Previsão de séries temporais não lineares baseada em redes neurais e sinais de rastreamento

• Ano de defesa: 2022
• Autor(a) principal: BIANCHESI, Natália Maria Puggina
• Orientador(a): COSTA, Antônio Fernando Branco
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Itajubá
• Programa de Pós-Graduação: Programa de Pós-Graduação: Doutorado - Engenharia de Produção
• Departamento: IEPG - Instituto de Engenharia de Produção e Gestão
• País: Brasil
• Palavras-chave em Português: Séries temporais não lineares; Previsão de séries temporais; Redes neurais; Sinais de rastreamento; Planejamento de Experimentos
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUÇÃO
• Link de acesso: https://repositorio.unifei.edu.br/jspui/handle/123456789/3730

A previsão de séries temporais não lineares é amplamente utilizada em diversas áreas do conhecimento para fazer boas inferências sobre o futuro e apoiar decisões. Muitos exemplos de séries temporais não lineares incluem observações médicas, registros financeiros e dados meteorológicos. A precisão das previsões é determinada considerando o desempenho do modelo em novos dados que não foram usados no ajuste do modelo e o monitoramento dos erros de previsão é essencial para garantir a precisão da previsão. Portanto, esta tese apresenta uma metodologia de previsão de séries temporais não lineares utilizando Redes Neurais e Sinais de Rastreamento para detectar viés e sua responsividade a mudanças não aleatórias na série temporal. Os conjuntos de dados foram gerados de modo a simular diferentes situações com base em séries temporais não lineares, alterando o erro da série; os conjuntos de dados também foram previstos por Rede Neural Artificial, Multilayer Perceptron, e os erros de previsão foram monitorados pelos Sinais de Rastreamento, Cumulative Sum Tracking Signals. Diferente de muitos estudos publicados na área, a metodologia de Planejamento de Experimentos foi aplicada para avaliar os sinais de rastreamento com base no número médio de observações. Em seguida, a metodologia foi aplicada em dados baseados em óleo e graxa total e comparada com a aplicação de outras metodologias tradicionais. Os resultados mostraram que a metodologia de previsão proposta é uma forma eficaz de detectar viés no processo quando um erro é introduzido na série temporal não linear devido à média e ao desvio padrão do erro ter um impacto significativo no Número Médio de Observações. Este estudo contribui para uma discussão sobre a metodologia de previsão de séries temporais, uma vez que esta nova técnica pode ser amplamente utilizada em diversas áreas para melhorar a precisão das previsões.