Projeção de séries temporais por meio de um método híbrido wavelet-neural integrado com bootstrap

Detalhes bibliográficos
Autor(a) principal: Teixeira, Levi Lopes
Data de Publicação: 2015
Tipo de documento: Tese
Idioma: por
Título da fonte: Repositório Institucional da UFPR
Texto Completo: https://hdl.handle.net/1884/40435
Resumo: Orientador: Prof. Dr. Paulo Henrique Siqueira
id UFPR_7c9b505e7d03c67b2612a3dc8470bb11
oai_identifier_str oai:acervodigital.ufpr.br:1884/40435
network_acronym_str UFPR
network_name_str Repositório Institucional da UFPR
repository_id_str 308
spelling Teixeira Junior, Luiz AlbinoUniversidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Métodos Numéricos em EngenhariaSiqueira, Paulo Henrique, 1976-Teixeira, Levi Lopes2024-05-16T18:06:22Z2024-05-16T18:06:22Z2015https://hdl.handle.net/1884/40435Orientador: Prof. Dr. Paulo Henrique SiqueiraCoorientador: Prof. Dr. Luiz Albino Teixeira JuniorTese (doutorado) - Universidade Federal do Paraná, Setor de Tecnologia, Programa de Pós-Graduação em Métodos Numéricos em Engenharia. Defesa: Curitiba, 27/08/2015Inclui referências : f. 98-107Área de concentração: Programação matemáticaResumo: Nesta tese de doutorado, é proposto um novo método híbrido wavelet-neural integrado com um amostrador bootstrap para projeção pontual e intervalar de séries temporais estocásticas. Basicamente, combinam-se os métodos de encolhimento e de decomposição Wavelet no pré-processamento dos dados e, em seguida, uma Rede Neural Artificial (RNA) é usada para produzir as de previsões pontuais. A medida de incerteza do modelo RNA é obtida com a utilização de uma amostragem bootstrap dos resíduos do modelo RNA ajustado à série temporal subjacente. A fim de se obter o intervalo de confiança, calculou-se a média ponderada das previsões de B séries temporais oriundas do processo bootstrap, sendo os pesos determinados via otimização de um problema de programação não linear cuja função objetivo é a minimização da raiz quadrada do erro quadrático médio entre a combinação linear das B previsões e a série temporal subjacente. Além do intervalo de confiança, obtém-se também a estimativa do intervalo de previsão, sendo este último mais amplo que o primeiro, pois engloba as variâncias do modelo de regressão RNA e dos ruídos. A estimativa do desvio padrão dos ruídos foi alcançada com o treinamento de uma RNA com função custo oriunda da função de máxima verossimilhança log-normal, otimizada por meio da meta-heurística PSO. Para se averiguar a eficiência do método preditivo proposto, foram realizados experimentos computacionais para previsões pontuais envolvendo séries temporais utilizadas com frequência para este fim, podendo ser encontradas com facilidade em publicações da literatura especializada. As séries temporais referidas são as seguintes: Canadian Lynx, Wolf's Sunspot e Exchange Rate. Os desempenhos preditivos alcançados pelo método proposto, em relação às abordagens de outros autores, são efetivos e consideráveis. Em particular, os intervalos de confiança e previsão foram estimados para uma série temporal de vazão média mensal afluente da hidrelétrica de Itaipu, em Foz do Iguaçu, Brasil. Neste caso, para efeito de comparação, usaram-se os seguintes métodos de previsão: RNA, Box & Jenkins e decomposição wavelet integrada com rede neural artificial e ARIMA (Wavelet-RNA e Wavelet-ARIMA). Comparações com resultados de previsões obtidos através de modelos de Box & Jenkins e RNA, quando usados individualmente, constatam consideráveis ganhos preditivos auferidos com o uso do método proposto, reduzindo o erro preditivo em 62%, aproximadamente. Na comparação com os métodos compostos Wavelet-RNA e Wavelet-ARIMA, a redução do erro foi da ordem de 54%.Abstract: In this doctoral thesis, it's proposed a new hybrid integrated wavelet-neural method with a bootstrap sampler for point and interval projection of stochastic time series. Basically, the methods Wavelet shrinkage and decomposition are combined in the pre-processing of data and then an Artificial Neural Network (ANN) is used to produce the point predictions. The ANN template uncertainty measurement is achieved with the use of a bootstrap sample of ANN template's waste adjusted to the underlying time series. In order to obtain the confidence interval, it was calculated the weighted average forecast of B time series derived from the bootstrap process, and these weights were determined by optimization of a nonlinear programming problem whose objective function is the minimization of square root of the medium squared error between the linear combination of N forecasts and the underlying time series. Beyond the confidence interval it's also obtained the estimate of prediction interval, the latter is wider than the first, because it includes the variances ANN regression model and the noises. The estimate standard deviation of the noises was achieved with the training of an ANN with cost function derived of the lognormal likelihood maximum function optimized by PSO meta-heuristics. To ascertain the efficiency of the predictive method proposed, computational experiments were performed for point predictions involving time series frequently used for this purpose and may be easily found in specialized literature publications. The time series mentioned are: Canadian Lynx, Wolf's Sunspot and Exchange Rate. The predictive performances achieved by the proposed method, in relation to approaches from other authors are effective and substantial. In particular, confidence and prediction intervals were estimated for a time series of monthly average flow tributary of Itaipu dam, in Foz do Iguaçu, Brazil. In this case, for comparison, they used the following prediction methods: ANN, Box & Jenkins, wavelet decomposition integrated with artificial neural networks and ARIMA (Wavelet-ANN and Wavelet-ARIMA). Comparison with results of predictions obtained through model Box and Jenkins and ANN, when used alone, find considerable predictive gains obtained using the proposed method, reducing the predictive error in 62% approximately. In comparison to the compounds methods Wavelet-ANN and Wavelet-ARIMA the reducing of error was approximately 54%.107 f. : il. algumas color., tabs.application/pdfDisponível em formato digitalAnálise numéricaAnalise de series temporaisAnálise numéricaRedes neurais (Computação)Projeção de séries temporais por meio de um método híbrido wavelet-neural integrado com bootstrapinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisporreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessTEXTR - T - LEVI LOPES TEIXEIRA.pdf.txtExtracted Texttext/plain168031https://acervodigital.ufpr.br/bitstream/1884/40435/1/R%20-%20T%20-%20LEVI%20LOPES%20TEIXEIRA.pdf.txt56c4233f011415ac4093c8393f63c5edMD51open accessORIGINALR - T - LEVI LOPES TEIXEIRA.pdfapplication/pdf3265278https://acervodigital.ufpr.br/bitstream/1884/40435/2/R%20-%20T%20-%20LEVI%20LOPES%20TEIXEIRA.pdf0c9b753e1f3228051dfd485840cc6e51MD52open accessTHUMBNAILR - T - LEVI LOPES TEIXEIRA.pdf.jpgGenerated Thumbnailimage/jpeg1243https://acervodigital.ufpr.br/bitstream/1884/40435/3/R%20-%20T%20-%20LEVI%20LOPES%20TEIXEIRA.pdf.jpgc7f86afded753a9ed75fb25f6bbc2b53MD53open access1884/404352024-05-16 15:06:22.597open accessoai:acervodigital.ufpr.br:1884/40435Repositório de PublicaçõesPUBhttp://acervodigital.ufpr.br/oai/requestopendoar:3082024-05-16T18:06:22Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
dc.title.pt_BR.fl_str_mv Projeção de séries temporais por meio de um método híbrido wavelet-neural integrado com bootstrap
title Projeção de séries temporais por meio de um método híbrido wavelet-neural integrado com bootstrap
spellingShingle Projeção de séries temporais por meio de um método híbrido wavelet-neural integrado com bootstrap
Teixeira, Levi Lopes
Análise numérica
Analise de series temporais
Análise numérica
Redes neurais (Computação)
title_short Projeção de séries temporais por meio de um método híbrido wavelet-neural integrado com bootstrap
title_full Projeção de séries temporais por meio de um método híbrido wavelet-neural integrado com bootstrap
title_fullStr Projeção de séries temporais por meio de um método híbrido wavelet-neural integrado com bootstrap
title_full_unstemmed Projeção de séries temporais por meio de um método híbrido wavelet-neural integrado com bootstrap
title_sort Projeção de séries temporais por meio de um método híbrido wavelet-neural integrado com bootstrap
author Teixeira, Levi Lopes
author_facet Teixeira, Levi Lopes
author_role author
dc.contributor.other.pt_BR.fl_str_mv Teixeira Junior, Luiz Albino
Universidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Métodos Numéricos em Engenharia
dc.contributor.advisor1.fl_str_mv Siqueira, Paulo Henrique, 1976-
dc.contributor.author.fl_str_mv Teixeira, Levi Lopes
contributor_str_mv Siqueira, Paulo Henrique, 1976-
dc.subject.por.fl_str_mv Análise numérica
Analise de series temporais
Análise numérica
Redes neurais (Computação)
topic Análise numérica
Analise de series temporais
Análise numérica
Redes neurais (Computação)
description Orientador: Prof. Dr. Paulo Henrique Siqueira
publishDate 2015
dc.date.issued.fl_str_mv 2015
dc.date.accessioned.fl_str_mv 2024-05-16T18:06:22Z
dc.date.available.fl_str_mv 2024-05-16T18:06:22Z
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.uri.fl_str_mv https://hdl.handle.net/1884/40435
url https://hdl.handle.net/1884/40435
dc.language.iso.fl_str_mv por
language por
dc.relation.pt_BR.fl_str_mv Disponível em formato digital
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 107 f. : il. algumas color., tabs.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPR
instname:Universidade Federal do Paraná (UFPR)
instacron:UFPR
instname_str Universidade Federal do Paraná (UFPR)
instacron_str UFPR
institution UFPR
reponame_str Repositório Institucional da UFPR
collection Repositório Institucional da UFPR
bitstream.url.fl_str_mv https://acervodigital.ufpr.br/bitstream/1884/40435/1/R%20-%20T%20-%20LEVI%20LOPES%20TEIXEIRA.pdf.txt
https://acervodigital.ufpr.br/bitstream/1884/40435/2/R%20-%20T%20-%20LEVI%20LOPES%20TEIXEIRA.pdf
https://acervodigital.ufpr.br/bitstream/1884/40435/3/R%20-%20T%20-%20LEVI%20LOPES%20TEIXEIRA.pdf.jpg
bitstream.checksum.fl_str_mv 56c4233f011415ac4093c8393f63c5ed
0c9b753e1f3228051dfd485840cc6e51
c7f86afded753a9ed75fb25f6bbc2b53
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)
repository.mail.fl_str_mv
_version_ 1801860204115001344

Registros relacionados