provides a good
accuracy; when tendency is larger and pre-processing becomes necessary,
interpretability is affected. The Fuzzy Forecasting Limits introduced here
add more information to the result, pointing to possible adjustments to rule
bases of models with greater granularity.
Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:26987 |
Date | 22 July 2016 |
Creators | MARCO ANTONIO DA CUNHA FERREIRA |
Contributors | RICARDO TANSCHEIT |
Publisher | MAXWELL |
Source Sets | PUC Rio |
Language | Portuguese |
Detected Language | Portuguese |
Type | TEXTO |
Page generated in 0.0016 seconds