Submitted by Fernanda Rodrigues de Lima (fernanda.rlima@ufpe.br) on 2018-07-31T22:29:30Z
No. of bitstreams: 2
license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5)
TESE Anderson Tenório Sergio.pdf: 3402351 bytes, checksum: e55ca7d89e221672a895e406c55375e7 (MD5) / Approved for entry into archive by Alice Araujo (alice.caraujo@ufpe.br) on 2018-08-07T21:19:13Z (GMT) No. of bitstreams: 2
license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5)
TESE Anderson Tenório Sergio.pdf: 3402351 bytes, checksum: e55ca7d89e221672a895e406c55375e7 (MD5) / Made available in DSpace on 2018-08-07T21:19:13Z (GMT). No. of bitstreams: 2
license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5)
TESE Anderson Tenório Sergio.pdf: 3402351 bytes, checksum: e55ca7d89e221672a895e406c55375e7 (MD5)
Previous issue date: 2017-03-17 / CNPq / A previsão de séries temporais é um importante campo de estudo em aprendizado de máquina. Já que a literatura mostra diversas técnicas para a solução desse problema, combinar saídas de diferentes modelos é uma estratégia simples e robusta. Entretanto, mesmo quando se usam tais combinadores, o experimentador pode encarar o seguinte dilema: qual técnica deve ser usada para combinar os preditores individuais? Este trabalho apresenta um arcabouço para seleção dinâmica de combinadores de previsão de séries temporais. O processo de seleção dinâmica pode ser resumido em três fases. A primeira delas é responsável pela geração do conjunto de especialistas base, sendo que esse conjunto pode ser formado por modelos de mesma natureza ou heterogêneos. A diversidade dos especialistas é importante em ambas as situações. A segunda fase, de seleção, é realizada
através da estimação da competência dos modelos disponíveis no conjunto gerado na primeira fase, em respeito a regiões locais do espaço de características. No caso da seleção dinâmica, a escolha dos modelos é realizada para cada padrão de teste, ao invés de utilizar a mesma seleção para todos eles (seleção estática). A terceira fase é a integração dos modelos selecionados. No método proposto, foram utilizados como preditores individuais
modelos estatísticos (lineares e não-lineares) e de aprendizado de máquina. Em relação aos combinadores, foram utilizadas algumas técnicas que usam uma base de dados independente para determinação dos pesos da combinação linear e outros métodos que não possuem essa necessidade. Foram propostos dois algoritmos de seleção dinâmica, baseados em acurácia e comportamento. Para cada um deles, foram implementadas variações no que
diz respeito ao uso de todos ou dos melhores preditores e combinadores do comitê. Para testar o método proposto, dez séries temporais caóticas foram utilizadas: Mackey-Glass, Lorenz, Rossler, Henon, Periodic, Quasi-Periodic, Laser e três séries produzidas a partir de exames de eletroencefalograma. A previsão de séries caóticas tem importância para várias áreas de atuação humana como astronomia e processamento de sinais, sendo que algumas das séries que foram testadas também funcionam como benchmark em diversas
pesquisas. As melhores variações dos algoritmos de seleção dinâmica propostos alcançaram resultados satisfatórios em todas as bases de dados. Após a realização de testes estatísticos, comprovou-se que os métodos foram superiores aos melhores combinadores e preditores base na maioria dos cenários, para previsão de curto e longo alcance. / Time series forecasting is an important research field in machine learning. Since the literature shows several techniques for the solution of this problem, combining outputs of different models is a simple and robust strategy. However, even when using combiners, the experimenter may face the following dilemma: which technique should one use to combine the individual predictors? This work presents a framework for dynamic selection of forecast combiners. The dynamic selection process can be summarized in three steps. The first one is responsible for the generation of the base experts set, and this set can be formed by models of the same kind or heterogeneous ones. The diversity of the experts is important in both cases. The second phase (selection) is carried out by estimating the competence of the available models in the set generated in the first phase, with respect to local regions of the feature space. In the case of dynamic selection, the model selection is performed for each test pattern, instead of using the same selection for all of them (static selection). The third phase is the integration of the selected models. In the proposed method, predictors from statistics (linear and nonlinear) and machine learning were used. As combiners, we chose techniques that use extra data and some others that do not require an independent dataset for determining the weights of the linear combination. Two dynamic selection algorithms were proposed, based on accuracy and behavior. For each of them, variations were implemented with respect to the use of all or the best predictors and combiners of the pool. To test the proposed method, ten chaotic time series were used: Mackey- Glass, Lorenz, Rossler, Henon, Periodic, Quasi-Periodic, Laser and three time series produced from electroencephalogram exams. The prediction of chaotic series is important for many areas of human activity such as astronomy and signal processing, and those that were tested also are used as benchmark in several works. The best variations of the proposed dynamic selection algorithms have achieved satisfactory results in all databases. After performing statistical tests, it was verified that the methods were superior to the best combiners and predictors based on most scenarios, for short and long term forecasting.
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufpe.br:123456789/25449 |
| Date | 17 March 2017 |
| Creators | SERGIO, Anderson Tenório |
| Contributors | http://lattes.cnpq.br/6321179168854922, LUDERMIR, Teresa Bernarda |
| Publisher | Universidade Federal de Pernambuco, Programa de Pos Graduacao em Ciencia da Computacao, UFPE, Brasil |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis |
| Source | reponame:Repositório Institucional da UFPE, instname:Universidade Federal de Pernambuco, instacron:UFPE |
| Rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil, http://creativecommons.org/licenses/by-nc-nd/3.0/br/, info:eu-repo/semantics/openAccess |
Page generated in 0.0032 seconds