[pt] Processo Estocástico é um ramo da teoria da probabilidade onde se define um conjunto de modelos que permitem o estudo de problemas com componentes aleatórias. Muitos problemas reais apresentam características complexas, tais como não-linearidade e comportamento caótico, que necessitam de modelos capazes de capturar as reais características do problema para obter um tratamento apropriado. Porém, os modelos existentes ou são lineares, cuja aplicabilidade a esses problemas pode ser inadequada, ou necessitam de uma formulação complexa, onde a aplicabilidade é limitada e específica ao problema, ou dependem de suposições a priori sobre o comportamento do problema para poderem ser aplicados. Isso motivou a elaboração de um novo modelo de processo estocástico genérico, intrinsecamente não-linear, que possa ser aplicado em uma gama de problemas de fenômenos não-lineares, de comportamento altamente estocástico, e até mesmo com características periódicas. Como as redes neurais artificiais são modelos paramétricos não-lineares, simples de entendimento e implementação, capazes de capturar comportamentos de variados tipos de problemas, decidiu-se então utilizá-las como base do novo modelo proposto nessa tese, que é denominado Processo Estocástico Neural. A não-linearidade, obtida através das redes neurais desse processo estocástico, permite que se capture adequadamente o comportamento da série histórica de problemas de fenômenos não-lineares, com características altamente estocásticas e até mesmo periódicas. O objetivo é usar esse modelo para gerar séries temporais sintéticas, igualmente prováveis à série histórica, na solução desses tipos de problemas, como por exemplo os problemas que envolvem fenômenos climatológicos, econômicos, entre outros. Escolheu-se, como estudo de caso dessa tese, aplicar o modelo proposto no tratamento de afluências mensais sob o contexto do planejamento da operação do sistema hidrotérmico brasileiro. Os resultados mostraram que o Processo Estocástico Neural consegue gerar séries sintéticas com características similares às séries históricas de afluências mensais. / [en] Stochastic Process is a branch of probability theory which defines a set of
templates that allow the study of problems with random components. Many
real problems exhibit complex characteristics such as nonlinearity and chaotic
behavior, which require models capable of capture the real characteristics
of the problem for a appropriate treatment. However, existing models have
limited application to certain problems or because they are linear models
(whose application gets results inconsistent or inadequate) or because they
require a complex formulation or depend on a priori assumptions about the
behavior of the problem, which requires a knowledge the problem at a level
of detail that there is not always available. This motivated the development
of a model stochastic process based on neural networks, so that is generic
to be applied in a range of problems involving highly stochastic phenomena
of behavior and also can be applied to phenomena that have periodic characteristics.
As artificial neural networks are non-linear models, simple to
understand and implementation, able to capture behaviors of varied types
problems, then decided to use them as the basis of new model proposed
in this thesis, which is an intrinsically non-linear model, called the Neural
Stochastic Process. Through neural networks that stochastic process,
can adequately capture the behavior problems of the series of phenomena
with features highly stochastic and / or periodical. The goal is to use this
model to generate synthetic time series, equally likely to historical series,
in solution of various problems, eg problems phenomena involving climatology,
economic, among others. It was chosen as a case study of this thesis,
applying the model proposed in the treatment of monthly inflows in the
context of operation planning of the Brazilian hydrothermal system. The
Results showed that the process can Stochastic Neural generate synthetic
series of similar characteristics to the historical monthly inflow series.
Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:17076 |
Date | 14 March 2011 |
Creators | LUCIANA CONCEICAO DIAS CAMPOS |
Contributors | MARLEY MARIA BERNARDES REBUZZI VELLASCO |
Publisher | MAXWELL |
Source Sets | PUC Rio |
Language | Portuguese |
Detected Language | English |
Type | TEXTO |
Page generated in 0.1191 seconds