Inteligência artificial aplicada em séries temporais

Detalhes bibliográficos
Autor(a) principal: Martins, Daniel Walter de Paula
Data de Publicação: 2024
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/45/45133/tde-08042024-094807/
Resumo: Deep Learning (redes neurais profundas, tradução literal), área também conhecida como Inteligência Artificial é um campo que tem crescido consideravelmente nos últimos anos por intermédio de aplicações práticas, que podem substituir processos com diferentes complexidades. Com avanço da tecnologia tornou-se possível o processamento de grandes quantidades de informação (Big Data), fato que trouxe notoriedade para essa classe de algoritmos com maior ênfase em dados não-tabulares (imagem, vídeo e texto). O problema de classificação de imagens foi um dos grandes propulsores dos modelos de Deep Learning, a técnica é um vasto campo de estudo e vêm sendo aprimorada constantemente. Muitas estruturas de Deep Learning têm sido adaptadas para problemas específicos e há uma variedade considerável de possibilidades. De modo geral, a estrutura desses algoritmos é extremamente flexível que permitem a modelagem de acordo com os interesses de aplicação e análise. Embora as estruturas de Deep Learning tenham alcançado resultados consideráveis no campo de imagem, vídeo e texto o intuito desta dissertação é justamente aplicar essa metodologia para dados tabulares, a saber, séries temporais. Com destaque para uma classe específica de Deep Learning, que considera em sua estrutura mecanismos que permitem o fluxo de dependência temporal nos dados, o que possibilita a realização de previsões de valores futuros. Para realizar esta aplicação é necessário compreender todo o contexto dos algoritmos de Deep Learning que têm seu próprio vocabulário, notações e definições. Para que os dados de séries temporais sejam compatíveis com as estruturas propostas é necessário preparação específica, que pode requerer diferente abordagem de acordo com a classe de algoritmo proposto. Diferentes estruturas são consideradas na aplicação para séries temporais, com destaque para os algoritmos Long Short Term Memory (LSTM), caso específico de Redes Neurais Recorrentes (RNR). A estimação destes modelos pode ser interpretada como uma questão de otimização que envolve não somente parâmetros, mas também Hiperparâmetros, que controlam toda a estrutura dos algoritmos. Ao considerar o cenário de séries temporais a otimização ocorre ao longo do tempo, propagando características dos dados em diferentes momentos. Modelos da classe ARIMA são utilizados como base da aplicação para auxiliar na efetividade das diferentes estruturas de Deep Learning para os diversos cenários considerados. A aplicação de Deep learning para séries temporais é uma área que têm ganhado destaque no cenário acadêmico dada a popularidade destes algoritmos em competições internacionais e os respectivos resultados obtidos Smyl e Shanmugam (2017). A abordagem destes algoritmos é consideravelmente diferente dos modelos clássicos de séries temporais, ao passo que as principais diferenças são propulsoras de pesquisas e exploração acadêmica.
id USP_9ef1a43c6837091638f625b71fa65769
oai_identifier_str oai:teses.usp.br:tde-08042024-094807
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str 2721
spelling Inteligência artificial aplicada em séries temporaisArtificial intelligence applied in time seriesAprendizado profundo de redes neuraisArtificial intelligenceDeep learningInteligência artificialLong short term memoryMemória de curto e longo prazoRecurent neural networkRedes neurais recorrentesSéries temporaisTime seriesDeep Learning (redes neurais profundas, tradução literal), área também conhecida como Inteligência Artificial é um campo que tem crescido consideravelmente nos últimos anos por intermédio de aplicações práticas, que podem substituir processos com diferentes complexidades. Com avanço da tecnologia tornou-se possível o processamento de grandes quantidades de informação (Big Data), fato que trouxe notoriedade para essa classe de algoritmos com maior ênfase em dados não-tabulares (imagem, vídeo e texto). O problema de classificação de imagens foi um dos grandes propulsores dos modelos de Deep Learning, a técnica é um vasto campo de estudo e vêm sendo aprimorada constantemente. Muitas estruturas de Deep Learning têm sido adaptadas para problemas específicos e há uma variedade considerável de possibilidades. De modo geral, a estrutura desses algoritmos é extremamente flexível que permitem a modelagem de acordo com os interesses de aplicação e análise. Embora as estruturas de Deep Learning tenham alcançado resultados consideráveis no campo de imagem, vídeo e texto o intuito desta dissertação é justamente aplicar essa metodologia para dados tabulares, a saber, séries temporais. Com destaque para uma classe específica de Deep Learning, que considera em sua estrutura mecanismos que permitem o fluxo de dependência temporal nos dados, o que possibilita a realização de previsões de valores futuros. Para realizar esta aplicação é necessário compreender todo o contexto dos algoritmos de Deep Learning que têm seu próprio vocabulário, notações e definições. Para que os dados de séries temporais sejam compatíveis com as estruturas propostas é necessário preparação específica, que pode requerer diferente abordagem de acordo com a classe de algoritmo proposto. Diferentes estruturas são consideradas na aplicação para séries temporais, com destaque para os algoritmos Long Short Term Memory (LSTM), caso específico de Redes Neurais Recorrentes (RNR). A estimação destes modelos pode ser interpretada como uma questão de otimização que envolve não somente parâmetros, mas também Hiperparâmetros, que controlam toda a estrutura dos algoritmos. Ao considerar o cenário de séries temporais a otimização ocorre ao longo do tempo, propagando características dos dados em diferentes momentos. Modelos da classe ARIMA são utilizados como base da aplicação para auxiliar na efetividade das diferentes estruturas de Deep Learning para os diversos cenários considerados. A aplicação de Deep learning para séries temporais é uma área que têm ganhado destaque no cenário acadêmico dada a popularidade destes algoritmos em competições internacionais e os respectivos resultados obtidos Smyl e Shanmugam (2017). A abordagem destes algoritmos é consideravelmente diferente dos modelos clássicos de séries temporais, ao passo que as principais diferenças são propulsoras de pesquisas e exploração acadêmica.Deep Learning (also known as artificial Intelligence), is a field that has grown significantly in recent years through practical applications capable of replacing processes with varying complexities. With technological advancements, the processing of large amounts of information (Big Data) has become possible, bringing prominence to this class of algorithms, with a greater emphasis on \"non-tabular\" data such as images, videos, and text. The problem of image classification has been a major driving force behind Deep Learning models, and the technique is a vast field of study continually undergoing refinement. Many Deep Learning structures have been adapted for specific problems, offering a considerable variety of possibilities. In general, the flexibility of these algorithms allows for modeling according to the application and analysis interests. While Deep Learning structures have achieved notable results in the fields of image, video, and text, the purpose of this dissertation is to specifically apply this methodology to tabular data, namely, time series. This includes a focus on a specific class of Deep Learning that incorporates mechanisms in its structure enabling the flow of temporal dependencies in the data, facilitating predictions of future values. To implement this application, a comprehensive understanding of the context of Deep Learning algorithms is necessary, each with its own vocabulary, notations, and definitions. To make time series data compatible with the proposed structures, specific preparation is required, potentially requiring different approaches depending on the proposed algorithm class. Various structures are considered in the application for time series, with emphasis on algorithms like \"Long Short Term Memory\" (LSTM), a specific case of Recurrent Neural Networks (RNN). Estimating these models can be interpreted as an optimization issue involving not only parameters but also hyperparameters that control the entire structure of the algorithms. In the context of time series, optimization occurs over time, propagating data characteristics at different moments. ARIMA models serve as a basis for the application, aiding the effectiveness of different Deep Learning structures for various considered scenarios. The application of Deep Learning to time series has gained prominence in the academic landscape due to the popularity of these algorithms in international competitions and the respective results achieved Smyl and Shanmugam (2017) .The approach of these algorithms is considerably different from classical time series models, and these key differences drive further research and academic exploration.Biblioteca Digitais de Teses e Dissertações da USPIambartsev, AnatoliMartins, Daniel Walter de Paula2024-03-22info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/45/45133/tde-08042024-094807/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/openAccesspor2024-08-01T19:38:02Zoai:teses.usp.br:tde-08042024-094807Biblioteca 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:27212024-08-01T19:38:02Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Inteligência artificial aplicada em séries temporais
Artificial intelligence applied in time series
title Inteligência artificial aplicada em séries temporais
spellingShingle Inteligência artificial aplicada em séries temporais
Martins, Daniel Walter de Paula
Aprendizado profundo de redes neurais
Artificial intelligence
Deep learning
Inteligência artificial
Long short term memory
Memória de curto e longo prazo
Recurent neural network
Redes neurais recorrentes
Séries temporais
Time series
title_short Inteligência artificial aplicada em séries temporais
title_full Inteligência artificial aplicada em séries temporais
title_fullStr Inteligência artificial aplicada em séries temporais
title_full_unstemmed Inteligência artificial aplicada em séries temporais
title_sort Inteligência artificial aplicada em séries temporais
author Martins, Daniel Walter de Paula
author_facet Martins, Daniel Walter de Paula
author_role author
dc.contributor.none.fl_str_mv Iambartsev, Anatoli
dc.contributor.author.fl_str_mv Martins, Daniel Walter de Paula
dc.subject.por.fl_str_mv Aprendizado profundo de redes neurais
Artificial intelligence
Deep learning
Inteligência artificial
Long short term memory
Memória de curto e longo prazo
Recurent neural network
Redes neurais recorrentes
Séries temporais
Time series
topic Aprendizado profundo de redes neurais
Artificial intelligence
Deep learning
Inteligência artificial
Long short term memory
Memória de curto e longo prazo
Recurent neural network
Redes neurais recorrentes
Séries temporais
Time series
description Deep Learning (redes neurais profundas, tradução literal), área também conhecida como Inteligência Artificial é um campo que tem crescido consideravelmente nos últimos anos por intermédio de aplicações práticas, que podem substituir processos com diferentes complexidades. Com avanço da tecnologia tornou-se possível o processamento de grandes quantidades de informação (Big Data), fato que trouxe notoriedade para essa classe de algoritmos com maior ênfase em dados não-tabulares (imagem, vídeo e texto). O problema de classificação de imagens foi um dos grandes propulsores dos modelos de Deep Learning, a técnica é um vasto campo de estudo e vêm sendo aprimorada constantemente. Muitas estruturas de Deep Learning têm sido adaptadas para problemas específicos e há uma variedade considerável de possibilidades. De modo geral, a estrutura desses algoritmos é extremamente flexível que permitem a modelagem de acordo com os interesses de aplicação e análise. Embora as estruturas de Deep Learning tenham alcançado resultados consideráveis no campo de imagem, vídeo e texto o intuito desta dissertação é justamente aplicar essa metodologia para dados tabulares, a saber, séries temporais. Com destaque para uma classe específica de Deep Learning, que considera em sua estrutura mecanismos que permitem o fluxo de dependência temporal nos dados, o que possibilita a realização de previsões de valores futuros. Para realizar esta aplicação é necessário compreender todo o contexto dos algoritmos de Deep Learning que têm seu próprio vocabulário, notações e definições. Para que os dados de séries temporais sejam compatíveis com as estruturas propostas é necessário preparação específica, que pode requerer diferente abordagem de acordo com a classe de algoritmo proposto. Diferentes estruturas são consideradas na aplicação para séries temporais, com destaque para os algoritmos Long Short Term Memory (LSTM), caso específico de Redes Neurais Recorrentes (RNR). A estimação destes modelos pode ser interpretada como uma questão de otimização que envolve não somente parâmetros, mas também Hiperparâmetros, que controlam toda a estrutura dos algoritmos. Ao considerar o cenário de séries temporais a otimização ocorre ao longo do tempo, propagando características dos dados em diferentes momentos. Modelos da classe ARIMA são utilizados como base da aplicação para auxiliar na efetividade das diferentes estruturas de Deep Learning para os diversos cenários considerados. A aplicação de Deep learning para séries temporais é uma área que têm ganhado destaque no cenário acadêmico dada a popularidade destes algoritmos em competições internacionais e os respectivos resultados obtidos Smyl e Shanmugam (2017). A abordagem destes algoritmos é consideravelmente diferente dos modelos clássicos de séries temporais, ao passo que as principais diferenças são propulsoras de pesquisas e exploração acadêmica.
publishDate 2024
dc.date.none.fl_str_mv 2024-03-22
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/45/45133/tde-08042024-094807/
url https://www.teses.usp.br/teses/disponiveis/45/45133/tde-08042024-094807/
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_ 1815256799408816128