Pós-Graduação em Ciência da Computação – UFPE
Defesa de Tese de Doutorado Nº 540
Aluno: Domingos Sávio de Oliveira Santos Júnior
Orientador: Prof. Paulo Salgado Gomes de Mattos Neto
Co-orientador: Prof. João Fausto Lorenzato de Oliveira (UPE/Escola Politécnica de PE)
Título: Método de Ensemble para correção de modelos ARIMA: uma abordagem de sistema híbrido para previsão de séries temporais
Data: 17/02/2022
Hora/Local: 14h – Virtual – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Prof. Ricardo Bastos Cavalcante Prudêncio (UFPE / Centro de Informática)
Prof. Adriano Lorena Inácio de Oliveira (UFPE / Centro de Informática)
Prof. Manoel Henrique da Nóbrega Marinho (UPE / Escola Politécnica de Pernambuco)
Prof. Paulo Renato Alves Firmino (UFCA / Centro de Ciências e Tecnologia)
Prof. Hugo Valadares Siqueira (UTFPR / Departamento Acadêmico de Engenharia Elétrica)
RESUMO:
Nas últimas décadas Sistemas Híbridos (SH) que utilizam a modelagem residual têm sido amplamente aplicados no contexto de previsão de séries temporais. Esta abordagem utilizacomo previsão final a combinação da previsão de um modelo linear com a previsão do resíduo obtida por um modelo de Aprendizagem de Máquina (AM) não linear. Essa série de resíduo representa a diferença entre a previsão linear e valor real da série temporal. Uma vez que normalmente são encontrados padrões lineares e não lineares em séries temporais reais, esta classe de SH tem alcançado resultados empíricos e teóricos promissores em razão da sua arquitetura ser capaz de modelar esses padrões em etapas especificas. Contudo, são identificadas limitações na etapa de modelagem residual, sendo que por conta de sua complexidade, um modelo de AM pode apresentar problemas de má especificação de parâmetros, sobre ajuste e sub ajuste, prejudicando os resultados de todo SH. Baseado neste problema, este trabalho propõe um método de ensemble para previsão residual (Ensemble method for Residual Forecast (ERF)). O método ERF é composto por três fases gerais: (i) previsão da série temporal por meio de um modelo linear; (ii) previsão do erro realizada por um ensemble; (iii) combinação pela soma das previsões das fases (i) e (ii). A fase (ii) é a principal contribuição desta tese, na qual é proposta uma abordagem homogênea que cria um ensemble de modelos de AM diverso e de forma sistemática. O ARIMA é utilizado como modelo linear, já como modelo não linear são avaliados o MLP e SVR. Desta forma, são obtidas duas versões do método proposto: ERFMLP e ERFSVR. Essas versões são aplicadas em doze séries temporais reais com os respectivos modelos simples (ARIMA, MLP e SVR) e sete sistemas híbridos da literatura. Todos os métodos são avaliados por meio da métrica Raiz do Erro Quadrático Médio e testes estatísticos de Wilcoxon, Friedman e Nemenyi. Com base nessas formas de avaliação, visualiza-se que as abordagens propostas possuem a capacidade de encontrar bons resultados quando aplicadas em diferentes séries temporais.
Palavras-chave: Previsão de séries temporais. ARIMA. Rede Neural Artificial. Máquina deVetores de Suporte para Regressão. Sistemas Híbridos. Modelagem Residual. Ensemble
Comentários desativados