Estudo comparativo de métodos de análise e previsão de séries temporais: métodos estatísticos versus redes neuronais

• Autor(a) principal: Moreno, Fernando Jorge Tavares dos Santos
• Data de Publicação: 2021
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10174/29054
• topic: Séries temporais; Redes Neuronais; Tendência; Estacionariedade; Sazonalidade; Time series; Neural Networks; Trend; Stationary; Seasonality

Os mecanismos modernos de recolha de dados, não só tem levado ao surgimento de novas técnicas de análise e compreensão do comportamento dos dados, mas também a dúvidas sobre as melhores técnicas a utilizar. Neste contexto, as séries temporais assumem particular importância, visto que a compreensão da sequência dos acontecimentos possibilita a determinação de critérios de análise e previsão de qualquer problema sequencialmente disposto no tempo. A compreensão dos acontecimentos fornece para os diferentes intervenientes uma vantagem num ambiente de maior competitividade, e esse trabalho vai na prespetiva de esclarecer as diferentes técnicas de análise e ajustamentos dos dados sequênciais, tanto utilizando métodos estatísticos como técnicas de inteligência artificial. Primeiramente, efectuou-se uma revisão bibliográfica tanto das técnicas estatísticas como de inteligência artificial posteriormente houve uma divisão dos dados entre séries não estacionárias com tendência e séries não estacionárias com tendência e sazonalidade, e aplicadas diferentes técnicas para o ajustamento das séries, e feita no final uma comparação entre elas. O resultado deste trabalho, vai no sentido de fornecer os mecanismos existentes de ajustamento e servir como referência na utilização de análise de dados sequênciais, e abrir oportunidades de novas prespetivas de análise de dados; Abstract: Modern data collection mechanisms have not only led to the emergence of new techniques for analyzing and understanding data behavior, but also to doubts about the best techniques to use. In this context, the time series are of particular importance, since understanding the sequence of events, makes it possible to determine criteria for analyzing and predicting any problem sequentially arranged over time. Understanding the events provides different players with an advantage in a more competitive environment, and this work aims to clarify the different techniques for analyzing and adjusting sequential data, using both statistical and artificial intelligence methods. First, a bibliographic review of both statistical and artificial intelligence techniques was carried out, later on there was a division of the data between non-stationary series with tendency and non-stationary series with trend and seasonality, and different techniques were applied to adjust the series, and a comparison is made at the end. The result of this work is to provide the existing adjustment mechanisms and to serve as a reference in the use of sequential data analysis, and to open opportunities for new data analysis perspectives.