[pt] A série temporal é a representação mais comum para a evoluçãao no
tempo de uma variável qualquer. Em um problema de previsão de séries
temporais, procura-se ajustar um modelo para obter valores futuros da
série, supondo que as informações necessárias para tal se encontram no
próprio histórico da série. Como os fenômenos representados pelas séries
temporais nem sempre existem de maneira isolada, pode-se enriquecer o
modelo com os valores históricos de outras séries temporais relacionadas.
A estrutura formada por diversas séries de mesmo intervalo e dimensão
ocorrendo paralelamente é denominada série temporal multivariada. Esta
dissertação propõe uma metodologia de geração de um Sistema de Inferência
Fuzzy (SIF) para previsão de séries temporais multivariadas a partir de
dados históricos, com o objetivo de obter bom desempenho tanto em termos
de acurácia de previsão como no quesito interpretabilidade da base de regras
– com o intuito de extrair conhecimento sobre o relacionamento entre as
séries. Para tal, são abordados diversos aspectos relativos ao funcionamento
e à construção de um SIF, levando em conta a sua complexidade e claridade
semântica. O modelo é avaliado por meio de sua aplicação em séries
temporais multivariadas da base completa da competição M3, comparandose
a sua acurácia com as dos métodos participantes. Além disso, através
de dois estudos de caso com dados reais públicos, suas possibilidades
de extração de conhecimento são exploradas por meio de dois estudos
de caso construídos a partir de dados reais. Os resultados confirmam
a capacidade do AutoMFIS de modelar de maneira satisfatória séries
temporais multivariadas e de extrair conhecimento da base de dados. / [en] A time series is the most commonly used representation for the
evolution of a given variable over time. In a time series forecasting problem,
a model aims at predicting the series future values, assuming that all
information needed to do so is contained in the series past behavior.
Since the phenomena described by the time series does not always exist
in isolation, it is possible to enhance the model with historical data from
other related time series. The structure formed by several different time
series occurring in parallel, each featuring the same interval and dimension,
is called a multivariate time series. This dissertation proposes a methodology
for the generation of a Fuzzy Inference System (FIS) for multivariate
time series forecasting from historical data, aiming at good performance
in both forecasting accuracy and rule base interpretability – in order to
extract knowledge about the relationship between the modeled time series.
Several aspects related to the operation and construction of such a FIS
are investigated regarding complexity and semantic clarity. The model is
evaluated by applying it to multivariate time series obtained from the
complete M3 competition database and by comparing it to other methods
in terms of accuracy. In addition knowledge extraction possibilities are
explored through two case studies built from actual data. Results confirm
that AutoMFIS is indeed capable of modeling time series behaviors in a
satisfactory way and of extractig meaningful knowldege from the databases.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:26101 |
| Date | 08 April 2016 |
| Creators | JULIO RIBEIRO COUTINHO |
| Contributors | RICARDO TANSCHEIT |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | TEXTO |
Page generated in 0.0024 seconds