Previsão de séries temporais por meio de redes neurais.

• Autor(a) principal: PORTO, Bruno Matos.
• Data de Publicação: 2018
• Outros Autores: PHILIPPI, Daniela Althoff.
• Tipo de documento: Artigo de conferência
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UFCG
• Texto Completo: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/31955
• topic: Redes neurais; Perceptron multi-camada; Petróleo - previsão de produção; Previsão de produção de petróleo; Máquina de aprendizagem extrema; Neural networks; Multi-layer Perceptron; Oil - production forecast; Oil production forecast; Extreme Learning Machine; Redes neuronales; Perceptrón multicapa; Petróleo - previsión de producción; Previsión de producción de petróleo; Máquina de aprendizaje extrema; Les réseaux de neurones; Perceptron multicouche; Pétrole - prévisions de production; Prévisions de production pétrolière; Machine d’apprentissage extrême; Engenharia de Produção.

O objetivo deste trabalho foi gerar previsões e comparar a precisão preditiva no curto prazo de redes neurais perceptron multi-camada (MLP) e máquina de aprendizagem extrema (ELM), na previsão da produção de petróleo. Foram utilizadas três séries temporais do sistema de gerenciamento de séries temporais do Banco Central do Brasil (BCB). Os dados são referentes a produção de gás natural, óleo bruto e petróleo registradas entre janeiro de 2007 a setembro de 2017. Com uso do software R e a extensão R studio. As predições da produção abrangeram o intervalo de outubro a dezembro de 2017, sendo então comparadas aos dados reais do mesmo período. As previsões da MLP e ELM foram comparadas por meio dos critérios MAPE e MAD, onde os resultados gerados pelas medidas de erros mostraram que a ELM teve o melhor desempenho individual, MLP e ELM geraram previsões excelentes. Para pesquisas futuras sugerimos análises de previsões de curto, médio e longo prazo fora da amostra.