Compartilhamento |
|
Use este identificador para citar ou linkar para este item:
https://tedebc.ufma.br/jspui/handle/tede/tede/3620
Registro completo de metadados
Campo DC | Valor | Idioma |
---|---|---|
dc.creator | RODRIGUES JÚNIOR, Selmo Eduardo | - |
dc.creator.Lattes | http://lattes.cnpq.br/3953062906519226 | por |
dc.contributor.advisor1 | SERRA, Ginalber Luiz de Oliveira | - |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/0831092299374520 | por |
dc.contributor.referee1 | SERRA, Ginalber Luiz de Oliveira | - |
dc.contributor.referee1Lattes | http://lattes.cnpq.br/0831092299374520 | por |
dc.contributor.referee2 | MUNARO, Celso José | - |
dc.contributor.referee2Lattes | http://lattes.cnpq.br/5929530967371970 | por |
dc.contributor.referee3 | GIESBRECHT, Mateus | - |
dc.contributor.referee3Lattes | http://lattes.cnpq.br/7480104217250652 | por |
dc.contributor.referee4 | SOUZA, Francisco das Chagas de | - |
dc.contributor.referee4Lattes | http://lattes.cnpq.br/2405363087479257 | por |
dc.contributor.referee5 | PAIVA, Anselmo Cardoso de | - |
dc.contributor.referee5Lattes | http://lattes.cnpq.br/6446831084215512 | por |
dc.date.accessioned | 2022-05-31T15:09:48Z | - |
dc.date.issued | 2021-08-10 | - |
dc.identifier.citation | RODRIGUES JÚNIOR, Selmo Eduardo. Metodologia de modelagem computacional inteligente para previsão de séries temporais baseada em sistemas evolutivos e análise espectral singular recursiva. 2021. 223 f. Tese (Programa de Pós-Graduação em Engenharia de Eletricidade/CCET) - Universidade Federal do Maranhão, São Luís, 2021. | por |
dc.identifier.uri | https://tedebc.ufma.br/jspui/handle/tede/tede/3620 | - |
dc.description.resumo | Essa tese propõe uma metodologia evolutiva para previsão de séries temporais univariáveis ou multivariáveis baseada em uma estrutura de rede neuro-fuzzy, capaz de atualizar sua base de conhecimento para cada nova observação que chega. Essa proposta possui uma característica híbrida, pois utiliza uma rede neuro-fuzzy cujas regras fuzzy contêm em seus consequentes modelos de vetores autorregressivos (VAR). Esses modelos são constituídos pelas componentes não-observáveis, ou seja, são padrões ocultos extraídos a partir da série temporal. Para extrair essas componentes, uma versão recursiva e paralela do método SSA (Singular Spectrum Analysis) é proposta no trabalho. Denominou-se essa versão de PRSSA (Parallel Recursive Singular Spectrum Analysis), sendo que o nome paralelo está relacionado ao fato que, para cada série, há um procedimento de decomposição associado. Unificando esses métodos, a metodologia proposta tem o nome de PRSSA+ENFN (Parallel Recursive Singular Spectrum Analysis and Evolving Neuro-Fuzzy Network), destacando novamente seu perfil híbrido. Dessa maneira, o método PRSSA+ENFN proposto nessa pesquisa aplica a abordagem "dividir para conquistar", isto é, extrai as componentes não-observáveis e realiza suas previsões separadamente por meio da rede neuro-fuzzy, pois estas componentes apresentam comportamento menos complexo que a série temporal completa. Após a previsão das componentes, esses resultados são agrupados para prever a série temporal original. Ademais, a rede neuro-fuzzy tem característica evolutiva, ou seja, considera o comportamento dinâmico dessas componentes para evoluir sua estrutura a cada nova observação, cuja quantidade de regras fuzzy pode aumentar ou diminuir de acordo com essa dinâmica. Avaliou-se nos resultados experimentais a flexibilidade do método PRSSA+ENFN em trabalhar tanto com séries univariáveis quanto multivariáveis, realizando previsões do tipo recorrente ou direta. Além disso, a abordagem proposta foi comparada com outros trabalhos e métodos utilizados na literatura para previsão de séries temporais, apresentando resultados competitivos de previsão e que mostraram que a metodologia desenvolvida pode ser usada em casos envolvendo séries temporais complexas e não-estacionárias. Realizou-se também a aplicação do PRSSA+ENFN em um problema real relacionado à pandemia do Covid-19 no estado do Maranhão - Brasil, avaliando seu comportamento para previsão dos números diários de casos e mortes devido a essa doença. Dessa forma, esse método proposto se mostrou como uma potencial abordagem a fim de auxiliar os especialistas no processo de tomada de decisão e para continuar a ser explorada em trabalhos futuros. | por |
dc.description.abstract | This thesis proposes an evolving methodology for univariate or multivariate time series fore casting based on neuro-fuzzy network structure, updating its knowledge base for each new observation. This proposal has a hybrid characteristic, considering a neuro-fuzzy network whose consequents of fuzzy rules contain vector autoregression models. These models are composed by unobservable components, i. e., hidden patterns extracted from the time series. To extract these components, a recursive and parallel version of the Singular Spectrum Analysis (SSA) method is proposed in the paper. This version is named Parallel Recursive Singular Spectrum Analysis (PRSSA), and the parallel name is used because, for each time series, there is an asso ciated decomposition procedure. Unifying these methods, the proposed methodology is called PRSSA+ENFN (Parallel Recursive Singular Spectrum Analysis and Evolving Neuro-Fuzzy Network), highlighting its hybrid profile again. Hence, the PRSSA+ENFN method proposed applies the "divide to conquer" idea, i.e., it extracts the unobservable components and forecasts them separately using the neuro-fuzzy network, because these components has less complex behavior than the complete time series. After components forecasting, these results are grouped together to predict the original time series. Furthermore, the neuro-fuzzy network has an evolv ing characteristic, i.e., it considers the dynamic behavior of these components to evolve its structure for each new observation, where the number of fuzzy rules can increase or decrease according to this dynamic. The flexibility of the PRSSA+ENFN method with both univariate or multivariate time series was evaluated on the experimental results, considering the recurrent or direct type of forecasting. In addition, the proposed approach was compared with other studies and methods used in literature for time series forecasting, showing competitive results and the developed methodology can be used in cases involving complex and non-stationary time series. The PRSSA+ENFN was applied to a real problem related to the Covid-19 pandemic in Maranhão - Brazil, evaluating its behavior to forecast the daily numbers of cases and deaths caused by this disease. Then, this proposed method proved to be a potential approach to assist specialists in the decision-making process and to be explored in future works. | eng |
dc.description.provenance | Submitted by Daniella Santos (daniella.santos@ufma.br) on 2022-05-31T15:09:47Z No. of bitstreams: 1 SelmoRodrigues.pdf: 3739841 bytes, checksum: 9f82e29125959cd61c275f4b1c7c124a (MD5) | eng |
dc.description.provenance | Made available in DSpace on 2022-05-31T15:09:48Z (GMT). No. of bitstreams: 1 SelmoRodrigues.pdf: 3739841 bytes, checksum: 9f82e29125959cd61c275f4b1c7c124a (MD5) Previous issue date: 2021-08-10 | eng |
dc.description.sponsorship | CAPES | por |
dc.format | application/pdf | * |
dc.language | por | por |
dc.publisher | Universidade Federal do Maranhão | por |
dc.publisher.department | DEPARTAMENTO DE ENGENHARIA DA ELETRICIDADE/CCET | por |
dc.publisher.country | Brasil | por |
dc.publisher.initials | UFMA | por |
dc.publisher.program | PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE ELETRICIDADE/CCET | por |
dc.rights | Acesso Aberto | por |
dc.subject | redes neuro-fuzzy; | por |
dc.subject | previsão de séries temporais; | por |
dc.subject | modelos evolutivos; | por |
dc.subject | análise espectral singular; | por |
dc.subject | componentes não-observáveis; | por |
dc.subject | neuro-fuzzy networks; | eng |
dc.subject | time series forecasting; | eng |
dc.subject | evolving models; | eng |
dc.subject | singular spec trum analysis; | eng |
dc.subject | unobservable components. | eng |
dc.subject.cnpq | Engenharia Elétrica | por |
dc.title | Metodologia de modelagem computacional inteligente para previsão de séries temporais baseada em sistemas evolutivos e análise espectral singular recursiva | por |
dc.title.alternative | Intelligent computational modeling methodology for time series prediction based on evolutionary systems and recursive singular spectral analysis | eng |
dc.type | Tese | por |
Aparece nas coleções: | DISSERTAÇÃO DE MESTRADO - PROGRAMA DE PÓS GRADUAÇÃO EM ENGENHARIA DE ELETRICIDADE |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
SelmoRodrigues.pdf | Tese de Doutorado | 3,65 MB | Adobe PDF | Baixar/Abrir Pré-Visualizar |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.