Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 2.262
Aluno: Constantino Candido Maranhão Mariz Neto
Orientador: Prof. Paulo Salgado Gomes de Mattos Neto
Coorientador: Prof. Renato Vimieiro (UFMG/ Depto. de Ciência da Computação)
Título: Um Sistema Híbrido baseado em Ensemble e Combinação Adaptativa via
Aprendizado Local
Data: 27/01/2026
Hora/Local: 14h – Virtual – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Prof. Leandro Maciel Almeida (UFPE / Centro de Informática)
Prof. Moisés Rocha dos Santos (UFJF / Programa de Pós-Graduação em Educação)
Prof. Paulo Salgado Gomes de Mattos Neto (UFPE / Centro de Informática)
RESUMO:
Sistemas híbridos que combinam modelos estatísticos e de Aprendizado de Máquina (AM) fundamentam-se na decomposição da série temporal em componentes lineares e não lineares, com o objetivo de mitigar as limitações de viés indutivo associadas a preditores isolados. Esses sistemas são compostos por três fases: modelagem da série utilizando um modelo linear, modelagem das séries de resíduos utilizando um modelo de AM, e a combinação das previsões da série e dos resíduos utilizando uma função de combinação. No entanto, o desempenho preditivo desses sistemas permanece frequentemente aquém do potencial teórico devido, sobretudo, a dois fatores principais: (i) a dificuldade em capturar a dinâmica complexa e não estacionária presente nos resíduos; e (ii) a adoção de uma única função de combinação é incapaz de modelar de maneira adaptativa a interação entre as previsões lineares e não lineares ao longo do tempo. Esta dissertação propõe um novo sistema híbrido composto por três etapas principais: (a) modelagem inicial da série temporal por meio de um modelo estatístico (b) modelagem dos resíduos via um ensemble de modelos, no qual se emprega uma etapa de otimização visando selecionar o melhor pool de especialistas; e (c) combinação das previsões por meio de aprendizado local, utilizando uma função de agregação adaptativa que explora regiões de competência definidas em espaços de vizinhança, com o intuito de ajustar dinamicamente a contribuição relativa dos componentes lineares e não lineares. A avaliação empírica, realizada sobre sete séries temporais reais de domínios distintos e comparada com modelos individuais, arquiteturas híbridas clássicas e métodos baseados em Aprendizado Profundo reportados na literatura, evidenciou que o sistema proposto alcança ganhos consistentes de acurácia. Esses resultados indicam que a combinação de modelagem de resíduos com mecanismos de seleção de especialistas e integração local adaptativa constitui uma estratégia eficaz para superar limitações de generalização presentes em abordagens híbridas mais rígidas.
Palavras-chave: Séries Temporais. Sistemas Híbridos. Ensemble. Local Learning. Previsão de Resíduos.
Comentários desativados