REDES NEURAIS ARTIFICIAIS APLICADAS A? PREVISA?O DE SE?RIES TEMPORAIS

• Autor(a) principal: Mateus Rodrigues Santos
• Data de Publicação: 2019
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UFLA
• Texto Completo: http://repositorio.ufla.br/jspui/handle/1/44293; http://sip.prg.ufla.br/arquivos/php/bibliotecas/repositorio/download_documento/20192_201410378

Com o advento da digitalização nos diversos setores da indústria, o gerenciamento e a adoção de uma estratégia correta de utilização de dados se tornou fundamental ao mercado. Os anos atuais marcam a intensificação das pesquisas em inteligência computacional visando a melhoria e o desenvolvimento de novas funcionalidades em ferramentas de auxílio à tomada de decisão por meio de dados. Neste contexto, o presente trabalho apresenta três abordagens baseadas em redes neurais artificiais. As redes têm o papel de aproximar dinâmicas não-lineares observadas a partir de dados indexados no tempo, i.e., a partir de séries temporais. O objetivo dos experimentos é (i) o entendimento de como esses modelos se comportam face à uma série de dados com variações de tendência e alto grau de comportamento estocástico, e (ii) a comparação de seus desempenhos frente à uma abordagem estatística tradicional. Diferentes meta-parâmetros dos algoritmos de treinamento de redes neurais são avaliados. Os modelos neurais considerados neste estudo são o Perceptron Multi-Camadas (MLP), a rede de Função de Base Radial (RBF), e Sistema de Inferência Neuro-Fuzzy Adaptativo (ANFIS). O desempenho dos modelos em estimação um tempo à frente de séries temporais relativas ao café arábica é comparado àquele de um modelo Auto-Regressivo Integrado de Médias Móveis (ARIMA). Os resultados obtidos das redes, implementadas em Python, tiveram desempenho insuficiente frente ao modelo ARIMA para o caso em estudo, e concluiu-se que o aprofundamento nas técnicas de parametrização dos modelos utilizados pode melhorar sua performance para superação deste, além da necessidade de um estudo mais aprofundado sobre as demais variáveis que influenciam no movimento daquela a ser predita.