| Summary: | Made available in DSpace on 2014-06-12T16:00:22Z (GMT). No. of bitstreams: 2
arquivo6445_1.pdf: 691950 bytes, checksum: 1d1d5a8d1d2f4c1729145e463fb50d46 (MD5)
license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5)
Previous issue date: 2006 === Uma série temporal é definida como um conjunto de observações de um fenômeno
ordenadas no tempo. Existem vários problemas reais que podem ser representados por
séries temporais, como o consumo mensal de água de uma casa, registrado ao longo de
um mês; ou os valores de uma determinada aplicação financeira, medidos no decorrer
de uma semana.
A utilização da previsão de séries temporais pode ocorrer em diversas áreas,
como mercado financeiro, detecção de fraude, indústria farmacêutica, medicina, entre
outras. Existem vários modelos que podem ser utilizados para prever uma série
temporal. Com isso, selecionar o modelo mais adequado pode ser uma tarefa difícil, que
depende de fatores como o ajuste dos parâmetros dos modelos candidatos e as
características da série.
Podemos encontrar na literatura diversas abordagens que são utilizadas na
seleção de modelos de previsão. Em nosso trabalho foi utilizada uma abordagem de
Meta-Aprendizado, desenvolvida inicialmente para a seleção de algoritmos para
problemas de aprendizado e adaptada ao problema de seleção de modelos.
Diferentemente das abordagens mais comuns, a abordagem utilizada indica não apenas
o melhor modelo aplicável ao problema de entrada, mas um ranking dos modelos
candidatos baseado em critérios de desempenho fornecidos pelo usuário. Os resultados
de desempenho obtidos pelos modelos candidatos em problemas processados no
passado são utilizados na sugestão de modelos para novos problemas. Desta forma, a
solução aqui proposta é mais informativa, no sentido de possibilitar ao usuário uma
melhor percepção da relação entre os modelos candidatos. A abordagem foi investigada
em 4 estudos de caso e apresentou resultados satisfatórios
|
|---|
