REDES NEURAIS ARTIFICIAIS APLICADAS A? PREVISA?O DE SE?RIES TEMPORAIS
Autor(a) principal: | |
---|---|
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 |
Resumo: | 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. |
id |
UFLA_6838ef39a0c3cd4a72d844756252b803 |
---|---|
oai_identifier_str |
oai:localhost:1/44293 |
network_acronym_str |
UFLA |
network_name_str |
Repositório Institucional da UFLA |
repository_id_str |
|
spelling |
REDES NEURAIS ARTIFICIAIS APLICADAS A? PREVISA?O DE SE?RIES TEMPORAISREDES NEURAIS ARTIFICIAIS APLICADAS A? PREVISA?O DE SE?RIES TEMPORAISArtificial Neural Networks applied to Commodity Price ForecastingCom 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.With the advent of digitization in a variety of industrial sectors, data management and adoption of an appropriate strategy to exploit the available data have become fundamental issues to the market. Nowadays, a clear increasing of research in computational intelligence aiming at improving and developing new functionalities to assist decision making is noticeable. This paper presents three artificial-neural-network-based approaches, which play the role of approximating the nonlinear dynamics observed from time-indexed data, i.e., from time series. The goal of the experiments is (i) to understand how the neural models behave in dealing with a sequence of data featuring time-varying trends and a high degree of stochastic behavior and (ii) to compare their performance against that of a tradional statistical approach. Different meta-parameters are considered for the learning algorithms of the neural networks. The neural models used in this study are the Multi Layer Perceptron (MLP), the Radial-Basis-Function neural network (RBF), and the Adaptive Neuro-Fuzzy Inference System (ANFIS). The performance of the neural models in one-step-ahead prediction considering time series related to the arabica coffee is compared to that of an Auto Regressive Integrated Moving Average model (ARIMA). The results obtained from the networks, implemented in Python, underperformed the ARIMA model for the case in study, and it was concluded that the deepening in the parameterization techniques of the models used can improve its performance to overcome it, besides the need for a better performance. further study on the other variables that influence the movement of the one to be predicted.Universidade Federal de LavrasUFLABrasilDaniel Furtado LeiteNAO_INFORMADONAO_INFORMADONAO_INFORMADODaniel Furtado LeiteNAO_INFORMADOTatiane Carvalho AlvarengaNAO_INFORMADODaniele Aparecida de Oliveira SilvaNAO_INFORMADOBelisário Nina HuallpaNAO_INFORMADONAO_INFORMADONAO_INFORMADOMateus Rodrigues Santos2020-11-03T18:44:58Z2020-11-03T18:44:58Z2019-11-202019-11-18info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisSantos, M. R. REDES NEURAIS ARTIFICIAIS APLICADAS A? PREVISA?O DE SE?RIES TEMPORAIS. 2019. 58 p. Trabalho de Conclusão de Curso (Graduação em Engenharia de Controle e Automação Bacharelado)-Universidade Federal de Lavras, Lavras, 2019.http://repositorio.ufla.br/jspui/handle/1/44293http://sip.prg.ufla.br/arquivos/php/bibliotecas/repositorio/download_documento/20192_201410378PortuguêsporAcesso aos termos da licença em repositorio.ufla.brrepositorio.ufla.brMateus Rodrigues Santos e Universidade Federal de LavrasLicença do Repositório Institucional da Universidade Federal de Lavrasinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFLAinstname:Universidade Federal de Lavras (UFLA)instacron:UFLA2020-11-03T18:44:58Zoai:localhost:1/44293Repositório InstitucionalPUBhttp://repositorio.ufla.br/oai/requestnivaldo@ufla.br || repositorio.biblioteca@ufla.bropendoar:2020-11-03T18:44:58Repositório Institucional da UFLA - Universidade Federal de Lavras (UFLA)false |
dc.title.none.fl_str_mv |
REDES NEURAIS ARTIFICIAIS APLICADAS A? PREVISA?O DE SE?RIES TEMPORAIS REDES NEURAIS ARTIFICIAIS APLICADAS A? PREVISA?O DE SE?RIES TEMPORAIS Artificial Neural Networks applied to Commodity Price Forecasting |
title |
REDES NEURAIS ARTIFICIAIS APLICADAS A? PREVISA?O DE SE?RIES TEMPORAIS |
spellingShingle |
REDES NEURAIS ARTIFICIAIS APLICADAS A? PREVISA?O DE SE?RIES TEMPORAIS Mateus Rodrigues Santos |
title_short |
REDES NEURAIS ARTIFICIAIS APLICADAS A? PREVISA?O DE SE?RIES TEMPORAIS |
title_full |
REDES NEURAIS ARTIFICIAIS APLICADAS A? PREVISA?O DE SE?RIES TEMPORAIS |
title_fullStr |
REDES NEURAIS ARTIFICIAIS APLICADAS A? PREVISA?O DE SE?RIES TEMPORAIS |
title_full_unstemmed |
REDES NEURAIS ARTIFICIAIS APLICADAS A? PREVISA?O DE SE?RIES TEMPORAIS |
title_sort |
REDES NEURAIS ARTIFICIAIS APLICADAS A? PREVISA?O DE SE?RIES TEMPORAIS |
author |
Mateus Rodrigues Santos |
author_facet |
Mateus Rodrigues Santos |
author_role |
author |
dc.contributor.none.fl_str_mv |
Daniel Furtado Leite NAO_INFORMADO NAO_INFORMADO NAO_INFORMADO Daniel Furtado Leite NAO_INFORMADO Tatiane Carvalho Alvarenga NAO_INFORMADO Daniele Aparecida de Oliveira Silva NAO_INFORMADO Belisário Nina Huallpa NAO_INFORMADO NAO_INFORMADO NAO_INFORMADO |
dc.contributor.author.fl_str_mv |
Mateus Rodrigues Santos |
description |
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. |
publishDate |
2019 |
dc.date.none.fl_str_mv |
2019-11-20 2019-11-18 2020-11-03T18:44:58Z 2020-11-03T18:44:58Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
Santos, M. R. REDES NEURAIS ARTIFICIAIS APLICADAS A? PREVISA?O DE SE?RIES TEMPORAIS. 2019. 58 p. Trabalho de Conclusão de Curso (Graduação em Engenharia de Controle e Automação Bacharelado)-Universidade Federal de Lavras, Lavras, 2019. http://repositorio.ufla.br/jspui/handle/1/44293 http://sip.prg.ufla.br/arquivos/php/bibliotecas/repositorio/download_documento/20192_201410378 |
identifier_str_mv |
Santos, M. R. REDES NEURAIS ARTIFICIAIS APLICADAS A? PREVISA?O DE SE?RIES TEMPORAIS. 2019. 58 p. Trabalho de Conclusão de Curso (Graduação em Engenharia de Controle e Automação Bacharelado)-Universidade Federal de Lavras, Lavras, 2019. |
url |
http://repositorio.ufla.br/jspui/handle/1/44293 http://sip.prg.ufla.br/arquivos/php/bibliotecas/repositorio/download_documento/20192_201410378 |
dc.language.iso.fl_str_mv |
Português por |
language_invalid_str_mv |
Português |
language |
por |
dc.rights.driver.fl_str_mv |
Acesso aos termos da licença em repositorio.ufla.br repositorio.ufla.br Mateus Rodrigues Santos e Universidade Federal de Lavras Licença do Repositório Institucional da Universidade Federal de Lavras info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Acesso aos termos da licença em repositorio.ufla.br repositorio.ufla.br Mateus Rodrigues Santos e Universidade Federal de Lavras Licença do Repositório Institucional da Universidade Federal de Lavras |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Lavras UFLA Brasil |
publisher.none.fl_str_mv |
Universidade Federal de Lavras UFLA Brasil |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFLA instname:Universidade Federal de Lavras (UFLA) instacron:UFLA |
instname_str |
Universidade Federal de Lavras (UFLA) |
instacron_str |
UFLA |
institution |
UFLA |
reponame_str |
Repositório Institucional da UFLA |
collection |
Repositório Institucional da UFLA |
repository.name.fl_str_mv |
Repositório Institucional da UFLA - Universidade Federal de Lavras (UFLA) |
repository.mail.fl_str_mv |
nivaldo@ufla.br || repositorio.biblioteca@ufla.br |
_version_ |
1807835087988850688 |