Resumo:
Séries temporais são encontradas em fenômenos naturais, mercadológicos e financeiros, e em processos de manufatura, entre outros, o que as torna importantes objetos de pesquisa. Quando não são lineares, sua modelagem é complexa devido ao grande número de parâmetros, à existência de fatores exógenos, à alta volatilidade e à presença de sazonalidade. Tem sido demonstrado que, nesses casos, RNAs apresentam bom desempenho tanto na apreensão do comportamento dos dados como na sua previsão dentro dos limites de exatidão requeridos. Apesar do grande número de parâmetros de uma RNA, delineamentos têm sido usados com sucesso, porém a alta demanda de recursos humanos, computacionais, financeiros e de tempo são obstáculos para sua total exploração. Neste trabalho, implantou-se uma nova metodologia denominada Análise de Correlação em Plackett_Burman (Plackett_Burman Correlation Analysis ̶ PBCA) na parametrização de Redes Neurais Artificiais ̶ RNAs, com o propósito de modelar e prever Séries Temporais Univariadas Não Lineares. Esta é uma metodologia de seleção de variáveis significativas baseada no Delineamento de Experimentos (DOE) de Plackett_Burman com rebatimento e que propõe a análise de correlação entre as séries de resíduos, consideradas como sinais. Sua vantagem é requerer um número de experimentos menor que o Delineamento Fatorial Completo e ser capaz de identificar as significativas interações de segunda ordem entre todas as variáveis. Nesta tese, implementou-se esta nova metodologia PBCA na construção de RNAs previsoras para auxiliar os profissionais responsáveis por decisões tático-estratégicas baseadas em séries temporais. A metodologia foi aplicada a dois casos: (i) número de horas disponíveis para pesquisa em um observatório astronômico profissional de classe mundial e (ii) distribuição de carga elétrica fornecida a uma empresa brasileira, com o objetivo de fornecer previsões de curtíssimo e curto prazos para a tomada de decisões sobre o melhor uso das infraestruturas envolvidas. Ambas as séries foram primeiramente estudadas através da aplicação de técnicas e modelos ditos “clássicos” a fim de estabelecer benchmarking para comparação. Os resultados deste trabalho sugerem a adequação apenas parcial da metodologia para estes fins. Não é possível aplicar a PBCA totalmente devido (i) à maneira de definir as RNAs, (ii) ao fato do processo não ser modelável, afinal e (iii) à impossibilidade de uso das interações de ordem dois entre as variáveis significativas no software Statistica®. São também apresentados possíveis desdobramentos da pesquisa e aplicações em outras áreas do conhecimento.
