Modelagem fuzzy de componentes determinísticos para previsão de séries temporais
A modelagem de dados no domı́nio temporal tem sido aplicada na modelagem de dife- rentes sistemas do mundo real como, por exemplo, meteorologia, engenharia, medicina e economia. Neste sentido, a área de Séries Temporais Fuzzy (Fuzzy Time Series) tem se destacado devido à sua capacidade de aproximar...
| Autor: | |
|---|---|
| Formato: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2020 |
| País: | Brasil |
| Recursos: | Universidade Federal da Bahia (UFBA) |
| Repositorio: | Repositório Institucional da UFBA |
| Idioma: | portugués |
| OAI Identifier: | oai:repositorio.ufba.br:ri/33696 |
| Acesso em linha: | http://repositorio.ufba.br/ri/handle/ri/33696 |
| Access Level: | acceso abierto |
| Palavra-chave: | Ciências Exatas e da Terra Ciência da Computação Série temporal fuzzy Decomposição de séries temporais Sistemas dinâmicos e teoria do caos Conjuntos fuzzy Fuzzy C-Means Previsão Análise de séries temporais |
| Resumo: | A modelagem de dados no domı́nio temporal tem sido aplicada na modelagem de dife- rentes sistemas do mundo real como, por exemplo, meteorologia, engenharia, medicina e economia. Neste sentido, a área de Séries Temporais Fuzzy (Fuzzy Time Series) tem se destacado devido à sua capacidade de aproximar funções matemáticas por meio da criação de regras fáceis de serem interpretadas por especialistas. Como consequência dessa ca- pacidade, é possı́vel obter modelos mais precisos para compreender o comportamento de sistemas. Desde o surgimento de modelos de séries temporais fuzzy, pesquisadores vêm propondo melhorias a fim de, por exemplo, reduzir erros em tarefas de previsão. Em geral, tais tarefas são compostas de três etapas: (i) fuzzificação; (ii) relacionamento lógico fuzzy; e (iii) defuzzificação. De acordo com a literatura, um dos pontos mais es- tudados por pesquisadores é a etapa de fuzzificação, com foco no particionamento do universo do discurso para modelagem dos conjuntos fuzzy. No entanto, poucos trabalhos na literatura consideram a separação de influências dos componentes estocásticos e de- terminı́sticos das séries temporais com o objetivo de auxiliar no processo de modelagem dos conjuntos fuzzy. Visando superar essa limitação, o presente trabalho apresenta duas abordagens que realizam melhorias na modelagem dos conjuntos fuzzy, especificamente na etapa de fuzzificação, por meio da análise de influências de componentes estocásticos e determinı́sticos presentes em séries temporais. A primeira abordagem consiste na decom- posição da série separando seus componentes em diferentes nı́veis de influência estocástica e determinı́stica. Em seguida, componentes são removidos, resultando em uma nova série sem influência de ruı́do cuja combinação com a série original produz um novo conjunto de dados bidimensional, mais adequado para estimação dos conjuntos fuzzy. A segunda abordagem, por sua vez, consiste na modelagem de séries caracterizados pela presença de comportamento determinı́stico. Nesse sentido, ao invés de modelar a série como um gráfico de dispersão, utilizou-se ferramentas da área de Sistemas Dinâmicos e Teoria do Caos para reconstruir a série no espaço fase. Embora utilizem métodos distintos, as duas abordagens fazem a remoção da dependência temporal entre as observações para auxi- liar no processo de modelagem dos conjuntos fuzzy, o qual é conduzido considerando o método de agrupamento Fuzzy C-Means e ı́ndices de validação de agrupamento, para es- timar a quantidade de conjuntos fuzzy. Para avaliação das abordagens, foram realizados experimentos utilizando séries temporais amplamente analisadas na literatura de FTS. Os resultados atingidos foram promissores e superiores em comparação com o estado da arte. |
|---|