English

CIn - Centro de Informática UFPE




Eventos Relacionados

Defesa de Tese de Doutorado Nº 323 "SISTEMA HÍBRIDO EVOLUCIONÁRIO BASEADO EM DECOMPOSIÇÃO PARA PREVISÃO DE SÉRIES TEMPORAIS"

O aluno João Fausto Lorenzato de Oliveira irá defender sua pesquisa no dia 26, às 14h, no Auditório do CIn-UFPE Início: 26/09/2016 às 14:00 Término: 26/09/2016 às 00:00 Local: Auditório do CIn

Pós-Graduação em Ciência da Computação – UFPE

Defesa de Tese de Doutorado Nº 323

Aluno: João Fausto Lorenzato de Oliveira
Orientador: Profa. Teresa Bernarda Ludermir
Título: SISTEMA HÍBRIDO EVOLUCIONÁRIO BASEADO EM DECOMPOSIÇÃO PARA PREVISÃO DE SÉRIES TEMPORAIS
Data: 26/09/2016
Hora/Local: 14h – Centro de Informática - Auditório
Banca Examinadora:

Prof. Paulo Salgado Gomes de Mattos Neto (UFPE / Centro de Informática)
Prof. Andre Carlos Ponce de Leon Ferreira de Carvalho (USP / ICMC)
Prof. Carmelo Jose Albanez Bastos Filho (UPE / Escola Politécnica de Pernambuco )
Prof. Mêuser Jorge Silva Valença (UPE / Escola Politécnica de Pernambuco)
Prof. Tiago Alessandro Espinola Ferreira (UFRPE / Departamento de Estatística e Informática)


RESUMO:

A previsão de séries temporais é uma tarefa importante no campo da aprendizagem 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 precisão.
Modelos dinâmicos são utilizados para realizar mapeamentos da série temporal, se aproxi- mando 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 inte- grado 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.
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 em questão. 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 (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 propostos na literatura. Os resultados demonstram que o método proposto foi promissor e que possui potencial para melhorias.

Palavras-chave: Previsão de séries temporais. Sistemas híbridos inteligentes. Sistemas Evolucionários.

  • © Centro de Informática UFPE - Todos os direitos reservados
    Tel +55 81 2126.8430 - Cidade Universitária - 50740-560 - Recife/PE
Plano4 Consultoria Web