Impacto do tamanho da janela na previsão de séries temporais univariadas usando Machine Learning

• Ano de defesa: 2024
• Autor(a) principal: Cesário, João David de Freitas
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Aprendizado computacional; Machine Learning; Redes neurais
• Link de acesso: https://biblioteca.sophia.com.br/terminalri/9575/acervo/detalhe/586284

Na tarefa de modelar problemas de previsão de séries temporais, o tamanho da janela (w) é um hiperparâmetro que define a quantidade de unidades de tempo que estarão presentes em cada exemplo para alimentar um modelo de aprendizado. Este hiperparâmetro é importante pois ajuda o modelo de aprendizado a entender tendências de longo e curto prazo, assim como padrões sazonais, evitando ao mesmo tempo que ele seja afetado por flutuações aleatórias. Nesta dissertação, o objetivo é entender o efeito que o tamanho da janela tem nos resultados de algoritmos de aprendizado de máquina em problemas de previsão de séries univariadas. Para atingir esse objetivo, utilizamos 40 séries temporais de dois domínios distintos: varejo e transporte. Foram realizados treinamentos com variações no tamanho da janela usando quatro classes de algoritmos de aprendizado de máquina: Bagging, Boosting, Stacking e uma arquitetura de Rede Neural Recorrente. Notou-se que expandir o tamanho da janela pode melhorar os resultados de métricas de avaliação até um ponto de estabilização, após o qual aumentar ainda mais o tamanho da janela não resulta em previsões mais precisas. A referida estabilização ocorreu em ambos os domínios estudados apenas quando os valores de w excederam 100 intervalos de tempo. Também observou-se que as arquiteturas de Rede Neural Recorrente não superam modelos ensemble em vários cenários de previsão de séries temporais univariadas. Palavras-chave: Aprendizado de máquina. Janela deslizante. Série temporal. Tamanho da janela.