Inteligência artificial aplicada em séries temporais

• 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/
• 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

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.