Pós-Graduação em Ciência da Computação – UFPE
Defesa de Tese de Doutorado Nº 632
Aluno: Jair Paulino de Sales
Orientador: Prof. Paulo Salgado Gomes de Mattos Neto
Coorientador: Prof. Paulo Renato Alves Firmino (UFCA)
Título: Dynamic ensemble selection forecasting system based on trend classification
Data: 02/08/2023
Hora/Local: 9h – Virtual – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Prof. Ricardo Bastos Cavalcante Prudêncio (UFPE / Centro de Informática)
Prof. Carlos Manuel Milheiro de Oliveira Pinto Soares (Universidade do Porto / Faculdade de Engenharia)
Prof. Francisco Madeiro Bernardino Junior (UNICAP / Escola UNICAP ICAM-TECH)
Prof. Tiago Alessandro Espínola Ferreira(UFRPE / Departamento de Estatística e Informática)
Prof. Rafael Menelau Oliveira e Cruz (ÉTS-Montréal / LOG-TI Departement)
RESUMO:
Sistemas de Seleção Dinâmica têm sido propostos como uma alternativa útil para modelagem e previsão de séries temporais. Seu funcionamento é baseado na avaliação de modelos individuais dentro de um conjunto (pool) de modelos, com o objetivo fundamental de avaliar a sua competência e selecionar os melhores para prever uma nova instância de teste. Uma estratégia comum de seleção é a construção de regiões de competência (RoC), a partir da qual se avalia, com base na nova instância de teste, quais instâncias do conjunto de treinamento e/ou validação são mais semelhantes usando uma métrica de similaridade. No entanto, a ausência de padrões similares entre os conjuntos de teste e de treinamento e/ou validação compromete a qualidade da RoC e afeta negativamente a capacidade preditiva desses sistemas. Além disso, a escolha de qual métrica de similaridade utilizar é um problema de pesquisa complexo e ainda em estudo. Esta tese propõe uma nova abordagem de seleção dinâmica, denominada Dynamic Ensemble Selection based on Trend Classification (DESTC), que utiliza análise de tendências para selecionar os modelos a serem combinados. O DESTC possui duas fases principais: a fase de treinamento (a), na qual um conjunto de modelos é avaliado para determinar os melhores para cada classe de tendência; e a fase de teste (b), na qual cada nova instância tem sua tendência avaliada, e os modelos com melhor desempenho são selecionados para a previsão. Para avaliar o desempenho preditivo do DESTC, foram conduzidos dois experimentos. No Experimento A, a abordagem proposta foi aplicada aos dados de séries temporais de incidência de COVID-19 de oito países e comparada com modelos únicos e ensembles já bem conhecidos na literatura. A abordagem proposta alcançou desempenho de previsão superior e menor custo computacional. Por sua vez, no Experimento B, o DESTC foi avaliado em séries temporais que apresentam características. Os resultados demonstraram que o DESTC é uma alternativa competitiva em relação a outros algoritmos. A principal limitação do método proposto é que o DESTC tem desempenho preditivo inferior quando a série temporal não possui um padrão bem definido de ciclos de tendência, o que torna a seleção de modelos baseada em classificação de tendências impraticável. Por fim, os resultados apresentados demonstram que o método proposto, DESTC, é uma alternativa competitiva em relação a outros sistemas de seleção dinâmica encontrados na literatura.
Palavras-chave: Sistema de Seleção Dinâmica, Classificação de Tendência, Seleção de Modelos, Séries Temporais, Previsão.
Comentários desativados