Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 1.940
Aluno: Renata Correia de Andrade
Orientador: Prof. Paulo Salgado Gomes de Mattos Neto
Co-orientador: Prof: George Darmiton da Cunha Cavalcanti
Título: Time Series Forecasting with Deep Forest Regression
Data: 30/11/2020
Hora/Local: 9h – Virtual – Interessados em assistir entrar em contato com a aluna
Banca Examinadora:
Prof. Paulo Salgado Gomes de Mattos Neto (UFPE / Centro de Informática)
Prof. Paulo Renato Alves Firmino (UFCA / Centro de Ciências e Tecnologia)
Prof. Péricles Barbosa Cunha de Miranda (UFRPE / Departamento de Computação)
RESUMO:
Um série temporal é uma sequência de observações medidas em espaços de tempo definidos. Previsão de séries temporais é uma área de pesquisa que estuda métodos para previsão de valores futuros em uma série. Métodos de previsão variam de procedimentos estatísticos, como o ARIMA, para, mais recentemente, abordagens com aprendizagem de máquina. Redes neurais profundas, em específico, mostraram um bom desempenho em uma variedade de problemas, incluindo a previsão de séries temporais, onde são consideradas estado da arte. A maioria dos modelos de aprendizagem profunda atualmente são redes neurais, mas, apesar de sua popularidade e bom desempenho quando comparado a outros algoritmos de aprendizagem de máquina, redes neurais profundas ainda possuem algumas limitações. Mais notavelmente, este tipo de modelo normalmente precisa de uma quantidade maior de exemplos de treinamento, que podem não estar disponíveis para séries temporais mais curtas, além de possuir uma uma grande quantidade de parâmetros que precisam ser ajustados a cada conjunto de dados. gcForest é um modelo de aprendizagem profunda que foi proposto para problemas de classificação e que endereça as limitações encontrados em redes neurais profundas, ao mesmo tempo em que replica características responsáveis pelo sucesso desse tipo de modelo. O objetivo desta dissertação é adaptar o algoritmo original do gcForest para que ele possa ser aplicado a problemas de regressão, possibilitando que o mesmo seja utilizado para previsão de séries temporais. A influencia das duas etapas do gcForest – multi-grained scanning e cascade forest – também é avaliada. Além disso, é explorada a possibilidade de adicionar um regressor ao final da etapa de cascade forest e assim alterar a forma que o resultado final é calculado. Após a apresentação das mudanças feitas ao algoritmo, seu desempenho é avaliado em quatro séries temporais diferentes de acordo com três métricas de performance: erro médio quadrado, erro médio absoluto e o error percentual absoluto médio. Resultados mostram que a versão proposta do gcForest atinge um desempenho competitivo quando comparado à modelos tradicionais de aprendizagem de máquina.
Palavras-chave: Deep Forest, gcForest, Regression, Time-Series, Time-Series Forecasting
Comentários desativados