Pós-Graduação em Ciência da Computação – UFPE
Defesa de Tese de Doutorado Nº 628
Aluno: Camila Ascendina Nunes Kamei
Orientador: Prof Paulo Salgado Gomes de Mattos Neto
Coorientadores:
Prof.João Fausto Lorenzato de Oliveira (UPE Escola Politécnica de PE)
Prof. Péricles Barbosa Cunha de Miranda (UFRPE/Departamento de Computação)
Título: Um framework evolucionário para hibridização de preditores
Data: 14/06/2024
Hora/Local: 14h – Virtual – Interessados em assistir entrar em contato com a aluna)
Banca Examinadora:
Prof. Ricardo Bastos Cavalcante Prudêncio (UFPE / Centro de Informática)
Prof. Carmelo Jose Albanez Bastos Filho (UPE / Escola Politécnica de PE)
Prof. Hugo Valadares Siqueira (UTFPR / Departamento de Eng. Elétrica)
Prof. Paulo Renato Alves Firmino (UFCA / Centro de Ciências e Tecnologia)
Prof. Francisco Madeiro Bernardino Junior (UPE / Escola Politécnica de PE)
RESUMO:
A previsão de séries temporais é uma tarefa desafiadora em aplicações do mundo real, pois as séries temporais podem ser compostas por padrões lineares e não lineares, apresentar comportamento heterocedástico e ter ruídos aleatórios. Assim, a utilização de um modelo único para a modelagem e previsão de uma série temporal pode não ser suficiente para capturar todos os padrões da série. Para aumentar a acurácia da previsão, são utilizados sistemas híbridos, que combinam um modelo linear com um não linear de previsão. O funcionamento destes modelos pode ser dividido em três etapas: modelagem linear da série temporal, previsão do resíduo utilizando um modelo de aprendizagem de máquina e a previsão final é obtida através da combinação das fases anteriores. O presente trabalho objetiva identificar a melhor modelagem das componentes correlacionadas da série, visando aprimorar a precisão da previsão. Para isso, foi proposto um framework que busca a melhor combinação ponderada das componentes linear e não linear da série temporal, utilizando tanto os valores atuais quanto os passados da série para compor a previsão. O método proposto realiza: (i) modelagem linear da série temporal, (ii) modelagem não linear do resíduo e (iii) utiliza um algoritmo genético modificado que encontra a melhor ponderação para as previsões realizadas nas etapas anteriores. As simulações experimentais foram realizadas utilizando oito séries temporais do mundo real e o desempenho do modelo foi avaliado através da métrica erro quadrático médio. Os resultados mostram que o framework proposto obtém desempenho superior quando comparado com os modelos da literatura.
Palavras-chave: Séries Temporais, Modelos híbridos, Combinação de Modelos
Lineares e Não lineares, framework, algoritmo evolucionário
Comentários desativados