@MASTERSTHESIS{ 2018:1035418898,
 	title = {Método automático híbrido SSA-ARIMA-NEURAL para previsão multi-step de séries temporais estocásticas},
 	year = {2018},
 	url = "http://tede.unioeste.br/handle/tede/4116",
 	abstract = "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.",
 	publisher = {Universidade Estadual do Oeste do Paraná},
 	scholl = {Programa de Pós-Graduação em Engenharia Elétrica e Computação},
 	note = {Centro de Engenharias e Ciências Exatas}
}