Export iten: EndNote BibTex

Please use this identifier to cite or link to this item: http://tede.unioeste.br/handle/tede/4116
Tipo do documento: Dissertação
Title: Método automático híbrido SSA-ARIMA-NEURAL para previsão multi-step de séries temporais estocásticas
Other Titles: SSA-ARIMA-NEURAL hybrid automatic method for multi-step forecast of stochastic time series
Autor: Gaio, Gionei 
Primeiro orientador: Franco, Edgar Manuel Carreño
Primeiro membro da banca: Teixeira Junior, Luiz Albino
Segundo membro da banca: Lee, Huei Diana
Terceiro membro da banca: Royer, Julio Cesar
Resumo: O desenvolvimento de metodologias para modelagem e previsão de séries temporais tem como objetivo fundamental diminuir as incertezas inerentes à maioria dos eventos (que não sejam determinísticos) futuros. A informação sobre o comportamento futuro de determinadas variáveis possibilita um melhor planejamento para as situações que hão de vir, independentemente de quais sejam. Para tal, aproveitando-se da ideia de que a maioria das séries temporais reais não possuem estruturas de interdependência puramente lineares ou não lineares, mas sim combinações delas, propõem-se uma nova metodologia híbrida automática designada SSA-ARIMA-neural. Essa metodologia consiste em decompor a série original por meio de Singular Spectrum Analysis e, após isso, fazer o forecast separadamente para cada uma das componentes geradas que não tenham sido classificadas como ruído. A componente de tendência, por ser entendida como mais puramente linear, é modelada por meio da metodologia Box-Jenkins e, as componentes oscilatórias, por sua vez, tendo características de não linearidade, são aproximadas por Redes Neurais Artificiais. Ao final, então, todos os forecasts independentes são somados gerando a predição final. Em busca de validar tal metodologia, foi realizado experimento computacional com um conjunto de dados advindo da instrumentação de uma barragem de concreto de grande porte de gravidade aliviada, onde os forecasts provenientes deste método foram comparados com os provenientes dos métodos consagrados na literatura. Os resultados mostraram uma melhoria relevante.
Abstract: The development of forecasting methods fundamentally aims to reduce the uncertainty inherent in predicting non-deterministic future events. It is necessary because the information about the future behavior of variables allows a better planning of situations to come, independent of what they are. For that, using the idea that real world time series are neither pure linear nor non-linear but instead a combination of those, a new hybrid automatic method called "SSA-ARIMA-Neural" is proposed. This method consists in decomposing the original time series by means of Singular Spectrum Analysis and forecasting each component not classified as noise independently. The trend component, which is understood as more purely linear, is modeled by the Box-Jenkins methodology and the oscillatory components, in turn, having non-linear behavior, are approximated by Artificial Neural Networks. In the end, all independent forecasts are summed, generating the final prediction. Aiming at validate this method, a computational experiment was performed using a data set obtained from instrumentation of a large concrete gravitational dam, where the resulting forecasts where compared with the ones generated using consecrated methods from the literature. Those comparisons showed a relevant improvement.
Keywords: Forecasting
Modelos híbridos
Decomposição SSA
Redes neurais artificiais
ARIMA
Forecasting
Hybrid models
SSA decomposition
Artificial neural networks
ARIMA
CNPq areas: CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO
Idioma: por
País: Brasil
Publisher: Universidade Estadual do Oeste do Paraná
Sigla da instituição: UNIOESTE
Departamento: Centro de Engenharias e Ciências Exatas
Program: Programa de Pós-Graduação em Engenharia Elétrica e Computação
Campun: Foz do Iguaçu
Citation: GAIO, Gionei. Método automático híbrido SSA-ARIMA-NEURAL para previsão multi-step de séries temporais estocásticas. 2018. 69 f. Dissertação (Mestrado em Engenharia Elétrica e Computação) - Universidade Estadual do Oeste do Paraná, Foz do Iguaçu, 2018.
Tipo de acesso: Acesso Aberto
Endereço da licença: http://creativecommons.org/licenses/by-nc-nd/4.0/
URI: http://tede.unioeste.br/handle/tede/4116
Issue Date: 3-Sep-2018
Appears in Collections:Mestrado em Engenharia Elétrica e Computação (FOZ)

Files in This Item:
File Description SizeFormat 
Gionei_Gaio_2018.pdf5.68 MBAdobe PDFView/Open Preview


This item is licensed under a Creative Commons License Creative Commons