Return to search

Previsão de séries temporais utilizando pools de preditores criados a partir do particionamento da série e da divisão da tarefa de previsão

Submitted by Isaac Francisco de Souza Dias (isaac.souzadias@ufpe.br) on 2016-04-22T19:11:22Z
No. of bitstreams: 2
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5)
DISSERTAÇÃO Sérgio René Pessoa Vila Nova Filho.pdf: 10289306 bytes, checksum: 7f8f4add31df1fd1cdafa9afd295d41d (MD5) / Made available in DSpace on 2016-04-22T19:11:22Z (GMT). No. of bitstreams: 2
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5)
DISSERTAÇÃO Sérgio René Pessoa Vila Nova Filho.pdf: 10289306 bytes, checksum: 7f8f4add31df1fd1cdafa9afd295d41d (MD5)
Previous issue date: 2015-08-28 / A análise de séries temporais é uma importante área de estudo em diversos domínios.
Grande parte das pesquisas em análise de séries temporais objetivam encontrar um modelo de
previsão que utiliza dados passados da série para prever o seu valor no futuro, e então utiliza-o
para a tomada de decisões. Algumas séries temporais apresentam padrões de comportamento
que se repetem ao longo dela, tais padrões possuem tamanhos variados e podem ser utilizados
para auxiliar a previsão. Esta dissertação propõe um sistema para previsão de séries temporais
baseado em dois métodos principais: o primeiro consiste em particionar a série a fim de separar
seus padrões de comportamento, o segundo divide a tarefa de previsão nas subtarefas de estimar
o sentido da série no futuro e na de estimar o próximo valor a partir da previsão do sentido
e do comportamento anterior da série. Para cada uma dessas divisões, é treinado um preditor
especialista na tarefa de predição e no padrão de comportamento contido na partição. Para
realizar um estudo comparativo, foram utilizadas quatro séries temporais, sendo duas financeiras
e duas bastante utilizadas em estudos recentes. Quatro métricas foram usadas para avaliar o
modelo proposto, e seus resultados foram comparados às performances dos modelos de Rede
Neural Multilayer Perceptron (MLP) e Máquina de Vetor de Suporte para Regressão (SVR),
além de modelos de estudos recentes. Também foram analisados os impactos da variação de cada
parâmetro do sistema proposto com relação ao desempenho da previsão. O modelo proposto
apresentou desempenho superior aos outros modelos avaliados, nas quatro séries. / Time series analysis is an important area of study in many expertise fields. Great part of
the researches in time series analysis aims to find a prediction model, which analyzes the past
data to predict the series future value, and then use it to make decisions. Some series exhibit
behaviors patterns that repeat along it, such patterns have different sizes and could be used to
help the forecast. This dissertation proposes a system to predict the future values of a time
series, using two main methods: the first consist on partitioning the series, to segregate behaviour
patterns, the second divides the prediction task in the subtasks of estimating the series future
direction and the subtask of estimating the series future value from the direction forecast and the
past values of the series. For each one of these divisions, a predictor is trained and becomes a
specialist on the prediction subtask and in the behaviour pattern of the partition. To perform a
comparative study, four time series were used, two are financial time series and two are used in
many recent researches. Four performance metrics were used to evaluate, and the results were
compared to the results of the Neural Network model (MLP) and the Support Vector Machine for
Regression model (SVR), as well as other published studies models. The impacts of the variation
of the models parameters on the prediction performance were analyzed as well. The proposed
model presented better performance than the compared models on the four series evaluated.

Identiferoai:union.ndltd.org:IBICT/oai:repositorio.ufpe.br:123456789/16777
Date28 August 2015
CreatorsVILA NOVA FILHO, Sérgio René Pessoa
Contributorshttp://lattes.cnpq.br/8577312109146354, CAVALCANTI, George Darmiton da Cunha, MATTOS NETO, Paulo Salgado Gomes de
PublisherUniversidade Federal de Pernambuco, Programa de Pos Graduacao em Ciencia da Computacao, UFPE, Brasil
Source SetsIBICT Brazilian ETDs
LanguagePortuguese
Detected LanguagePortuguese
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis
Sourcereponame:Repositório Institucional da UFPE, instname:Universidade Federal de Pernambuco, instacron:UFPE
RightsAttribution-NonCommercial-NoDerivs 3.0 Brazil, http://creativecommons.org/licenses/by-nc-nd/3.0/br/, info:eu-repo/semantics/openAccess

Page generated in 0.0019 seconds