Modelação de séries temporais – métodos lineares e não lineares

• Autor(a) principal: Machado, Telmo Nuno
• Data de Publicação: 2009
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10198/2102
• topic: Procura turística; Séries temporais; Modelação linear; Redes neuronais artificiais; Tourism demand; Time series; Linear modelling; Forecasting

O principal objectivo do presente trabalho assenta no estudo comparativo entre o modelo baseado na regressão linear e o modelo baseado na tecnologia de redes neuronais artificiais (RNA). A metodologia de regressão linear consiste na aplicação de um modelo univariado sobre a evolução de cada mês individualmente, ao longo do intervalo de tempo definido pela série estudada. Para o modelo de RNA foi estudada a inclusão de variáveis auxiliares. Neste trabalho foi ainda desenvolvido uma interface gráfica para utilização destes modelos de previsão para utilizadores não especialistas. A inclusão destas duas metodologias de natureza diferente, tem como finalidade, perceber a respectiva potencialidade aplicada às características peculiares que as séries de turismo evidenciam, tais como, a sazonalidade e a tendência. Recorreu-se para o efeito a séries mensais da procura turística: “Dormidas Mensais Registadas nos Estabelecimentos Hoteleiros - NDH” para Portugal, Região Norte e Região Centro, definidas no período compreendido entre Janeiro de 1990 e Dezembro de 2008. Foi também incluída neste estudo a série turística homóloga, referente ao Reino Unido. Esta série apresenta características ligeiramente diferentes das séries turísticas nacionais. Os modelos desenvolvidos apresentaram qualidades estatísticas e de ajustamento de precisão elevada, pelo que se procedeu à sua utilização para efeitos previsionais. Neste contexto, efectuou-se uma comparação dos resultados previstos com os reais, para os anos de 2007 e 2008, em relação à série NDH – Portugal, apresentando, para o período em análise, um Erro Percentual Absoluto Médio (EPAM) de 4,8% e 4,2%, respectivamente para o método de regressão linear (RL) e Redes Neuronais Artificiais. Em séries cujo comportamento se verificou mais irregular, como a NDH – Região Centro, as RNA superaram a regressão linear apresentando um EPAM de 8,2%, duas vezes inferior ao conseguido com os métodos lineares. A inclusão de variáveis auxiliares, nomeadamente indicadores macroeconómicos e do estado do tempo, à entrada da rede neuronal, também foi estudada, apresentando alguns resultados positivos. A título de exemplo, o Índice de Preços no Consumidor (IPC), reduziu o EPAM relativo à série, NDHP-RC, em cerca de 15%. The main purpose of this paper is the comparative study of the linear regression model to the neural network model. The linear regression method is the appliance of an univaried model on every month for the studied time-period. Using such different nature methodologies helps assessing each one's potential on the specificities of the tourism demand series, such as theirs seasonality and tendency. So, monthly data series for the tourism demand were used: “Monthly Guest Nights in the Hotels of Portugal (NDH) - North and Center Regions” for the time-period from January 1990 to December 2008 and also the United Kingdom data for the very same time-period. The latter presents a different pattern of data. Since the developed models presented high statistical accuracy and fitting capabilities they were used for forecasting. We compared forecasted NDH data to the real data for the years 2007 and 2008 so as to measure its prediction capability. The linear regression model got a Mean Absolute Percent Error of 4,8% and the neural network model got a Mean Absolute Percent Error of 4,2%. In series, such as that of the NDH- Center Region, in which data shows more variability, the neural network model scored a Mean Absolute Percent Error of 8,2%, outperforming the linear regression model by two. Extra auxiliary input variables to the neural network, such as macroeconomic and weather condition data were also used showing some good results. Just to give an example, using the NDH data series for the Center Region, the Consumer Price Index was able to reduce 15% the Mean Absolute Percent Error.