GPFIS-FORECAST: A GENETIC-FUZZY SYSTEM BASED ON GENETIC PROGRAMMING FOR FORECAST PROBLEMS
Autor(a) principal: | |
---|---|
Data de Publicação: | 2015 |
Tipo de documento: | Dissertação |
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=26987@1 https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=26987@2 |
Resumo: | Métodos de previsão são muito importantes para o desenvolvimento de diversas atividades no cotidiano produtivo de nossa sociedade. Vários modelos estatísticos são desenvolvidos até hoje, contudo possuem muitos pressupostos que devem ser seguidos com o intuito de se obter uma resposta aceitável. Modelos não estatísticos para prever séries temporais como os que envolvem Sistemas de Inferência Fuzzy (SIFs) fornecem uma descrição do processo de previsão por meio de regras linguísticas. Explora-se, nesta dissertação, o GPFIS-Forecast: versão do GPFIS - Sistema de Inferência Fuzzy Genético baseado em Programação Genética Multigênica - para previsão de série temporais univariadas. O modelo apresenta, em sua execução, quatro etapas básicas: Fuzzificação, Inferência, Defuzzificação e Avaliação. Em cada uma destas etapas, pode-se fazer uso de diferentes configurações, com implicações evidentes nos resultados finais. Este trabalho propõe o aperfeiçoamento do GPFIS-Forecast em duas vertentes principais:( i) aumentar a quantidade de possibilidades de configurações, avaliando se podem contribuir significativamente para a acurácia das previsões;(ii) adicionar informações complementares como alternativas para a interpretação do resultado do modelo, tendo como compromisso tanto a acurácia e quanto a interpretabilidade. Os estudos de caso demonstram que, em casos de séries temporais com pouca tendência, o GPFIS-Forecast apresenta uma acurácia entre as 10 melhores da competição NN3; quando há forte tendência, faz-se necessário o uso de pré-processamento, prejudicando a interpretabilidade do resultado. Os Limites de Previsão Fuzzy introduzidos neste trabalho agregam mais informação ao resultado da previsão pontual, apontando possíveis ajustes finais nas bases de regras de modelos com maior granularidade. |
id |
PUC_RIO-1_ef946950692eb270b47c1777aa4f61aa |
---|---|
oai_identifier_str |
oai:MAXWELL.puc-rio.br:26987 |
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/masterThesisGPFIS-FORECAST: A GENETIC-FUZZY SYSTEM BASED ON GENETIC PROGRAMMING FOR FORECAST PROBLEMSGPFIS-FORECAST: UM SISTEMA FUZZY-GENÉTICO BASEADO EM PROGRAMAÇÃO GENÉTICA MULTIGÊNICA PARA PROBLEMAS DE PREVISÃO UNIVARIADA2015-09-15RICARDO TANSCHEIT22235426034lattes.cnpq.br/8206214061481076MARLEY MARIA BERNARDES REBUZZI VELLASCO75758385700lattes.cnpq.br/8265116967095452RICARDO TANSCHEITKARLA TEREZA FIGUEIREDO LEITEMARLEY MARIA BERNARDES REBUZZI VELLASCOKARLA TEREZA FIGUEIREDO LEITEJORGE LUIS MACHADO DO AMARAL11615193782lattes.cnpq.br/6655534851289469MARCO ANTONIO DA CUNHA FERREIRAPONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIROPPG EM ENGENHARIA ELÉTRICAPUC-RioBRMétodos de previsão são muito importantes para o desenvolvimento de diversas atividades no cotidiano produtivo de nossa sociedade. Vários modelos estatísticos são desenvolvidos até hoje, contudo possuem muitos pressupostos que devem ser seguidos com o intuito de se obter uma resposta aceitável. Modelos não estatísticos para prever séries temporais como os que envolvem Sistemas de Inferência Fuzzy (SIFs) fornecem uma descrição do processo de previsão por meio de regras linguísticas. Explora-se, nesta dissertação, o GPFIS-Forecast: versão do GPFIS - Sistema de Inferência Fuzzy Genético baseado em Programação Genética Multigênica - para previsão de série temporais univariadas. O modelo apresenta, em sua execução, quatro etapas básicas: Fuzzificação, Inferência, Defuzzificação e Avaliação. Em cada uma destas etapas, pode-se fazer uso de diferentes configurações, com implicações evidentes nos resultados finais. Este trabalho propõe o aperfeiçoamento do GPFIS-Forecast em duas vertentes principais:( i) aumentar a quantidade de possibilidades de configurações, avaliando se podem contribuir significativamente para a acurácia das previsões;(ii) adicionar informações complementares como alternativas para a interpretação do resultado do modelo, tendo como compromisso tanto a acurácia e quanto a interpretabilidade. Os estudos de caso demonstram que, em casos de séries temporais com pouca tendência, o GPFIS-Forecast apresenta uma acurácia entre as 10 melhores da competição NN3; quando há forte tendência, faz-se necessário o uso de pré-processamento, prejudicando a interpretabilidade do resultado. Os Limites de Previsão Fuzzy introduzidos neste trabalho agregam mais informação ao resultado da previsão pontual, apontando possíveis ajustes finais nas bases de regras de modelos com maior granularidade.Forecasting methods are very important for the development of various activities in everyday society. Several statistical models have been developed, but many assumptions must be made in order to obtain an acceptable response. Nonstatistical models for time series forecasting such as those involving systems Fuzzy Inference Systems (FIS) provide a description of the process through linguistic rules. This dissertation delves into GPFISForecast: a version of GPFIS - Fuzzy Inference System based on Multigene Genetic Programming - for univariate time series forecasting. This model consists of four basic stages: Fuzzification, Inference, Defuzzification and Evaluation. In each of these steps, different configurations will have distinct impacts on the results. This work proposes the improvement of GPFIS-Forecast along two main lines (i) increase the amount of possible configurations and assess their contribution to a better forecasting accuracy and (ii) add further information to the interpretation of results, keeping in mind both accuracy and interpretability. The case studies show that in the case of time series with small tendency, GPFIS-Forecast provides a good accuracy; when tendency is larger and pre-processing becomes necessary, interpretability is affected. The Fuzzy Forecasting Limits introduced here add more information to the result, pointing to possible adjustments to rule bases of models with greater granularity.PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIROCONSELHO NACIONAL DE DESENVOLVIMENTO CIENTÍFICO E TECNOLÓGICOhttps://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=26987@1https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=26987@2porreponame:Repositório Institucional da PUC-RIO (Projeto Maxwell)instname:Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)instacron:PUC_RIOinfo:eu-repo/semantics/openAccess2022-11-01T13:29:28Zoai:MAXWELL.puc-rio.br:26987Repositório InstitucionalPRIhttps://www.maxwell.vrac.puc-rio.br/ibict.phpopendoar:5342022-06-10T00:00Repositório Institucional da PUC-RIO (Projeto Maxwell) - Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)false |
dc.title.en.fl_str_mv |
GPFIS-FORECAST: A GENETIC-FUZZY SYSTEM BASED ON GENETIC PROGRAMMING FOR FORECAST PROBLEMS |
dc.title.alternative.pt.fl_str_mv |
GPFIS-FORECAST: UM SISTEMA FUZZY-GENÉTICO BASEADO EM PROGRAMAÇÃO GENÉTICA MULTIGÊNICA PARA PROBLEMAS DE PREVISÃO UNIVARIADA |
title |
GPFIS-FORECAST: A GENETIC-FUZZY SYSTEM BASED ON GENETIC PROGRAMMING FOR FORECAST PROBLEMS |
spellingShingle |
GPFIS-FORECAST: A GENETIC-FUZZY SYSTEM BASED ON GENETIC PROGRAMMING FOR FORECAST PROBLEMS MARCO ANTONIO DA CUNHA FERREIRA |
title_short |
GPFIS-FORECAST: A GENETIC-FUZZY SYSTEM BASED ON GENETIC PROGRAMMING FOR FORECAST PROBLEMS |
title_full |
GPFIS-FORECAST: A GENETIC-FUZZY SYSTEM BASED ON GENETIC PROGRAMMING FOR FORECAST PROBLEMS |
title_fullStr |
GPFIS-FORECAST: A GENETIC-FUZZY SYSTEM BASED ON GENETIC PROGRAMMING FOR FORECAST PROBLEMS |
title_full_unstemmed |
GPFIS-FORECAST: A GENETIC-FUZZY SYSTEM BASED ON GENETIC PROGRAMMING FOR FORECAST PROBLEMS |
title_sort |
GPFIS-FORECAST: A GENETIC-FUZZY SYSTEM BASED ON GENETIC PROGRAMMING FOR FORECAST PROBLEMS |
author |
MARCO ANTONIO DA CUNHA FERREIRA |
author_facet |
MARCO ANTONIO DA CUNHA FERREIRA |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
RICARDO TANSCHEIT |
dc.contributor.advisor1ID.fl_str_mv |
22235426034 |
dc.contributor.advisor1Lattes.fl_str_mv |
lattes.cnpq.br/8206214061481076 |
dc.contributor.advisor-co1.fl_str_mv |
MARLEY MARIA BERNARDES REBUZZI VELLASCO |
dc.contributor.advisor-co1ID.fl_str_mv |
75758385700 |
dc.contributor.advisor-co1Lattes.fl_str_mv |
lattes.cnpq.br/8265116967095452 |
dc.contributor.referee1.fl_str_mv |
RICARDO TANSCHEIT |
dc.contributor.referee2.fl_str_mv |
KARLA TEREZA FIGUEIREDO LEITE |
dc.contributor.referee3.fl_str_mv |
MARLEY MARIA BERNARDES REBUZZI VELLASCO |
dc.contributor.referee4.fl_str_mv |
KARLA TEREZA FIGUEIREDO LEITE |
dc.contributor.referee5.fl_str_mv |
JORGE LUIS MACHADO DO AMARAL |
dc.contributor.authorID.fl_str_mv |
11615193782 |
dc.contributor.authorLattes.fl_str_mv |
lattes.cnpq.br/6655534851289469 |
dc.contributor.author.fl_str_mv |
MARCO ANTONIO DA CUNHA FERREIRA |
contributor_str_mv |
RICARDO TANSCHEIT MARLEY MARIA BERNARDES REBUZZI VELLASCO RICARDO TANSCHEIT KARLA TEREZA FIGUEIREDO LEITE MARLEY MARIA BERNARDES REBUZZI VELLASCO KARLA TEREZA FIGUEIREDO LEITE JORGE LUIS MACHADO DO AMARAL |
description |
Métodos de previsão são muito importantes para o desenvolvimento de diversas atividades no cotidiano produtivo de nossa sociedade. Vários modelos estatísticos são desenvolvidos até hoje, contudo possuem muitos pressupostos que devem ser seguidos com o intuito de se obter uma resposta aceitável. Modelos não estatísticos para prever séries temporais como os que envolvem Sistemas de Inferência Fuzzy (SIFs) fornecem uma descrição do processo de previsão por meio de regras linguísticas. Explora-se, nesta dissertação, o GPFIS-Forecast: versão do GPFIS - Sistema de Inferência Fuzzy Genético baseado em Programação Genética Multigênica - para previsão de série temporais univariadas. O modelo apresenta, em sua execução, quatro etapas básicas: Fuzzificação, Inferência, Defuzzificação e Avaliação. Em cada uma destas etapas, pode-se fazer uso de diferentes configurações, com implicações evidentes nos resultados finais. Este trabalho propõe o aperfeiçoamento do GPFIS-Forecast em duas vertentes principais:( i) aumentar a quantidade de possibilidades de configurações, avaliando se podem contribuir significativamente para a acurácia das previsões;(ii) adicionar informações complementares como alternativas para a interpretação do resultado do modelo, tendo como compromisso tanto a acurácia e quanto a interpretabilidade. Os estudos de caso demonstram que, em casos de séries temporais com pouca tendência, o GPFIS-Forecast apresenta uma acurácia entre as 10 melhores da competição NN3; quando há forte tendência, faz-se necessário o uso de pré-processamento, prejudicando a interpretabilidade do resultado. Os Limites de Previsão Fuzzy introduzidos neste trabalho agregam mais informação ao resultado da previsão pontual, apontando possíveis ajustes finais nas bases de regras de modelos com maior granularidade. |
publishDate |
2015 |
dc.date.issued.fl_str_mv |
2015-09-15 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=26987@1 https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=26987@2 |
url |
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=26987@1 https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=26987@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_ |
1748324925378134016 |