Previsão de séries temporais utilizando modelos clássicos e redes neurais artificiais.

• Autor(a) principal: XAVIER, Thainá Santos.
• Data de Publicação: 2018
• Tipo de documento: Trabalho de conclusão de curso
• 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/18949
• topic: Previsão de séries temporais; Séries temporais; Redes neurais artificiais; Processos estocásticos; Estacionariedade; Funções de autocovariância; Funções de autocorrelação; Previsão de carga; Matlab; Modelo ARIMA; Modelos para previsão de séries temporais; Arquiteturas de redes neurais artificiais; Time series forecast; Time series; Artificial neural networks; Stochastic processes; Stationary; Auto-variance functions; Autocorrelation functions; Load forecast; Model ARIMA; Models for forecasting time series; Artificial neural network architectures; Engenharia Elétrica.

Este trabalho apresenta os principais conceitos que envolvem a análise de séries temporais, como também os principais modelos utilizados na previsão de séries temporais. Ao final do trabalho, é realizado um estudo de caso, no qual foi feita a previsão de carga da região Nordeste utilizando um modelo clássico de previsão, especificamente, o modelo ARIMA sazonal, e uma rede neural artificial (RNA). A metodologia utilizada para identificar o modelo ARIMA é baseada na análise das funções de autocorrelação e autocorrelação parcial da série temporal. A RNA foi implementada no software Matlab®, por meio da toolbox Neural Network Time Series Tool. A qualidade do ajuste dos modelos e das previsões foram medidas por meio de índices de desempenho. Chegou-se à conclusão de que ambos os métodos de previsão são satisfatórios, por apresentarem bons índices de desempenho. Porém, as redes neurais artificiais apresentam algumas vantagens sobre o modelo ARIMA, como a possibilidade de incorporar variáveis de regressão ao modelo. Este trabalho tem como principal contribuição a de dar início a uma linha de pesquisa no Laboratório de Alta Tensão da UFCG, servindo como um guia para os alunos de graduação que irão trabalhar com o tema daqui por diante.