Otimização multivariada da combinação de métodos de previsão
Autor(a) principal: | |
---|---|
Data de Publicação: | 2019 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Repositório Institucional da UNIFEI (RIUNIFEI) |
Texto Completo: | https://repositorio.unifei.edu.br/jspui/handle/123456789/2130 |
Resumo: | Este trabalho propõe uma nova abordagem multiobjetivo – nomeada de método “Análise Fatorial - Intersecção Normal à Fronteira” (FA-NBI, do inglês Factorial Analisys - Normal Boundary Intersection) - para encontrar o conjunto ótimo de pesos de uma combinação de métodos de previsão que é eficiente, ao mesmo tempo, com relação a várias métricas de desempenho e precisão. Para isso, as séries de resíduos de cada um dos métodos de previsão selecionados foram produzidas e foram combinadas com o uso de uma média ponderada, com os vários conjuntos de pesos tendo sido gerados por um Desenho de Rede Simplex {m, q} (do inglês Simplex - Lattice Design). Em seguida, várias métricas de performance e precisão foram calculadas para cada série de resíduos combinados. Depois, foi utilizada Análise Fatorial por Componentes Principais (PCFA, do inglês Principal Component Factor Analysis) para extrair um pequeno número de escores de fatores para representar as métricas selecionadas, tudo com perda mínima de informações. As séries de escores de fatores extraídas foram modeladas matematicamente com a utilização de Projeto de Experimentos de Misturas (DOE-M, do inglês Mixture Design of Experiments). O método de Intersecção Normal à Fronteira (NBI, do inglês Normal Boundary Intersection) foi aplicado para otimizar conjuntamente essas funçõesobjetivo modeladas matematicamente, permitindo obter diversos e diferentes conjuntos de pesos Pareto-ótimos e, consequentemente, a construção da fronteira de Pareto. O Índice de Entropia de Shannon (S, do inglês Shannon’s Entropy Index) e o Erro Percentual Global (GPE, do inglês Global Percentage Error) foram usados como critérios para selecionar o melhor conjunto de pesos. No presente trabalho, essas etapas foram aplicadas com sucesso inseridas dentro de um estudo de caso para prever a demanda de café no Brasil. Para testar a aplicabilidade e a viabilidade do novo método proposto diante de séries temporais distintas, foram previstas também a produção e a exportação brasileira de café usando o novo método. Ademais, seis séries sintéticas, disponíveis em Montgomery et al. (2008), foram utilizadas para testar a viabilidade do novo método. Os resultados mostraram que a abordagem proposta, denominada método de combinação de previsões FA-NBI, pode ser empregada com sucesso para encontrar os pesos ideais de uma combinação de métodos de previsão. |
id |
UFEI_5198d1f78fd13f17aa5cc7c089e0a527 |
---|---|
oai_identifier_str |
oai:repositorio.unifei.edu.br:123456789/2130 |
network_acronym_str |
UFEI |
network_name_str |
Repositório Institucional da UNIFEI (RIUNIFEI) |
repository_id_str |
7044 |
spelling |
2019-12-122020-02-20T19:52:08Z2020-02-20T19:52:08ZBACCI, Livio Agnew. Otimização multivariada da combinação de métodos de previsão. 2019. 191 f. Tese (Doutorado em Engenharia de Produção) – Universidade Federal de Itajubá, Itajubá, 2019.https://repositorio.unifei.edu.br/jspui/handle/123456789/2130Este trabalho propõe uma nova abordagem multiobjetivo – nomeada de método “Análise Fatorial - Intersecção Normal à Fronteira” (FA-NBI, do inglês Factorial Analisys - Normal Boundary Intersection) - para encontrar o conjunto ótimo de pesos de uma combinação de métodos de previsão que é eficiente, ao mesmo tempo, com relação a várias métricas de desempenho e precisão. Para isso, as séries de resíduos de cada um dos métodos de previsão selecionados foram produzidas e foram combinadas com o uso de uma média ponderada, com os vários conjuntos de pesos tendo sido gerados por um Desenho de Rede Simplex {m, q} (do inglês Simplex - Lattice Design). Em seguida, várias métricas de performance e precisão foram calculadas para cada série de resíduos combinados. Depois, foi utilizada Análise Fatorial por Componentes Principais (PCFA, do inglês Principal Component Factor Analysis) para extrair um pequeno número de escores de fatores para representar as métricas selecionadas, tudo com perda mínima de informações. As séries de escores de fatores extraídas foram modeladas matematicamente com a utilização de Projeto de Experimentos de Misturas (DOE-M, do inglês Mixture Design of Experiments). O método de Intersecção Normal à Fronteira (NBI, do inglês Normal Boundary Intersection) foi aplicado para otimizar conjuntamente essas funçõesobjetivo modeladas matematicamente, permitindo obter diversos e diferentes conjuntos de pesos Pareto-ótimos e, consequentemente, a construção da fronteira de Pareto. O Índice de Entropia de Shannon (S, do inglês Shannon’s Entropy Index) e o Erro Percentual Global (GPE, do inglês Global Percentage Error) foram usados como critérios para selecionar o melhor conjunto de pesos. No presente trabalho, essas etapas foram aplicadas com sucesso inseridas dentro de um estudo de caso para prever a demanda de café no Brasil. Para testar a aplicabilidade e a viabilidade do novo método proposto diante de séries temporais distintas, foram previstas também a produção e a exportação brasileira de café usando o novo método. Ademais, seis séries sintéticas, disponíveis em Montgomery et al. (2008), foram utilizadas para testar a viabilidade do novo método. Os resultados mostraram que a abordagem proposta, denominada método de combinação de previsões FA-NBI, pode ser empregada com sucesso para encontrar os pesos ideais de uma combinação de métodos de previsão.Otimização multivariada da combinação de métodos de previsãoinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisItajubáUNIFEI - Universidade Federal de Itajubá191 p.Otimização multiobjetivoSéries temporaisCombinação de métodos de previsãoEstatística multivariadaSuporte a decisãoProjeto de experimentos de misturasMulti-objective optimizationTime seriesCombining forecastsMultivariate statisticsDecision supportMixture design of experimentsPAIVA, Anderson Paulo deEngenharia de ProduçãoCNPQ::Engenharia da ProduçãoEngenharia de Produção - MétodosBACCI, Livio AgnewPrograma de Pós-Graduação: Doutorado - Engenharia de ProduçãoIEPG - Instituto de Engenharia de Produção e Gestãoporreponame:Repositório Institucional da UNIFEI (RIUNIFEI)instname:Universidade Federal de Itajubá (UNIFEI)instacron:UNIFEIinfo:eu-repo/semantics/openAccessORIGINALTese_2020012.pdfTese_2020012.pdfapplication/pdf3349973https://repositorio.unifei.edu.br/jspui/bitstream/123456789/2130/1/Tese_2020012.pdf48ac22bfd91d1b79907e59b900df15a8MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repositorio.unifei.edu.br/jspui/bitstream/123456789/2130/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD52123456789/21302024-02-21 10:50:13.588oai:repositorio.unifei.edu.br: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Repositório InstitucionalPUBhttps://repositorio.unifei.edu.br/oai/requestrepositorio@unifei.edu.br || geraldocarlos@unifei.edu.bropendoar:70442024-02-21T13:50:13Repositório Institucional da UNIFEI (RIUNIFEI) - Universidade Federal de Itajubá (UNIFEI)false |
dc.title.pt_BR.fl_str_mv |
Otimização multivariada da combinação de métodos de previsão |
title |
Otimização multivariada da combinação de métodos de previsão |
spellingShingle |
Otimização multivariada da combinação de métodos de previsão BACCI, Livio Agnew |
title_short |
Otimização multivariada da combinação de métodos de previsão |
title_full |
Otimização multivariada da combinação de métodos de previsão |
title_fullStr |
Otimização multivariada da combinação de métodos de previsão |
title_full_unstemmed |
Otimização multivariada da combinação de métodos de previsão |
title_sort |
Otimização multivariada da combinação de métodos de previsão |
author |
BACCI, Livio Agnew |
author_facet |
BACCI, Livio Agnew |
author_role |
author |
dc.contributor.author.fl_str_mv |
BACCI, Livio Agnew |
description |
Este trabalho propõe uma nova abordagem multiobjetivo – nomeada de método “Análise Fatorial - Intersecção Normal à Fronteira” (FA-NBI, do inglês Factorial Analisys - Normal Boundary Intersection) - para encontrar o conjunto ótimo de pesos de uma combinação de métodos de previsão que é eficiente, ao mesmo tempo, com relação a várias métricas de desempenho e precisão. Para isso, as séries de resíduos de cada um dos métodos de previsão selecionados foram produzidas e foram combinadas com o uso de uma média ponderada, com os vários conjuntos de pesos tendo sido gerados por um Desenho de Rede Simplex {m, q} (do inglês Simplex - Lattice Design). Em seguida, várias métricas de performance e precisão foram calculadas para cada série de resíduos combinados. Depois, foi utilizada Análise Fatorial por Componentes Principais (PCFA, do inglês Principal Component Factor Analysis) para extrair um pequeno número de escores de fatores para representar as métricas selecionadas, tudo com perda mínima de informações. As séries de escores de fatores extraídas foram modeladas matematicamente com a utilização de Projeto de Experimentos de Misturas (DOE-M, do inglês Mixture Design of Experiments). O método de Intersecção Normal à Fronteira (NBI, do inglês Normal Boundary Intersection) foi aplicado para otimizar conjuntamente essas funçõesobjetivo modeladas matematicamente, permitindo obter diversos e diferentes conjuntos de pesos Pareto-ótimos e, consequentemente, a construção da fronteira de Pareto. O Índice de Entropia de Shannon (S, do inglês Shannon’s Entropy Index) e o Erro Percentual Global (GPE, do inglês Global Percentage Error) foram usados como critérios para selecionar o melhor conjunto de pesos. No presente trabalho, essas etapas foram aplicadas com sucesso inseridas dentro de um estudo de caso para prever a demanda de café no Brasil. Para testar a aplicabilidade e a viabilidade do novo método proposto diante de séries temporais distintas, foram previstas também a produção e a exportação brasileira de café usando o novo método. Ademais, seis séries sintéticas, disponíveis em Montgomery et al. (2008), foram utilizadas para testar a viabilidade do novo método. Os resultados mostraram que a abordagem proposta, denominada método de combinação de previsões FA-NBI, pode ser empregada com sucesso para encontrar os pesos ideais de uma combinação de métodos de previsão. |
publishDate |
2019 |
dc.date.issued.fl_str_mv |
2019-12-12 |
dc.date.available.fl_str_mv |
2020-02-20T19:52:08Z |
dc.date.accessioned.fl_str_mv |
2020-02-20T19:52:08Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
BACCI, Livio Agnew. Otimização multivariada da combinação de métodos de previsão. 2019. 191 f. Tese (Doutorado em Engenharia de Produção) – Universidade Federal de Itajubá, Itajubá, 2019. |
dc.identifier.uri.fl_str_mv |
https://repositorio.unifei.edu.br/jspui/handle/123456789/2130 |
identifier_str_mv |
BACCI, Livio Agnew. Otimização multivariada da combinação de métodos de previsão. 2019. 191 f. Tese (Doutorado em Engenharia de Produção) – Universidade Federal de Itajubá, Itajubá, 2019. |
url |
https://repositorio.unifei.edu.br/jspui/handle/123456789/2130 |
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.program.fl_str_mv |
Programa de Pós-Graduação: Doutorado - Engenharia de Produção |
dc.publisher.department.fl_str_mv |
IEPG - Instituto de Engenharia de Produção e Gestão |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UNIFEI (RIUNIFEI) instname:Universidade Federal de Itajubá (UNIFEI) instacron:UNIFEI |
instname_str |
Universidade Federal de Itajubá (UNIFEI) |
instacron_str |
UNIFEI |
institution |
UNIFEI |
reponame_str |
Repositório Institucional da UNIFEI (RIUNIFEI) |
collection |
Repositório Institucional da UNIFEI (RIUNIFEI) |
bitstream.url.fl_str_mv |
https://repositorio.unifei.edu.br/jspui/bitstream/123456789/2130/1/Tese_2020012.pdf https://repositorio.unifei.edu.br/jspui/bitstream/123456789/2130/2/license.txt |
bitstream.checksum.fl_str_mv |
48ac22bfd91d1b79907e59b900df15a8 8a4605be74aa9ea9d79846c1fba20a33 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UNIFEI (RIUNIFEI) - Universidade Federal de Itajubá (UNIFEI) |
repository.mail.fl_str_mv |
repositorio@unifei.edu.br || geraldocarlos@unifei.edu.br |
_version_ |
1801863226877542400 |