Return to search

[en] A HYBRID NEURO- EVOLUTIONARY APPROACH FOR DYNAMIC WEIGHTED AGGREGATION OF TIME SERIES FORECASTERS / [pt] ABORDAGEM HÍBRIDA NEURO-EVOLUCIONÁRIA PARA PONDERAÇÃO DINÂMICA DE PREVISORES

[pt] Estudos empíricos na área de séries temporais indicam que combinar
modelos preditivos, originados a partir de diferentes técnicas de modelagem,
levam a previsões consensuais superiores, em termos de acurácia, às previsões
individuais dos modelos envolvidos na combinação. No presente trabalho é
apresentada uma metodologia de combinação convexa de modelos estatísticos de
previsão, cujo sucesso depende da forma como os pesos de combinação de cada
modelo são estimados. Uma Rede Neural Artificial Perceptron Multi-camada
(Multilayer Perceptron - MLP) é utilizada para gerar dinamicamente vetores de
pesos ao longo do horizonte de previsão, sendo estes dependentes da contribuição
individual de cada previsor observada nos dados históricos da série. O ajuste dos
parâmetros da rede MLP é efetuado através de um algoritmo de treinamento
híbrido, que integra técnicas de busca global, baseadas em computação
evolucionária, junto com o algoritmo de busca local backpropagation, de modo a
otimizar de forma simultânea tanto os pesos quanto a arquitetura da rede, visando,
assim, a gerar de forma automática um modelo de ponderação dinâmica de
previsores de alto desempenho. O modelo proposto, batizado de Neural Expert
Weighting - Genetic Algorithm (NEW-GA), foi avaliado em diversos
experimentos comparativos com outros modelos de ponderação de previsores,
assim como também com os modelos individuais envolvidos na combinação,
contemplando 15 séries temporais divididas em dois estudos de casos: séries de
derivados de petróleo e séries da versão reduzida da competição NN3, uma
competição entre metodologias de previsão, com maior ênfase nos modelos
baseados em Redes Neurais. Os resultados demonstraram o potencial do NEWGA
em fornecer modelos acurados de previsão de séries temporais. / [en] Empirical studies on time series indicate that the combination of forecasting
models, generated from different modeling techniques, leads to higher
consen+sus forecasts, in terms of accuracy, than the forecasts of individual
models involved in the combination scheme. In this work, we present a
methodology for convex combination of statistical forecasting models, whose
success depends on how the combination weights of each model are estimated.
An Artificial Neural Network Multilayer Perceptron (MLP) is used to generate
dynamically weighting vectors over the forecast horizon, being dependent on the
individual contribution of each forecaster observed over historical data series. The
MLP network parameters are adjusted via a hybrid training algorithm that
integrates global search techniques, based on evolutionary computation, along
with the local search algorithm backpropagation, in order to optimize
simultaneously both weights and network architecture. This approach aims to
automatically generate a dynamic weighted forecast aggregation model with
high performance. The proposed model, called Neural Expert Weighting -
Genetic Algorithm (NEW-GA), was com- pared with other forecaster
combination models, as well as with the individual models involved in the
combination scheme, comprising 15 time series divided into two case studies:
Petroleum Products and the reduced set of NN3 forecasting competition, a
competition between forecasting methodologies, with greater emphasis on
models based on neural networks. The results obtained demonstrated the
potential of NEW-GA in providing accurate models for time series forecasting.

Identiferoai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:36950
Date18 February 2019
CreatorsCESAR DAVID REVELO APRAEZ
ContributorsMARLEY MARIA BERNARDES REBUZZI VELLASCO
PublisherMAXWELL
Source SetsPUC Rio
LanguagePortuguese
Detected LanguageEnglish
TypeTEXTO

Page generated in 0.002 seconds