Utilização de redes neurais na análise e previsão de séries temporais

Detalhes bibliográficos
Autor(a) principal: Fernandes, Luiz Gustavo Leao
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