NEURAL EXPERT WEIGHTING
Autor(a) principal: | |
---|---|
Data de Publicação: | 2012 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Repositório Institucional da PUC-RIO (Projeto Maxwell) |
Texto Completo: | https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=20153@1 https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=20153@2 |
Resumo: | Diversos resultados empíricos na área de séries temporais indicam que combinar previsores (experts) é, em média, melhor que tentar selecionar um único modelo de previsão. Na medida em que se decide por um esquema de combinação linear, há vários métodos disponíveis para determinar o quanto cada previsor deve contribuir para a resposta consensual, ou em outras palavras, quais devem ser os pesos dos previsores envolvidos. Em um primeiro momento, este trabalho explora o uso prático de diversos métodos tradicionais de ponderação para combinação linear de previsores. Em seguida, propõe um novo sistema para geração de pesos, especialmente projetado para a melhoria do desempenho nas previsões múltiplos passos a frente. O sistema, batizado de Ponderação Neural de Experts (NEW – Neural Expert Weighting), gera modelos de ponderação dinâmica baseados em redes neurais. As redes neurais oferecem a robustez necessária para a simulação de funções de ponderação de alto desempenho, derivadas de um ou mais métodos tradicionais de geração de pesos. O sistema NEW foi avaliado em diversos experimentos comparativos, contemplando 13 séries temporais divididas em dois estudos de casos – derivados do petróleo e competição NN3, uma competição entre metodologias de previsão baseadas em inteligência computacional. Os resultados obtidos foram considerados promissores. |
id |
PUC_RIO-1_094bf8973d15a8dc3119f65fe165d6ce |
---|---|
oai_identifier_str |
oai:MAXWELL.puc-rio.br:20153 |
network_acronym_str |
PUC_RIO-1 |
network_name_str |
Repositório Institucional da PUC-RIO (Projeto Maxwell) |
repository_id_str |
534 |
spelling |
info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisNEURAL EXPERT WEIGHTING PONDERAÇÃO NEURAL DE EXPERTS 2012-04-19MARLEY MARIA BERNARDES REBUZZI VELLASCO75758385700lattes.cnpq.br/8265116967095452MARLEY MARIA BERNARDES REBUZZI VELLASCOLUCIANA CONCEICAO DIAS CAMPOSKARLA TEREZA FIGUEIREDO LEITEREINALDO CASTRO SOUZAREINALDO CASTRO SOUZA07353225700RAFAEL DE OLIVAES VALLE DOS SANTOSPONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIROPPG EM ENGENHARIA ELÉTRICAPUC-RioBRDiversos resultados empíricos na área de séries temporais indicam que combinar previsores (experts) é, em média, melhor que tentar selecionar um único modelo de previsão. Na medida em que se decide por um esquema de combinação linear, há vários métodos disponíveis para determinar o quanto cada previsor deve contribuir para a resposta consensual, ou em outras palavras, quais devem ser os pesos dos previsores envolvidos. Em um primeiro momento, este trabalho explora o uso prático de diversos métodos tradicionais de ponderação para combinação linear de previsores. Em seguida, propõe um novo sistema para geração de pesos, especialmente projetado para a melhoria do desempenho nas previsões múltiplos passos a frente. O sistema, batizado de Ponderação Neural de Experts (NEW – Neural Expert Weighting), gera modelos de ponderação dinâmica baseados em redes neurais. As redes neurais oferecem a robustez necessária para a simulação de funções de ponderação de alto desempenho, derivadas de um ou mais métodos tradicionais de geração de pesos. O sistema NEW foi avaliado em diversos experimentos comparativos, contemplando 13 séries temporais divididas em dois estudos de casos – derivados do petróleo e competição NN3, uma competição entre metodologias de previsão baseadas em inteligência computacional. Os resultados obtidos foram considerados promissores.Several empirical results on the time series field indicate that combining forecasting models (experts) is, on average, better than selecting a single forecasting model. Once the linear combination framework is chosen, there are many ways to define the amount of contribution of each combining model to the consensual response; in other words, there are many possible weighting methods. At first, the present work explores the usage of traditional weight generation schemes for the linear combination of forecasters. Afterwards, it proposes a new weight generation framework, specially designed to improve multistep ahead forecasting. The framework, called Neural Experts Weighting (NEW), generates dynamic weighting models based on neural networks. The neural networks provide the desired robustness for the simulation of high performance weighting functions, derived from one or more traditional weighting methods. The NEW framework was assessed with several comparative experiments, encompassing 13 time series divided into two case studies – downstream and NN3 competition, a forecasting competition for computational intelligence methodologies. Results were considered to be promising.PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIROhttps://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=20153@1https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=20153@2porreponame:Repositório Institucional da PUC-RIO (Projeto Maxwell)instname:Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)instacron:PUC_RIOinfo:eu-repo/semantics/openAccess2022-11-01T13:16:04Zoai:MAXWELL.puc-rio.br:20153Repositório InstitucionalPRIhttps://www.maxwell.vrac.puc-rio.br/ibict.phpopendoar:5342019-08-23T00:00Repositório Institucional da PUC-RIO (Projeto Maxwell) - Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)false |
dc.title.en.fl_str_mv |
NEURAL EXPERT WEIGHTING |
dc.title.alternative.pt.fl_str_mv |
PONDERAÇÃO NEURAL DE EXPERTS |
title |
NEURAL EXPERT WEIGHTING |
spellingShingle |
NEURAL EXPERT WEIGHTING RAFAEL DE OLIVAES VALLE DOS SANTOS |
title_short |
NEURAL EXPERT WEIGHTING |
title_full |
NEURAL EXPERT WEIGHTING |
title_fullStr |
NEURAL EXPERT WEIGHTING |
title_full_unstemmed |
NEURAL EXPERT WEIGHTING |
title_sort |
NEURAL EXPERT WEIGHTING |
dc.creator.Lattes.none.fl_str_mv |
|
author |
RAFAEL DE OLIVAES VALLE DOS SANTOS |
author_facet |
RAFAEL DE OLIVAES VALLE DOS SANTOS |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
MARLEY MARIA BERNARDES REBUZZI VELLASCO |
dc.contributor.advisor1ID.fl_str_mv |
75758385700 |
dc.contributor.advisor1Lattes.fl_str_mv |
lattes.cnpq.br/8265116967095452 |
dc.contributor.referee1.fl_str_mv |
MARLEY MARIA BERNARDES REBUZZI VELLASCO |
dc.contributor.referee2.fl_str_mv |
LUCIANA CONCEICAO DIAS CAMPOS |
dc.contributor.referee3.fl_str_mv |
KARLA TEREZA FIGUEIREDO LEITE |
dc.contributor.referee4.fl_str_mv |
REINALDO CASTRO SOUZA |
dc.contributor.referee5.fl_str_mv |
REINALDO CASTRO SOUZA |
dc.contributor.authorID.fl_str_mv |
07353225700 |
dc.contributor.author.fl_str_mv |
RAFAEL DE OLIVAES VALLE DOS SANTOS |
contributor_str_mv |
MARLEY MARIA BERNARDES REBUZZI VELLASCO MARLEY MARIA BERNARDES REBUZZI VELLASCO LUCIANA CONCEICAO DIAS CAMPOS KARLA TEREZA FIGUEIREDO LEITE REINALDO CASTRO SOUZA REINALDO CASTRO SOUZA |
description |
Diversos resultados empíricos na área de séries temporais indicam que combinar previsores (experts) é, em média, melhor que tentar selecionar um único modelo de previsão. Na medida em que se decide por um esquema de combinação linear, há vários métodos disponíveis para determinar o quanto cada previsor deve contribuir para a resposta consensual, ou em outras palavras, quais devem ser os pesos dos previsores envolvidos. Em um primeiro momento, este trabalho explora o uso prático de diversos métodos tradicionais de ponderação para combinação linear de previsores. Em seguida, propõe um novo sistema para geração de pesos, especialmente projetado para a melhoria do desempenho nas previsões múltiplos passos a frente. O sistema, batizado de Ponderação Neural de Experts (NEW – Neural Expert Weighting), gera modelos de ponderação dinâmica baseados em redes neurais. As redes neurais oferecem a robustez necessária para a simulação de funções de ponderação de alto desempenho, derivadas de um ou mais métodos tradicionais de geração de pesos. O sistema NEW foi avaliado em diversos experimentos comparativos, contemplando 13 séries temporais divididas em dois estudos de casos – derivados do petróleo e competição NN3, uma competição entre metodologias de previsão baseadas em inteligência computacional. Os resultados obtidos foram considerados promissores. |
publishDate |
2012 |
dc.date.issued.fl_str_mv |
2012-04-19 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=20153@1 https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=20153@2 |
url |
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=20153@1 https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=20153@2 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO |
dc.publisher.program.fl_str_mv |
PPG EM ENGENHARIA ELÉTRICA |
dc.publisher.initials.fl_str_mv |
PUC-Rio |
dc.publisher.country.fl_str_mv |
BR |
publisher.none.fl_str_mv |
PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da PUC-RIO (Projeto Maxwell) instname:Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO) instacron:PUC_RIO |
instname_str |
Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO) |
instacron_str |
PUC_RIO |
institution |
PUC_RIO |
reponame_str |
Repositório Institucional da PUC-RIO (Projeto Maxwell) |
collection |
Repositório Institucional da PUC-RIO (Projeto Maxwell) |
repository.name.fl_str_mv |
Repositório Institucional da PUC-RIO (Projeto Maxwell) - Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO) |
repository.mail.fl_str_mv |
|
_version_ |
1748324913067851776 |