Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 2.268
Aluno: Eduardo Henrique Ximenes de Melo e Menezes
Orientador: Prof. Paulo Salgado Gomes de Mattos Neto
Coorientador: Prof. Jair Paulino de Sales (UFCA)
Título: Previsão de séries temporais pandêmicas através de seleção dinâmica
baseada em tendência de modelo único
Data: 30/01/2026
Hora/Local: 13h – Virtual – Interessados em assistir entrar em contato com o aluno.
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. Domingos Sávio de Oliveira Santos Júnior (UPE / Escola Politécnica de PE)
RESUMO:
A pandemia de COVID-19 trouxe desafios na realização de previsões com assertividade e agilidade. Apesar da ausência de informações no começo da propagação do vírus, foram observados comportamentos de crescimento exponencial, platô e queda. Nesse contexto, sistemas multipreditor usando seleção dinâmica se mostraram adequados para enfrentar essa problemática. Buscando reduzir custos da previsão, um sistema proposto com seleção dinâmica de ensembles baseada em classificação de tendência (DESTC) encontrou resultados robustos sem precisar de um processo tão longo como a comum formação de regiões de competência. Como o DESTC faz uso de uma grande quantidade de modelos, alguns de alta complexidade, convém considerar a possibilidade de alcançar resultados similares utilizando poucos modelos mais simples. Assim, a presente dissertação propõe um sistema de seleção dinâmica de preditor único baseado em tendência (SingleDSTC). Na fase de treinamento, o sistema define um único modelo de baixa complexidade com configurações otimizadas para cada classe de tendência. Na fase de teste, o padrão a prever tem sua classe de tendência avaliada para em seguida ser selecionado o modelo correspondente definido pelo treinamento. A partir desse sistema são derivados os sistemas TryadDSTC, que combina sistemas SingleDSTC com média ou mediana, ScopedDSTC, que seleciona um modelo entre múltiplos SingleDSTC mediante região de competência, e RecentDSTC, que seleciona um modelo entre múltiplos SingleDSTC mediante região de interesse. Os desempenhos do sistema proposto e seus sistemas derivados, mediante pertinência, são avaliados através de dois experimentos. No primeiro experimento, os métodos têm suas previsões da incidência de COVID-19 de oito países comparadas às de modelos únicos e do DESTC. No segundo experimento, os métodos têm suas previsões de irradiação solar em quatro capitais brasileiras comparadas às de modelos únicos e de um sistema orientado a essa aplicação, chamado HetDS. Múltiplos métodos propostos possuem resultados competitivos nas séries de COVID-19, embora se encontre grande variação do sistema mais eficaz entre nas séries de irradiação. Os métodos propostos encontram dificuldades para superar o estado da arte, mas suas perdas não são expressivas a despeito da vasta diferença nas complexidades das abordagens. O SingleDSTC se mostra promissor, podendo se beneficiar de maior diversidade, e alcançando robustez em comparação tanto a modelos simples como de estado da arte.
Palavras-chave: Sistemas Multipreditor. Seleção Dinâmica. Classificação de Tendência. Séries Temporais. Previsão.
Comentários desativados