Utilização de redes neurais na análise e previsão de séries temporais
Autor(a) principal: | |
---|---|
Data de Publicação: | 1995 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da UFRGS |
Texto Completo: | http://hdl.handle.net/10183/25774 |
Resumo: | Este trabalho a um estudo a respeito da aplicação de Redes Neurais Artificiais (RNAs), mais especificamente do modelo perceptron multi-camadas com aprendizado por retro-propagação de erros, a previsão de valores futuros de Series Temporais. 0 estudo foi realizado através da realização de previsões a partir de uma determinada arquitetura de rede neural, a qual é construída com base na analise estatística da serie, para três series reais. A primeira representa o Índice mensal de passageiros das linhas aéreas americanas entre janeiro de 1960 e dezembro de 1971, a segunda corresponde ao índice pluviométrico anual da cidade de Fortaleza no estado do Ceara entre 1849 e 1984, e a terceira trata do índice mensal de produção industrial do estado do Rio Grande do Sul entre janeiro de 1981 e julho de 1993. As duas primeiras series são exemplos clássicos utilizados no estudo dos modelos estatísticos aplicados a previsão de Series Temporais. Os resultados obtidos com as RNAs foram comparados aos progn6sticos realizados pelo método economêtrico que apresenta os melhores resultados para o problema da previsão de Series Temporais: o método da decomposição da serie em suas componentes básicas não-observáveis (tendência, sazonalidade, ciclo e irregular). Tais resultados mostraram que as RNAs podem apresentar excelentes níveis de precisão em seus prognósticos, indicando sua adaptação ao problema da previsão de valores futuros de Séries Temporais. |
id |
URGS_51cf99ec82d5d6680f89cd26442729a7 |
---|---|
oai_identifier_str |
oai:www.lume.ufrgs.br:10183/25774 |
network_acronym_str |
URGS |
network_name_str |
Biblioteca Digital de Teses e Dissertações da UFRGS |
repository_id_str |
1853 |
spelling |
Fernandes, Luiz Gustavo LeaoNavaux, Philippe Olivier AlexandrePortugal, Marcelo Savino2010-09-16T04:19:05Z1995http://hdl.handle.net/10183/25774000142020Este trabalho a um estudo a respeito da aplicação de Redes Neurais Artificiais (RNAs), mais especificamente do modelo perceptron multi-camadas com aprendizado por retro-propagação de erros, a previsão de valores futuros de Series Temporais. 0 estudo foi realizado através da realização de previsões a partir de uma determinada arquitetura de rede neural, a qual é construída com base na analise estatística da serie, para três series reais. A primeira representa o Índice mensal de passageiros das linhas aéreas americanas entre janeiro de 1960 e dezembro de 1971, a segunda corresponde ao índice pluviométrico anual da cidade de Fortaleza no estado do Ceara entre 1849 e 1984, e a terceira trata do índice mensal de produção industrial do estado do Rio Grande do Sul entre janeiro de 1981 e julho de 1993. As duas primeiras series são exemplos clássicos utilizados no estudo dos modelos estatísticos aplicados a previsão de Series Temporais. Os resultados obtidos com as RNAs foram comparados aos progn6sticos realizados pelo método economêtrico que apresenta os melhores resultados para o problema da previsão de Series Temporais: o método da decomposição da serie em suas componentes básicas não-observáveis (tendência, sazonalidade, ciclo e irregular). Tais resultados mostraram que as RNAs podem apresentar excelentes níveis de precisão em seus prognósticos, indicando sua adaptação ao problema da previsão de valores futuros de Séries Temporais.This work presents a study of the prediction power of Artificial Neural Networks (ANN) in comparison with prediction capability of traditional Time Series models, more specifically the Unobservable Components Models (UCM). The data used to perform the study was the monthly american airlines passengers, the annual rainfall in Fortaleza, Brazil and the monthly gross industrial output for the state of Rio Grande do Sul, Brazil. The results show that Artificial Neural Networks can outperform the forecasts of Unobservable Components Models.application/pdfporRedes neuraisSéries temporaisBackpropagationInteligência artificialEural networksBackpropagationEconomic forecastTime series modelsUtilização de redes neurais na análise e previsão de séries temporaisTime series prediction using artificial neural networks info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisUniversidade Federal do Rio Grande do SulInstituto de InformáticaCurso de Pós-Graduação em Ciência da ComputaçãoPorto Alegre, BR-RS1995mestradoinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSORIGINAL000142020.pdf000142020.pdfTexto completoapplication/pdf12679542http://www.lume.ufrgs.br/bitstream/10183/25774/1/000142020.pdf3637352685b3d5eb9d457f89cc9b7129MD51TEXT000142020.pdf.txt000142020.pdf.txtExtracted Texttext/plain144984http://www.lume.ufrgs.br/bitstream/10183/25774/2/000142020.pdf.txt754410c6a780086d8da884af80d24910MD52THUMBNAIL000142020.pdf.jpg000142020.pdf.jpgGenerated Thumbnailimage/jpeg1320http://www.lume.ufrgs.br/bitstream/10183/25774/3/000142020.pdf.jpgc8381f1bce71933054f77e725e02c7f2MD5310183/257742022-02-22 04:44:40.23524oai:www.lume.ufrgs.br:10183/25774Biblioteca Digital de Teses e Dissertaçõeshttps://lume.ufrgs.br/handle/10183/2PUBhttps://lume.ufrgs.br/oai/requestlume@ufrgs.br||lume@ufrgs.bropendoar:18532022-02-22T07:44:40Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false |
dc.title.pt_BR.fl_str_mv |
Utilização de redes neurais na análise e previsão de séries temporais |
dc.title.alternative.en.fl_str_mv |
Time series prediction using artificial neural networks |
title |
Utilização de redes neurais na análise e previsão de séries temporais |
spellingShingle |
Utilização de redes neurais na análise e previsão de séries temporais Fernandes, Luiz Gustavo Leao Redes neurais Séries temporais Backpropagation Inteligência artificial Eural networks Backpropagation Economic forecast Time series models |
title_short |
Utilização de redes neurais na análise e previsão de séries temporais |
title_full |
Utilização de redes neurais na análise e previsão de séries temporais |
title_fullStr |
Utilização de redes neurais na análise e previsão de séries temporais |
title_full_unstemmed |
Utilização de redes neurais na análise e previsão de séries temporais |
title_sort |
Utilização de redes neurais na análise e previsão de séries temporais |
author |
Fernandes, Luiz Gustavo Leao |
author_facet |
Fernandes, Luiz Gustavo Leao |
author_role |
author |
dc.contributor.author.fl_str_mv |
Fernandes, Luiz Gustavo Leao |
dc.contributor.advisor1.fl_str_mv |
Navaux, Philippe Olivier Alexandre |
dc.contributor.advisor-co1.fl_str_mv |
Portugal, Marcelo Savino |
contributor_str_mv |
Navaux, Philippe Olivier Alexandre Portugal, Marcelo Savino |
dc.subject.por.fl_str_mv |
Redes neurais Séries temporais Backpropagation Inteligência artificial |
topic |
Redes neurais Séries temporais Backpropagation Inteligência artificial Eural networks Backpropagation Economic forecast Time series models |
dc.subject.eng.fl_str_mv |
Eural networks Backpropagation Economic forecast Time series models |
description |
Este trabalho a um estudo a respeito da aplicação de Redes Neurais Artificiais (RNAs), mais especificamente do modelo perceptron multi-camadas com aprendizado por retro-propagação de erros, a previsão de valores futuros de Series Temporais. 0 estudo foi realizado através da realização de previsões a partir de uma determinada arquitetura de rede neural, a qual é construída com base na analise estatística da serie, para três series reais. A primeira representa o Índice mensal de passageiros das linhas aéreas americanas entre janeiro de 1960 e dezembro de 1971, a segunda corresponde ao índice pluviométrico anual da cidade de Fortaleza no estado do Ceara entre 1849 e 1984, e a terceira trata do índice mensal de produção industrial do estado do Rio Grande do Sul entre janeiro de 1981 e julho de 1993. As duas primeiras series são exemplos clássicos utilizados no estudo dos modelos estatísticos aplicados a previsão de Series Temporais. Os resultados obtidos com as RNAs foram comparados aos progn6sticos realizados pelo método economêtrico que apresenta os melhores resultados para o problema da previsão de Series Temporais: o método da decomposição da serie em suas componentes básicas não-observáveis (tendência, sazonalidade, ciclo e irregular). Tais resultados mostraram que as RNAs podem apresentar excelentes níveis de precisão em seus prognósticos, indicando sua adaptação ao problema da previsão de valores futuros de Séries Temporais. |
publishDate |
1995 |
dc.date.issued.fl_str_mv |
1995 |
dc.date.accessioned.fl_str_mv |
2010-09-16T04:19:05Z |
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 |
http://hdl.handle.net/10183/25774 |
dc.identifier.nrb.pt_BR.fl_str_mv |
000142020 |
url |
http://hdl.handle.net/10183/25774 |
identifier_str_mv |
000142020 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da UFRGS instname:Universidade Federal do Rio Grande do Sul (UFRGS) instacron:UFRGS |
instname_str |
Universidade Federal do Rio Grande do Sul (UFRGS) |
instacron_str |
UFRGS |
institution |
UFRGS |
reponame_str |
Biblioteca Digital de Teses e Dissertações da UFRGS |
collection |
Biblioteca Digital de Teses e Dissertações da UFRGS |
bitstream.url.fl_str_mv |
http://www.lume.ufrgs.br/bitstream/10183/25774/1/000142020.pdf http://www.lume.ufrgs.br/bitstream/10183/25774/2/000142020.pdf.txt http://www.lume.ufrgs.br/bitstream/10183/25774/3/000142020.pdf.jpg |
bitstream.checksum.fl_str_mv |
3637352685b3d5eb9d457f89cc9b7129 754410c6a780086d8da884af80d24910 c8381f1bce71933054f77e725e02c7f2 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS) |
repository.mail.fl_str_mv |
lume@ufrgs.br||lume@ufrgs.br |
_version_ |
1810085183627460608 |