Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 1.942


Aluno: Gabriela Mota de Lacerda Padilha Schettini

Orientador: Prof.  Paulo Salgado Gomes de Mattos Neto
Co-orientador: Prof. Leandro Lei Minku (Universidade de Birmingham)
Título: “Um Método Baseado em Correção de Erros para Previsão de Séries Temporais em Ambientes Online e na Presença de Concept Drift”

Data: 30/11/2020
Hora/Local: 13h – Virtual – Interessados em assistir entrar em contato com  a aluna
Banca Examinadora:
Prof. Adriano Lorena Inacio de Oliveira (UFPE / Centro de Informática)
Prof. João Fausto Lorenzato de Oliveira (UPE / Escola Politécnica de PE)
Prof. Paulo Salgado Gomes de Mattos Neto (UFPE / Centro de Informática)


RESUMO:

Há um tempo que o mundo digitalizado não é novidade, mas cada vez mais 
adaptar-se aos novos dados recebidos é uma questão de sobrevivência de 
certos serviços. Diante da alta frequência de recebimento de novas 
informações e da rápida mudança que estamos sujeitos são poucas as 
estratégias existentes para adaptar-se. De olho neste cenário de rápida 
tomada de decisão e da precisão nos resultados que este trabalho é 
proposto.Fazendo um comparativo com a área de inteligência computacional, soluções que exigem essa adaptabilidade constante são plausíveis de ficarem obsoletos e resultarem em baixo desempenho ao estarem subtreinados para novos comportamentos. Sendo necessário, como passar do tempo, manter os modelos em uso atualizados para resolver uma determinada tarefa em relação aos dados mais recentes, evitando – desta forma – o underfitting que é caracterizado pelo sub treinamento. Na tentativa de mitigar esse problema é comum utilizar abordagens baseada em um sistema de combinação de preditores  que realizam re-treino dos modelos, ou a utilização de modelos com  aprendizado online. A antecipação de dados futuros é um ponto chave para a  obtenção tempo de reação. Com isso, este trabalho visa comparar a estratégia de ajuste de parâmetros com correção dos resíduos de modelos monolíticos em 3 séries temporais financeiras com mudança de conceito.  Propondo-se a investigar as previsões e resíduos de forma a estender o leque de estratégias que resolvem de maneira eficaz o tipo de problema sugerido. A contribuição principal deste trabalho é introduzir o conceito de correção da previsão através da série residual, que até o presente momento nunca foi visto para séries que apresentam de mudança de conceito e no ambiente de aprendizado online.

Palavras-chave: Previsão de séries temporais. Aprendizado online. Série Residual. Fluxo de dados. Ambiente não-estacionário. Mudança de conceito.

Comentários desativados