Modelagem nebulosa evolutiva participativa aplicada à previsão de séries temporais

Detalhes bibliográficos
Autor(a) principal: Vieira, Rafael Giordano, 1993-
Data de Publicação: 2018
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
Texto Completo: https://hdl.handle.net/20.500.12733/1634285
Resumo: Orientadores: Fernando Antônio Campos Gomide, Rosangela Ballini
id UNICAMP-30_1c092984d296b586b8d9290999a08773
oai_identifier_str oai::1045788
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling Modelagem nebulosa evolutiva participativa aplicada à previsão de séries temporaisEvolving participatory learning fuzzy modeling for time series forecastingPrevisão de séries temporaisSistemas nebulososFunções de KernelSistemas de computação adaptativosTime series forecastFuzzy systemsKernel, FunctionsAdaptive computing systemsOrientadores: Fernando Antônio Campos Gomide, Rosangela BalliniDissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de ComputaçãoResumo: Este trabalho propõe a utilização de modelos nebulosos evolutivos para previsão de séries temporais. A concepção de modelos de previsão robustos e eficientes tem se tornado cada vez mais importante para a correta operação de sistemas do mundo real. Por sua vez, os modelos nebulosos evolutivos constituem um novo paradigma para a previsão de séries temporais, pois operam em ambientes dinâmicos não estacionários com alto grau de autonomia e ajustam automaticamente seus parâmetros e suas estruturas à medida que os dados são inseridos. Nesse contexto, este trabalho introduz um modelo nebuloso evolutivo denominado ePL-KRLS, que combina um algoritmo de agrupamento de aprendizado participativo (AP) com um método adaptativo baseado em kernels (KRLS) para previsão de séries temporais. O algoritmo de AP permite que o modelo incorpore novos conhecimentos em sua estrutura ao longo do tempo, enquanto o KRLS fornece um mecanismo de adaptação para manter e armazenar os conhecimentos adquiridos de forma robusta e eficiente. Para avaliar a qualidade e a eficácia do modelo proposto, são considerados dois cenários envolvendo séries temporais reais de velocidade do vento para três parques eólicos e a série temporal de Mackey-Glass. O modelo ePL-KRLS é comparado com a sua contrapartida de aprendizagem participativa evolutiva (ePL) e com outros modelos já consolidados na literatura para previsão de séries temporais. Os resultados mostram que o modelo ePL-KRLS é mais preciso do que o ePL, especialmente para várias etapas de previsões futuras. Além disso, o modelo ePL-KRLS mostra uma quantidade e uma variação de regras menores em comparação com outros modelos nebulosos evolutivos e menor sensibilidade a mudanças em seus parâmetros de controleAbstract: This work suggests the use of evolving fuzzy models for time series forecasting. The design of robust and efficient forecasting models has become increasingly important to the correct operation of real-world systems. Evolving fuzzy models constitute a new paradigm for predicting time series because they operate in dynamic non-stationary environments with a high degree of autonomy; they automatically adjust their parameters and model structure as data are inserted into the input. This work introduces an evolving fuzzy model called ePL-KRLS, which is a combination of a participatory learning (PL) clustering algorithm and a kernel-based adaptive method (KRLS) for time series forecasting. The PL algorithm allows the model to incorporate new knowledge in its structure over time, while the KRLS provides an adaptation mechanism for maintaining and storing the knowledge acquired in a robust and efficient manner. To evaluate the quality and effectiveness of the proposed model, two scenarios involving real wind speed time series for three wind farms and the Mackey-Glass time series are considered. The ePL-KRLS model is compared with its evolving participatory learning counterpart (ePL) and with other state-of-the-art models for time series forecasting. The results show that ePL-KRLS model is more accurate than ePL, especially for multiple steps forward predictions. In addition, the ePL-KRLS model shows a smaller amount and variation of rules compared to other evolving fuzzy models and lower sensitivity to changes in its control parametersMestradoEngenharia de ComputaçãoMestre em Engenharia ElétricaCAPES1698340[s.n.]Gomide, Fernando Antonio Campos, 1951-Ballini, Rosangela, 1969-Von Zuben, Fernando JoséHell, Michel BortoliniUniversidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de ComputaçãoPrograma de Pós-Graduação em Engenharia ElétricaUNIVERSIDADE ESTADUAL DE CAMPINASVieira, Rafael Giordano, 1993-20182018-05-18T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf1 recurso online (101 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/1634285VIEIRA, Rafael Giordano. Modelagem nebulosa evolutiva participativa aplicada à previsão de séries temporais. 2018. 1 recurso online (101 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1634285. Acesso em: 3 set. 2024.https://repositorio.unicamp.br/acervo/detalhe/1045788Requisitos do sistema: Software para leitura de arquivo em PDFporreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2018-09-24T16:11:45Zoai::1045788Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2018-09-24T16:11:45Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Modelagem nebulosa evolutiva participativa aplicada à previsão de séries temporais
Evolving participatory learning fuzzy modeling for time series forecasting
title Modelagem nebulosa evolutiva participativa aplicada à previsão de séries temporais
spellingShingle Modelagem nebulosa evolutiva participativa aplicada à previsão de séries temporais
Vieira, Rafael Giordano, 1993-
Previsão de séries temporais
Sistemas nebulosos
Funções de Kernel
Sistemas de computação adaptativos
Time series forecast
Fuzzy systems
Kernel, Functions
Adaptive computing systems
title_short Modelagem nebulosa evolutiva participativa aplicada à previsão de séries temporais
title_full Modelagem nebulosa evolutiva participativa aplicada à previsão de séries temporais
title_fullStr Modelagem nebulosa evolutiva participativa aplicada à previsão de séries temporais
title_full_unstemmed Modelagem nebulosa evolutiva participativa aplicada à previsão de séries temporais
title_sort Modelagem nebulosa evolutiva participativa aplicada à previsão de séries temporais
author Vieira, Rafael Giordano, 1993-
author_facet Vieira, Rafael Giordano, 1993-
author_role author
dc.contributor.none.fl_str_mv Gomide, Fernando Antonio Campos, 1951-
Ballini, Rosangela, 1969-
Von Zuben, Fernando José
Hell, Michel Bortolini
Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de Computação
Programa de Pós-Graduação em Engenharia Elétrica
UNIVERSIDADE ESTADUAL DE CAMPINAS
dc.contributor.author.fl_str_mv Vieira, Rafael Giordano, 1993-
dc.subject.por.fl_str_mv Previsão de séries temporais
Sistemas nebulosos
Funções de Kernel
Sistemas de computação adaptativos
Time series forecast
Fuzzy systems
Kernel, Functions
Adaptive computing systems
topic Previsão de séries temporais
Sistemas nebulosos
Funções de Kernel
Sistemas de computação adaptativos
Time series forecast
Fuzzy systems
Kernel, Functions
Adaptive computing systems
description Orientadores: Fernando Antônio Campos Gomide, Rosangela Ballini
publishDate 2018
dc.date.none.fl_str_mv 2018
2018-05-18T00:00:00Z
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.uri.fl_str_mv https://hdl.handle.net/20.500.12733/1634285
VIEIRA, Rafael Giordano. Modelagem nebulosa evolutiva participativa aplicada à previsão de séries temporais. 2018. 1 recurso online (101 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1634285. Acesso em: 3 set. 2024.
url https://hdl.handle.net/20.500.12733/1634285
identifier_str_mv VIEIRA, Rafael Giordano. Modelagem nebulosa evolutiva participativa aplicada à previsão de séries temporais. 2018. 1 recurso online (101 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1634285. Acesso em: 3 set. 2024.
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://repositorio.unicamp.br/acervo/detalhe/1045788
Requisitos do sistema: Software para leitura de arquivo em PDF
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
1 recurso online (101 p.) : il., digital, arquivo PDF.
dc.publisher.none.fl_str_mv [s.n.]
publisher.none.fl_str_mv [s.n.]
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
instname:Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
instname_str Universidade Estadual de Campinas (UNICAMP)
instacron_str UNICAMP
institution UNICAMP
reponame_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
collection Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)
repository.mail.fl_str_mv sbubd@unicamp.br
_version_ 1809189129348448256

Registros relacionados