Orientador : Prof. Dr. Anselmo Chaves Neto / Co-orientador : Prof. Dr. Luiz Albino Teixeira Júnior / Tese (doutorado) - Universidade Federal do Paraná, Setor de Tecnologia, Programa de Pós-Graduação em Métodos Numéricos em Engenharia. Defesa: Curitiba, 21/12/2015 / Inclui referências : f.123-128 / Área de concentração: Programação matemática / Resumo: A proposta deste trabalho é apresentar uma nova metodologia híbrida WARIMAX-GARCH Neural para a previsão pontual e intervalar de séries temporais estocásticas. Fundamentalmente, é aplicada a decomposição Wavelet em séries históricas compostas por registros de monitoramento de barragens e suas componentes de aproximação e detalhe, as quais são modeladas, individualmente, via ARIMA-GARCH e Redes Neurais Artificiais (RNA). A partir de então, são realizadas as previsões pontuais fora da amostra pelas técnicas de modelagem e os resultados são combinados linearmente. As componentes de aproximação e detalhe são completadas com as previsões combinadas e passam a ser utilizadas como variáveis de entrada (exógenas híbridas) na modelagem da série em estudo. Em cada série temporal é aplicada a metodologia WARIMAX-GARCH Neural e são realizadas as previsões pontuais e intervalares, sob a suposição de inovações gaussianas. As séries temporais utilizadas neste trabalho de tese foram as séries temporais dos deslocamentos horizontais de blocos da barragem principal da Usina Hidrelétrica de Itaipu, aferidas pelos pêndulos diretos automatizados. Os desempenhos preditivos alcançados pela metodologia proposta, em relação aos resultados obtidos pelas modelagens tradicionais ARIMA-GARCH e RNA, foram consideravelmente vantajosos. Nas comparações dos resultados obtidos através do modelo WARIMAX-GARCH Neural com métodos tradicionais, a redução do erro preditivo chegou a 91%. Palavras-chave: Monitoramento de Barragens, Previsão de Séries Temporais, Modelos ARIMA, Modelos GARCH, Redes Neurais Artificiais, Decomposição Wavelet. / Abstract: This research proposes a new WARIMAX-GARCH Neural hybrid methodology for point and interval prediction of stochastic time series. Fundamentally, it is applied the wavelet decomposition on the time series made of monitoring data and its approximation and detail components were modeled by ARIMA-GARCH and Artificial Neural Networks (ANN). Thereafter, the point forecasts are performed out the sample by both modeling techniques and these results are combined linearly. The approximation and detail components are completed with the combined forecasts and are used as input variables (hybrid exogenous) in the modeling time series under study. In each time series is applied the WARIMAX-GARCH Neural methodology and are made the point and interval forecast, under the assumption of Gaussian innovations. The time series used in this research were the time series of horizontal displacements of the main dam blocks of Itaipu hydroelectric plant, measured by automated direct pendulums. The predictive performances achieved by the proposed method compared to the results obtained by traditional modeling ARIMA-GARCH and RNA were considerably advantageous. Comparing the results obtained by WARIMAX-GARCH Neural model to traditional methods there was a reduction of up to 91% of the predictive error. Keywords: Dams Monitoring, Forecast Time Series, ARIMA Models, GARCH Models, Artificial Neural Networks, Wavelet Decomposition.
| Identifer | oai:union.ndltd.org:IBICT/oai:dspace.c3sl.ufpr.br:1884/41955 |
| Date | January 2015 |
| Creators | Correa, Jairo Marlon |
| Contributors | Teixeira Junior, Luiz Albino, Universidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Métodos Numéricos em Engenharia, Chaves Neto, Anselmo, 1945- |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis |
| Format | 173 f. : il. algumas color., grafs., tabs., application/pdf |
| Source | reponame:Repositório Institucional da UFPR, instname:Universidade Federal do Paraná, instacron:UFPR |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | Disponível em formato digital |
Page generated in 0.0091 seconds