Export iten: EndNote BibTex

Please use this identifier to cite or link to this item: http://tede.unioeste.br/handle/tede/4116
Full metadata record
DC FieldValueLanguage
dc.creatorGaio, Gionei-
dc.creator.Latteshttp://lattes.cnpq.br/4437877339816132por
dc.contributor.advisor1Franco, Edgar Manuel Carreño-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/4430719667450640por
dc.contributor.referee1Teixeira Junior, Luiz Albino-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/8304059151201537por
dc.contributor.referee2Lee, Huei Diana-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/2999453247853080por
dc.contributor.referee3Royer, Julio Cesar-
dc.contributor.referee3Latteshttp://lattes.cnpq.br/1273384960011247por
dc.date.accessioned2019-02-27T15:29:26Z-
dc.date.issued2018-09-03-
dc.identifier.citationGAIO, 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.por
dc.identifier.urihttp://tede.unioeste.br/handle/tede/4116-
dc.description.resumoO 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.por
dc.description.abstractThe 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.eng
dc.description.provenanceSubmitted by Wagner Junior (wagner.junior@unioeste.br) on 2019-02-27T15:29:26Z No. of bitstreams: 2 Gionei_Gaio_2018.pdf: 5817631 bytes, checksum: 413ed414baba9c0978a2487684166982 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5)eng
dc.description.provenanceMade available in DSpace on 2019-02-27T15:29:26Z (GMT). No. of bitstreams: 2 Gionei_Gaio_2018.pdf: 5817631 bytes, checksum: 413ed414baba9c0978a2487684166982 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Previous issue date: 2018-09-03eng
dc.formatapplication/pdf*
dc.languageporpor
dc.publisherUniversidade Estadual do Oeste do Paranápor
dc.publisher.departmentCentro de Engenharias e Ciências Exataspor
dc.publisher.countryBrasilpor
dc.publisher.initialsUNIOESTEpor
dc.publisher.programPrograma de Pós-Graduação em Engenharia Elétrica e Computaçãopor
dc.rightsAcesso Abertopor
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/-
dc.subjectForecastingpor
dc.subjectModelos híbridospor
dc.subjectDecomposição SSApor
dc.subjectRedes neurais artificiaispor
dc.subjectARIMApor
dc.subjectForecastingeng
dc.subjectHybrid modelseng
dc.subjectSSA decompositioneng
dc.subjectArtificial neural networkseng
dc.subjectARIMAeng
dc.subject.cnpqCIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAOpor
dc.titleMétodo automático híbrido SSA-ARIMA-NEURAL para previsão multi-step de séries temporais estocásticaspor
dc.title.alternativeSSA-ARIMA-NEURAL hybrid automatic method for multi-step forecast of stochastic time serieseng
dc.typeDissertaçãopor
dc.publisher.campusFoz do Iguaçupor
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