Modelos neurais para regressão de séries temporais

Detalhes bibliográficos
Autor(a) principal: Lira, Thiago Ildeu Albuquerque
Data de Publicação: 2020
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
Texto Completo: https://www.teses.usp.br/teses/disponiveis/45/45134/tde-10122020-165920/
Resumo: Dada a crescente importância da predição de resistência compressiva do cimento para um uso mais eciente de recursos na indústria, literatura recente busca analisar quais modelos estatísticos podem auxiliar o processo indústrial. Esse trabalho documenta a aplicação de técnicas de Deep Learning Bayesiano para a geração de predições temporais robustas e conáveis para a resistência compressiva do cimento. Os resultados mostram que técnicas de Inferência Bayesiana para modelos de Aprendizado Profundo promovem um ganho sensível de acurácia para o problema de predição de RC, com o benefício adicional das características probabilísticas das predições, tornando-as mais seguras para o possível uso no chão de fábrica.
id USP_3b0decaba5994a4108089da3553d4a4b
oai_identifier_str oai:teses.usp.br:tde-10122020-165920
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str 2721
spelling Modelos neurais para regressão de séries temporaisNeural models for regression on time seriesBayesian inferenceDeep learningDeep learningInferência BayesianaSéries temporaisTime seriesDada a crescente importância da predição de resistência compressiva do cimento para um uso mais eciente de recursos na indústria, literatura recente busca analisar quais modelos estatísticos podem auxiliar o processo indústrial. Esse trabalho documenta a aplicação de técnicas de Deep Learning Bayesiano para a geração de predições temporais robustas e conáveis para a resistência compressiva do cimento. Os resultados mostram que técnicas de Inferência Bayesiana para modelos de Aprendizado Profundo promovem um ganho sensível de acurácia para o problema de predição de RC, com o benefício adicional das características probabilísticas das predições, tornando-as mais seguras para o possível uso no chão de fábrica.Given the increasing importance of the prediction of the cement compressive strength for a more ecient use of resources on the industry, recent literature has been experimenting with statistical models to aid the industrial process. This thesis studies the application of Bayesian Deep Learning techniques to achieve robust and accurate predictions of the compressive strength. The results show that Bayesian Inference techniques applied to Deep Learning models promote a sensible increase of accuracy for the problem of CS predition, with the additional benet gained from the probabilistic nature of the predictions, making them more suitable to be used on the factory oor.Biblioteca Digitais de Teses e Dissertações da USPFinger, MarceloLira, Thiago Ildeu Albuquerque2020-10-21info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/45/45134/tde-10122020-165920/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2020-12-18T22:42:40Zoai:teses.usp.br:tde-10122020-165920Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212020-12-18T22:42:40Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Modelos neurais para regressão de séries temporais
Neural models for regression on time series
title Modelos neurais para regressão de séries temporais
spellingShingle Modelos neurais para regressão de séries temporais
Lira, Thiago Ildeu Albuquerque
Bayesian inference
Deep learning
Deep learning
Inferência Bayesiana
Séries temporais
Time series
title_short Modelos neurais para regressão de séries temporais
title_full Modelos neurais para regressão de séries temporais
title_fullStr Modelos neurais para regressão de séries temporais
title_full_unstemmed Modelos neurais para regressão de séries temporais
title_sort Modelos neurais para regressão de séries temporais
author Lira, Thiago Ildeu Albuquerque
author_facet Lira, Thiago Ildeu Albuquerque
author_role author
dc.contributor.none.fl_str_mv Finger, Marcelo
dc.contributor.author.fl_str_mv Lira, Thiago Ildeu Albuquerque
dc.subject.por.fl_str_mv Bayesian inference
Deep learning
Deep learning
Inferência Bayesiana
Séries temporais
Time series
topic Bayesian inference
Deep learning
Deep learning
Inferência Bayesiana
Séries temporais
Time series
description Dada a crescente importância da predição de resistência compressiva do cimento para um uso mais eciente de recursos na indústria, literatura recente busca analisar quais modelos estatísticos podem auxiliar o processo indústrial. Esse trabalho documenta a aplicação de técnicas de Deep Learning Bayesiano para a geração de predições temporais robustas e conáveis para a resistência compressiva do cimento. Os resultados mostram que técnicas de Inferência Bayesiana para modelos de Aprendizado Profundo promovem um ganho sensível de acurácia para o problema de predição de RC, com o benefício adicional das características probabilísticas das predições, tornando-as mais seguras para o possível uso no chão de fábrica.
publishDate 2020
dc.date.none.fl_str_mv 2020-10-21
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://www.teses.usp.br/teses/disponiveis/45/45134/tde-10122020-165920/
url https://www.teses.usp.br/teses/disponiveis/45/45134/tde-10122020-165920/
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv
dc.rights.driver.fl_str_mv Liberar o conteúdo para acesso público.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Liberar o conteúdo para acesso público.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv
dc.publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
dc.source.none.fl_str_mv
reponame:Biblioteca Digital de Teses e Dissertações da USP
instname:Universidade de São Paulo (USP)
instacron:USP
instname_str Universidade de São Paulo (USP)
instacron_str USP
institution USP
reponame_str Biblioteca Digital de Teses e Dissertações da USP
collection Biblioteca Digital de Teses e Dissertações da USP
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)
repository.mail.fl_str_mv virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br
_version_ 1815256930701017088

Registros relacionados