UNIFEI - Campus 1: Itajubá PPG - Programas de Pós Graduação Dissertações
Use este identificador para citar ou linkar para este item: https://repositorio.unifei.edu.br/jspui/handle/123456789/1357
Tipo: Dissertação
Título: Análise comparativa entre os métodos auto-regressivo, integrado de médias móveis e rede neural artificial para previsão de séries temporais.
Autor(es): SAÚDE, Lara Moura Silva
Abstract: Problemas de previsão estão presentes em diversas áreas do conhecimento e para explorá-los podem ser utilizadas diferentes metodologias. Este trabalho busca comparar a habilidade de previsão de duas destas técnicas: método auto-regressivo integrado de médias móveis (ARIMA) e redes neurais artificiais (RNA). A primeira pode ser considerada como técnica padrão e já é consagrada como ferramenta de auxílio na tomada de decisões. A segunda tem sido utilizada em profusão para problemas similares e apresenta-se como alternativa à previsão de séries temporais, pois assume menos restrições de uso, apesar de exigir uma simulação computacional mais complexa. Este estudo tem como objetivo realizar uma análise comparativa de 27 problemas sedimentados, descritos no livro Introduction to Time Series Analysis and Forecasting escrito por Montgomery, Jennings e Kulahci. Para tal análise, foi calculado o erro MAPE (Mean absolute percentage error) de cada metodologia para todos os casos, possibilitando a comparação dos modelos. Através de teste estatístico, pôde identificar que a rede neural artificial resulta em um menor erro estatístico, com 95% de confiança a rede neural apresenta um MAPE inferior ao ARIMA, solucionando o problema inicial da pesquisa.
Citação: SAÚDE, Lara Moura Silva. Análise comparativa entre os métodos auto-regressivo, integrado de médias móveis e rede neural artificial para previsão de séries temporais. 2018. 114 f. Dissertação (Mestrado em Engenharia de Produção) – Universidade Federal de Itajubá, Itajubá, 2018.
URI: https://repositorio.unifei.edu.br/jspui/handle/123456789/1357
Data do documento: Abr-2018
Aparece nas coleções:Dissertações

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
dissertacao_2018075.pdf3.82 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.