Comparação de modelos MLP/RNA e modelos Box-Jenkins em séries temporais não lineares
Autor(a) principal: | |
---|---|
Data de Publicação: | 2009 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da UFRGS |
Texto Completo: | http://hdl.handle.net/10183/17150 |
Resumo: | A capacidade de prever resultados futuros, ao se analisar uma série de dados, é uma importante ferramenta para o planejamento de qualquer empresa ou indústria. Porém, a literatura oferece muitas opções de ferramentas e modelos estatísticos que permitem obter estas previsões. Cada qual com suas características e recomendações. Dentre estes modelos, destacam-se os modelos de Box e Jenkins, e os modelos de Redes Neurais Artificiais (RNA) - com destaque aos modelos de perceptron de múltiplas camadas (MLP). Estas duas diferentes abordagens são comparadas nesta dissertação com relação a sua capacidade de obter previsões acuradas em séries de dados não lineares quanto a sua média. As abordagens foram comparadas utilizando-se a série mensal do índice de produção física industrial do Estado do Rio Grande do Sul. Bem como a série anual de manchas solares, sendo a segunda utilizada como caso-controle para as comparações, devido ao fato de que as suas propriedades já foram amplamente estudadas. No estudo da série do índice de produção física mensal, os modelos de Box e Jenkins obtiveram melhor rendimento. Na série das manchas solares foram os modelos MLP que se destacaram. Desta forma, não é possível afirmar se alguma das abordagens é superior - tratando-se de séries de dados não lineares quanto a sua média. |
id |
URGS_e1620cbddf99e573ac8f02685a196133 |
---|---|
oai_identifier_str |
oai:www.lume.ufrgs.br:10183/17150 |
network_acronym_str |
URGS |
network_name_str |
Biblioteca Digital de Teses e Dissertações da UFRGS |
repository_id_str |
1853 |
spelling |
Flores, João Henrique FerreiraWerner, Liane2009-09-09T04:17:07Z2009http://hdl.handle.net/10183/17150000711535A capacidade de prever resultados futuros, ao se analisar uma série de dados, é uma importante ferramenta para o planejamento de qualquer empresa ou indústria. Porém, a literatura oferece muitas opções de ferramentas e modelos estatísticos que permitem obter estas previsões. Cada qual com suas características e recomendações. Dentre estes modelos, destacam-se os modelos de Box e Jenkins, e os modelos de Redes Neurais Artificiais (RNA) - com destaque aos modelos de perceptron de múltiplas camadas (MLP). Estas duas diferentes abordagens são comparadas nesta dissertação com relação a sua capacidade de obter previsões acuradas em séries de dados não lineares quanto a sua média. As abordagens foram comparadas utilizando-se a série mensal do índice de produção física industrial do Estado do Rio Grande do Sul. Bem como a série anual de manchas solares, sendo a segunda utilizada como caso-controle para as comparações, devido ao fato de que as suas propriedades já foram amplamente estudadas. No estudo da série do índice de produção física mensal, os modelos de Box e Jenkins obtiveram melhor rendimento. Na série das manchas solares foram os modelos MLP que se destacaram. Desta forma, não é possível afirmar se alguma das abordagens é superior - tratando-se de séries de dados não lineares quanto a sua média.The capacity to preview future outcomes on the time series analysis is an important tool for any business and industry planning. However, the literature offers many options on statistical tools and models which allow to obtain these forecasts. Each one with their features and recommendations. 1n these models, the Box and Jenkins and Artificial Neural Networks (ANN) models, with the multilayer perceptron (MLP) highlighted, stand out. These two different approaches are compared in this thesis related to the capacity to obtain accurate forecasts in mean related non-linear time series analysis. These approaches were compared using the monthly physical production index of Rio Grande do Sul time series and the sunspot series, being the second one used as a case-control to the comparisons, due the fact of its properties are already widely studied. 1n the monthly physical production index series study, t,he Box and Jenkins models obtained better efficiency. 1n the sunspot series, the MLP models were highlighted. So, it isn't possible to affirm if any of the approaches is superior, in the case of mean related non-linear time series.application/pdfporRedes neurais artificiaisSéries temporaisPlanejamento e controle da produçãoModelos Box-JenkinsANNMLPBox-jenkinsARIMATime seriesComparação de modelos MLP/RNA e modelos Box-Jenkins em séries temporais não linearesinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisUniversidade Federal do Rio Grande do SulEscola de EngenhariaPrograma de Pós-Graduação em Engenharia de ProduçãoPorto Alegre, BR-RS2009mestradoinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSORIGINAL000711535.pdf000711535.pdfTexto completoapplication/pdf2915302http://www.lume.ufrgs.br/bitstream/10183/17150/1/000711535.pdfd53c25f7084eb7fe29e415378f014c26MD51TEXT000711535.pdf.txt000711535.pdf.txtExtracted Texttext/plain241448http://www.lume.ufrgs.br/bitstream/10183/17150/2/000711535.pdf.txt68e636b2f791c1215b3ea5cdfed65a0eMD52THUMBNAIL000711535.pdf.jpg000711535.pdf.jpgGenerated Thumbnailimage/jpeg1022http://www.lume.ufrgs.br/bitstream/10183/17150/3/000711535.pdf.jpg9efac1ffe4a38257b72d243876778992MD5310183/171502022-02-22 04:56:40.180249oai:www.lume.ufrgs.br:10183/17150Biblioteca Digital de Teses e Dissertaçõeshttps://lume.ufrgs.br/handle/10183/2PUBhttps://lume.ufrgs.br/oai/requestlume@ufrgs.br||lume@ufrgs.bropendoar:18532022-02-22T07:56:40Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false |
dc.title.pt_BR.fl_str_mv |
Comparação de modelos MLP/RNA e modelos Box-Jenkins em séries temporais não lineares |
title |
Comparação de modelos MLP/RNA e modelos Box-Jenkins em séries temporais não lineares |
spellingShingle |
Comparação de modelos MLP/RNA e modelos Box-Jenkins em séries temporais não lineares Flores, João Henrique Ferreira Redes neurais artificiais Séries temporais Planejamento e controle da produção Modelos Box-Jenkins ANN MLP Box-jenkins ARIMA Time series |
title_short |
Comparação de modelos MLP/RNA e modelos Box-Jenkins em séries temporais não lineares |
title_full |
Comparação de modelos MLP/RNA e modelos Box-Jenkins em séries temporais não lineares |
title_fullStr |
Comparação de modelos MLP/RNA e modelos Box-Jenkins em séries temporais não lineares |
title_full_unstemmed |
Comparação de modelos MLP/RNA e modelos Box-Jenkins em séries temporais não lineares |
title_sort |
Comparação de modelos MLP/RNA e modelos Box-Jenkins em séries temporais não lineares |
author |
Flores, João Henrique Ferreira |
author_facet |
Flores, João Henrique Ferreira |
author_role |
author |
dc.contributor.author.fl_str_mv |
Flores, João Henrique Ferreira |
dc.contributor.advisor1.fl_str_mv |
Werner, Liane |
contributor_str_mv |
Werner, Liane |
dc.subject.por.fl_str_mv |
Redes neurais artificiais Séries temporais Planejamento e controle da produção Modelos Box-Jenkins |
topic |
Redes neurais artificiais Séries temporais Planejamento e controle da produção Modelos Box-Jenkins ANN MLP Box-jenkins ARIMA Time series |
dc.subject.eng.fl_str_mv |
ANN MLP Box-jenkins ARIMA Time series |
description |
A capacidade de prever resultados futuros, ao se analisar uma série de dados, é uma importante ferramenta para o planejamento de qualquer empresa ou indústria. Porém, a literatura oferece muitas opções de ferramentas e modelos estatísticos que permitem obter estas previsões. Cada qual com suas características e recomendações. Dentre estes modelos, destacam-se os modelos de Box e Jenkins, e os modelos de Redes Neurais Artificiais (RNA) - com destaque aos modelos de perceptron de múltiplas camadas (MLP). Estas duas diferentes abordagens são comparadas nesta dissertação com relação a sua capacidade de obter previsões acuradas em séries de dados não lineares quanto a sua média. As abordagens foram comparadas utilizando-se a série mensal do índice de produção física industrial do Estado do Rio Grande do Sul. Bem como a série anual de manchas solares, sendo a segunda utilizada como caso-controle para as comparações, devido ao fato de que as suas propriedades já foram amplamente estudadas. No estudo da série do índice de produção física mensal, os modelos de Box e Jenkins obtiveram melhor rendimento. Na série das manchas solares foram os modelos MLP que se destacaram. Desta forma, não é possível afirmar se alguma das abordagens é superior - tratando-se de séries de dados não lineares quanto a sua média. |
publishDate |
2009 |
dc.date.accessioned.fl_str_mv |
2009-09-09T04:17:07Z |
dc.date.issued.fl_str_mv |
2009 |
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/10183/17150 |
dc.identifier.nrb.pt_BR.fl_str_mv |
000711535 |
url |
http://hdl.handle.net/10183/17150 |
identifier_str_mv |
000711535 |
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/10183/17150/1/000711535.pdf http://www.lume.ufrgs.br/bitstream/10183/17150/2/000711535.pdf.txt http://www.lume.ufrgs.br/bitstream/10183/17150/3/000711535.pdf.jpg |
bitstream.checksum.fl_str_mv |
d53c25f7084eb7fe29e415378f014c26 68e636b2f791c1215b3ea5cdfed65a0e 9efac1ffe4a38257b72d243876778992 |
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_ |
1816736821006041088 |