English

CIn - Centro de Informática UFPE




Eventos Relacionados

Defesa de Dissertação de Mestrado Nº1.708: "Previsão de Séries Temporais Usando Sistemas de Múltiplos Preditores"

O aluno Eraylson Galdino da Silva irá defender sua pesquisa no dia 14 de junho, às 14h, na sala E423 Início: 14/06/2017 às 14:00 Término: 14/06/2017 às 00:00 Local: Sala E423

Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 1.708

Aluno: Eraylson Galdino da Silva
Orientador: Prof. Paulo Salgado Gomes de Mattos Neto
Co-orientador: Prof. George Darmiton da Cunha Cavalcanti
Título: Previsão de Séries Temporais Usando Sistemas de Múltiplos Preditores
Data: 14/06/2017
Hora/Local: 14h – Centro de Informática – Sala E423
Banca Examinadora:

Prof. Paulo Salgado Gomes de Mattos Neto (UFPE / CIn)
Prof. João Fausto Lorenzato de Oliveira (UPE / Faculdade de Ciências e Tecnologia de Garanhuns)
Prof. Jarley Palmeira Nóbrega  ( MCTIC / CETENE)


RESUMO:

Sistema de Múltiplos Preditores (SMP) consiste no desenvolvimento de um conjunto de modelos para prever a mesma variável. Segundo alguns trabalhos na literatura, a sua utilização em previsões de séries temporais pode melhorar a acurácia. Para tal, é construído um conjunto com diferentes preditores e a previsão final é obtida através da seleção ou combinação. A combinação de preditores consiste em juntar as previsões obtidas de mais de um modelo e retornar uma previsão combinada. As abordagens de combinação podem ser divididas em lineares e não lineares. As abordagens lineares geralmente são mais simples, porém, segundo alguns trabalhos na literatura, a relação entre as previsões obtidas por um conjunto de preditores e a previsão desejada pode não ser uma relação linear. As abordagens não lineares utilizam uma função não linear para realizar a combinação, porém, geralmente apresentam maior complexidade na compreensão e desenvolvimento. A seleção de preditores consiste em encontrar um preditor dentro do conjunto que possa retornar a melhor previsão, podendo reduzir o custo computacional e aumentar a acurácia do sistema de previsão. Além da abordagem para retornar a previsão final é necessário que exista diversidade entre os preditores, a qual, consiste em desenvolver um conjunto de preditores que apresentem previsões diferentes para a mesma variável. Uma das técnicas para criar modelos diversos é particionar a série em diferentes amostras e treinar um modelo para cada amostra, possibilitando o desenvolvimento de modelos especialistas em diferentes padrões da série. Sabendo que a utilização de SMP pode aumentar a acurácia de sistemas de previsões de séries temporais, ainda existe a necessidade de pesquisas que apresentem em que circunstâncias a combinação é melhor que a seleção de preditores, além disso, quais as melhores formas de combinação e qual a influência de treinar os preditores através de partições diferentes da série.  Para tal, esta dissertação realiza uma comparação entre diferentes abordagens de combinação: Média Simples, Mediana, Regressão Linear, Redes Neurais e Maquina de Vetor de Suporte; e uma abordagem de seleção de preditores que utiliza medida de distância entre os padrões para selecionar o melhor modelo. Para avaliar o desempenho das diferentes abordagens, foram utilizadas quatro séries: Mackey Glass, Laser, Microsoft e Goldman Sachs. Em cada série os desempenhos das arquiteturas foram avaliados através de um conjunto de métricas. Com base nos resultados obtidos, é possível inferir que em média os desempenhos apresentados pelas melhores abordagens de combinação: Redes Neurais, Regressão Linear e Média Simples, são melhores que a abordagem de seleção utilizada. Além disso, a relação entre a acurácia e a diversidade dos modelos pode variar de acordo com a abordagem de combinação utilizada.

Palavras-chave: Análise e Previsão de Séries Temporais; Combinação de Preditores; Ensemble de Preditores, Seleção de Preditores; Aprendizado de Máquina; Sistemas de Múltiplos Preditores
  • © Centro de Informática UFPE - Todos os direitos reservados
    Tel +55 81 2126.8430 - Cidade Universitária - 50740-560 - Recife/PE
Plano4 Consultoria Web