Sistema híbrido evolucionário baseado em decomposição para a previsão de séries temporais

• Ano de defesa: 2016
• Autor(a) principal: OLIVEIRA, João Fausto Lorenzato de
• Orientador(a): LUDERMIR, Teresa Bernarda
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Pernambuco
• Programa de Pós-Graduação: Programa de Pos Graduacao em Ciencia da Computacao
• País: Brasil
• Palavras-chave em Português: Previsão de séries temporais; Sistemas híbridos inteligentes; Sistemas Evolucionários; Time series forecasting; Hybrid intelligent systems; Evolutionary Systems
• Link de acesso: https://repositorio.ufpe.br/handle/123456789/18353

A previsão de séries temporais é uma tarefa importante no campo da aprendizado de máquina, possuindo diversas aplicações em mercado de ações, hidrologia, meteorologia, entre outros. A análise da dependência existente nas observações adjacentes da série é necessária para que seja possível prever valores futuros com alguma precisão. Modelos dinâmicos são utilizados para realizar mapeamentos de uma série temporal, se aproximando do mecanismo gerador da série e sendo capazes de realizar previsões. No entanto, o mecanismo gerador de uma série temporal pode produzir padrões lineares e não-lineares que precisam ser devidamente mapeados. Modelos lineares como o auto-regressivo integrado de média móvel (ARIMA) são capazes de mapear padrões lineares, porém não são indicados quando existem padrões não-lineares na série. Já os modelos não-lineares como as redes neurais artificais (RNA) mapeiam padrões não-lineares, mas podem apresentar desempenho reduzido na presença de padrões lineares em relação aos modelos lineares. Fatores como a definição do número de elementos de entrada da RNA, número de amostras de treinamento podem afetar o desempenho. Abordagens híbridas presentes na literatura realizam o mapeamento dos padrões lineares e não-lineares simultaneamente ou aplicando duas ou mais fases nas previsões. Seguindo a suposição de que os modelos são bem ajustados, a diferença entre o valor previsto e a série real demonstra um comportamento de ruído branco, ou seja, considera-se que a diferença entre os valores (resíduo) é composta por choques aleatórios não correlacionados. Na abordagem de duas ou mais fases, o resíduo gerado pelo modelo aplicado na primeira fase é utilizado pelo segundo modelo. O problema do ajuste pode ser decorrente dos parâmetros mal ajustados e também da série temporal devido à possível necessidade de transformações. Tais abordagens geram previsões mais precisas quando comparadas às técnicas tradicionais. Nesta tese, são explorados sistemas evolucionários para a otimização de parâmetros de técnicas lineares e não-lineares visando o mapeamento dos padrões da série temporal. A abordagem proposta utiliza um preprocessamento automático através de um filtro de suavização exponencial para extrair uma série com distribuição normal. A diferença da série temporal e a série filtrada é mapeada por um sistema composto por um método auto-regressivo (AR) e máquina de vetor de suporte para regressão (SVR). Variações do algoritmo de otimização por enxame de partículas (PSO) e algoritmos genéticos são aplicados na otimização dos hiper-parâmetros do sistema. A previsão final é realizada através da soma das previsões de cada série. Para fins de avaliação do método proposto, experimentos foram realizados com bases de problemas reais utilizando métodos da literatura. Os resultados demonstram que o método obteve previsões precisas na maioria dos casos testados. O filtro de suavização exponencial utilizado supõe que a série possua nível constante (sem tendência). Séries que possuem tendências lineares foram devidamente tratadas, no entanto tendências exponenciais ou polinomiais apresentaram desempenho reduzido. O método proposto possui potencial para melhorias, aplicando métodos que realizem o mapeamento automático de tendências como a suavização exponencial dupla. Nesta tese o método aditivo foi utilizado para combinação de previsões, no entanto em algumas séries o modelo multiplicativo pode ser mais adequado, produzindo previsões mais precisas.