Seleção de modelos de previsão baseada em informações de desempenho
Autor(a) principal: | |
---|---|
Data de Publicação: | 2006 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFPE |
Texto Completo: | https://repositorio.ufpe.br/handle/123456789/2698 |
Resumo: | Uma série temporal é definida como um conjunto de observações de um fenômeno ordenadas no tempo. Existem vários problemas reais que podem ser representados por séries temporais, como o consumo mensal de água de uma casa, registrado ao longo de um mês; ou os valores de uma determinada aplicação financeira, medidos no decorrer de uma semana. A utilização da previsão de séries temporais pode ocorrer em diversas áreas, como mercado financeiro, detecção de fraude, indústria farmacêutica, medicina, entre outras. Existem vários modelos que podem ser utilizados para prever uma série temporal. Com isso, selecionar o modelo mais adequado pode ser uma tarefa difícil, que depende de fatores como o ajuste dos parâmetros dos modelos candidatos e as características da série. Podemos encontrar na literatura diversas abordagens que são utilizadas na seleção de modelos de previsão. Em nosso trabalho foi utilizada uma abordagem de Meta-Aprendizado, desenvolvida inicialmente para a seleção de algoritmos para problemas de aprendizado e adaptada ao problema de seleção de modelos. Diferentemente das abordagens mais comuns, a abordagem utilizada indica não apenas o melhor modelo aplicável ao problema de entrada, mas um ranking dos modelos candidatos baseado em critérios de desempenho fornecidos pelo usuário. Os resultados de desempenho obtidos pelos modelos candidatos em problemas processados no passado são utilizados na sugestão de modelos para novos problemas. Desta forma, a solução aqui proposta é mais informativa, no sentido de possibilitar ao usuário uma melhor percepção da relação entre os modelos candidatos. A abordagem foi investigada em 4 estudos de caso e apresentou resultados satisfatórios |
id |
UFPE_7495083ded495f175bdbcf18bfdd9341 |
---|---|
oai_identifier_str |
oai:repositorio.ufpe.br:123456789/2698 |
network_acronym_str |
UFPE |
network_name_str |
Repositório Institucional da UFPE |
repository_id_str |
2221 |
spelling |
SANTOS, Patrícia Maforte dosLUDERMIR, Teresa Bernarda2014-06-12T16:00:22Z2014-06-12T16:00:22Z2006Maforte dos Santos, Patrícia; Bernarda Ludermir, Teresa. Seleção de modelos de previsão baseada em informações de desempenho. 2006. Dissertação (Mestrado). Programa de Pós-Graduação em Ciência da Computação, Universidade Federal de Pernambuco, Recife, 2006.https://repositorio.ufpe.br/handle/123456789/2698Uma série temporal é definida como um conjunto de observações de um fenômeno ordenadas no tempo. Existem vários problemas reais que podem ser representados por séries temporais, como o consumo mensal de água de uma casa, registrado ao longo de um mês; ou os valores de uma determinada aplicação financeira, medidos no decorrer de uma semana. A utilização da previsão de séries temporais pode ocorrer em diversas áreas, como mercado financeiro, detecção de fraude, indústria farmacêutica, medicina, entre outras. Existem vários modelos que podem ser utilizados para prever uma série temporal. Com isso, selecionar o modelo mais adequado pode ser uma tarefa difícil, que depende de fatores como o ajuste dos parâmetros dos modelos candidatos e as características da série. Podemos encontrar na literatura diversas abordagens que são utilizadas na seleção de modelos de previsão. Em nosso trabalho foi utilizada uma abordagem de Meta-Aprendizado, desenvolvida inicialmente para a seleção de algoritmos para problemas de aprendizado e adaptada ao problema de seleção de modelos. Diferentemente das abordagens mais comuns, a abordagem utilizada indica não apenas o melhor modelo aplicável ao problema de entrada, mas um ranking dos modelos candidatos baseado em critérios de desempenho fornecidos pelo usuário. Os resultados de desempenho obtidos pelos modelos candidatos em problemas processados no passado são utilizados na sugestão de modelos para novos problemas. Desta forma, a solução aqui proposta é mais informativa, no sentido de possibilitar ao usuário uma melhor percepção da relação entre os modelos candidatos. A abordagem foi investigada em 4 estudos de caso e apresentou resultados satisfatóriosporUniversidade Federal de PernambucoAttribution-NonCommercial-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessSéries temporaisPrevisãoMeta-aprendizadoSeleção de modelos de previsão baseada em informações de desempenhoinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPETHUMBNAILarquivo6445_1.pdf.jpgarquivo6445_1.pdf.jpgGenerated Thumbnailimage/jpeg1391https://repositorio.ufpe.br/bitstream/123456789/2698/4/arquivo6445_1.pdf.jpgefcc9c0e8bea353f88d18c3d17709c11MD54ORIGINALarquivo6445_1.pdfapplication/pdf691950https://repositorio.ufpe.br/bitstream/123456789/2698/1/arquivo6445_1.pdf1d1d5a8d1d2f4c1729145e463fb50d46MD51LICENSElicense.txttext/plain1748https://repositorio.ufpe.br/bitstream/123456789/2698/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD52TEXTarquivo6445_1.pdf.txtarquivo6445_1.pdf.txtExtracted texttext/plain177789https://repositorio.ufpe.br/bitstream/123456789/2698/3/arquivo6445_1.pdf.txt042bf4e290333b1f99d95a1524ffb1edMD53123456789/26982019-10-25 12:58:30.404oai:repositorio.ufpe.br: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Repositório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212019-10-25T15:58:30Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false |
dc.title.pt_BR.fl_str_mv |
Seleção de modelos de previsão baseada em informações de desempenho |
title |
Seleção de modelos de previsão baseada em informações de desempenho |
spellingShingle |
Seleção de modelos de previsão baseada em informações de desempenho SANTOS, Patrícia Maforte dos Séries temporais Previsão Meta-aprendizado |
title_short |
Seleção de modelos de previsão baseada em informações de desempenho |
title_full |
Seleção de modelos de previsão baseada em informações de desempenho |
title_fullStr |
Seleção de modelos de previsão baseada em informações de desempenho |
title_full_unstemmed |
Seleção de modelos de previsão baseada em informações de desempenho |
title_sort |
Seleção de modelos de previsão baseada em informações de desempenho |
author |
SANTOS, Patrícia Maforte dos |
author_facet |
SANTOS, Patrícia Maforte dos |
author_role |
author |
dc.contributor.author.fl_str_mv |
SANTOS, Patrícia Maforte dos |
dc.contributor.advisor1.fl_str_mv |
LUDERMIR, Teresa Bernarda |
contributor_str_mv |
LUDERMIR, Teresa Bernarda |
dc.subject.por.fl_str_mv |
Séries temporais Previsão Meta-aprendizado |
topic |
Séries temporais Previsão Meta-aprendizado |
description |
Uma série temporal é definida como um conjunto de observações de um fenômeno ordenadas no tempo. Existem vários problemas reais que podem ser representados por séries temporais, como o consumo mensal de água de uma casa, registrado ao longo de um mês; ou os valores de uma determinada aplicação financeira, medidos no decorrer de uma semana. A utilização da previsão de séries temporais pode ocorrer em diversas áreas, como mercado financeiro, detecção de fraude, indústria farmacêutica, medicina, entre outras. Existem vários modelos que podem ser utilizados para prever uma série temporal. Com isso, selecionar o modelo mais adequado pode ser uma tarefa difícil, que depende de fatores como o ajuste dos parâmetros dos modelos candidatos e as características da série. Podemos encontrar na literatura diversas abordagens que são utilizadas na seleção de modelos de previsão. Em nosso trabalho foi utilizada uma abordagem de Meta-Aprendizado, desenvolvida inicialmente para a seleção de algoritmos para problemas de aprendizado e adaptada ao problema de seleção de modelos. Diferentemente das abordagens mais comuns, a abordagem utilizada indica não apenas o melhor modelo aplicável ao problema de entrada, mas um ranking dos modelos candidatos baseado em critérios de desempenho fornecidos pelo usuário. Os resultados de desempenho obtidos pelos modelos candidatos em problemas processados no passado são utilizados na sugestão de modelos para novos problemas. Desta forma, a solução aqui proposta é mais informativa, no sentido de possibilitar ao usuário uma melhor percepção da relação entre os modelos candidatos. A abordagem foi investigada em 4 estudos de caso e apresentou resultados satisfatórios |
publishDate |
2006 |
dc.date.issued.fl_str_mv |
2006 |
dc.date.accessioned.fl_str_mv |
2014-06-12T16:00:22Z |
dc.date.available.fl_str_mv |
2014-06-12T16:00:22Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
Maforte dos Santos, Patrícia; Bernarda Ludermir, Teresa. Seleção de modelos de previsão baseada em informações de desempenho. 2006. Dissertação (Mestrado). Programa de Pós-Graduação em Ciência da Computação, Universidade Federal de Pernambuco, Recife, 2006. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufpe.br/handle/123456789/2698 |
identifier_str_mv |
Maforte dos Santos, Patrícia; Bernarda Ludermir, Teresa. Seleção de modelos de previsão baseada em informações de desempenho. 2006. Dissertação (Mestrado). Programa de Pós-Graduação em Ciência da Computação, Universidade Federal de Pernambuco, Recife, 2006. |
url |
https://repositorio.ufpe.br/handle/123456789/2698 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
Attribution-NonCommercial-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Attribution-NonCommercial-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Pernambuco |
publisher.none.fl_str_mv |
Universidade Federal de Pernambuco |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFPE instname:Universidade Federal de Pernambuco (UFPE) instacron:UFPE |
instname_str |
Universidade Federal de Pernambuco (UFPE) |
instacron_str |
UFPE |
institution |
UFPE |
reponame_str |
Repositório Institucional da UFPE |
collection |
Repositório Institucional da UFPE |
bitstream.url.fl_str_mv |
https://repositorio.ufpe.br/bitstream/123456789/2698/4/arquivo6445_1.pdf.jpg https://repositorio.ufpe.br/bitstream/123456789/2698/1/arquivo6445_1.pdf https://repositorio.ufpe.br/bitstream/123456789/2698/2/license.txt https://repositorio.ufpe.br/bitstream/123456789/2698/3/arquivo6445_1.pdf.txt |
bitstream.checksum.fl_str_mv |
efcc9c0e8bea353f88d18c3d17709c11 1d1d5a8d1d2f4c1729145e463fb50d46 8a4605be74aa9ea9d79846c1fba20a33 042bf4e290333b1f99d95a1524ffb1ed |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE) |
repository.mail.fl_str_mv |
attena@ufpe.br |
_version_ |
1802310664360820736 |