dc.creator |
BIANCHESI, Natália Maria Puggina |
|
dc.date.issued |
2022-12-12 |
|
dc.identifier.uri |
https://repositorio.unifei.edu.br/jspui/handle/123456789/3730 |
|
dc.description.abstract |
Nonlinear time series forecasting is widely used in several areas to make good inferences
about the future and to support decisions. Many examples of nonlinear time series include
medical observations, financial recordings, and weather data. The accuracy of forecasts
is determined by considering how well a model performs on new data that were not used
when fitting the model and the monitoring of forecast errors is essential to ensure
forecasting accuracy. Therefore, this thesis presents a nonlinear time series prediction
methodology using Neural Networks and Tracking Signals method to detect bias and their
responsiveness to non-random changes in the time series. Datasets were generated to
simulate different nonlinear time series by changing the error of the series. The datasets
were predicted by Artificial Neural Network, Multilayer Perceptron, and the forecast
errors were monitored by Cumulative Sum Tracking Signals. Different from many studies
published in the area, the statistical methodology of Design of Experiments was applied
to evaluate the tracking signals based on Average Run Length. After, the methodology
was applied in data based on total oil and grease and it was compared with the application
of other traditional methodologies. The results showed that the proposed prediction
methodology is an effective way to detect bias in the process when an error is introduced
in the nonlinear time series because the mean and the standard deviation of the error have
a significant impact on the Average Run Length. This study contributes to a discussion
about time series prediction methodology since this new technique could be widely used
in several areas to improve forecast accuracy. |
pt_BR |
dc.language |
por |
pt_BR |
dc.publisher |
Universidade Federal de Itajubá |
pt_BR |
dc.rights |
Acesso Aberto |
pt_BR |
dc.subject |
Séries temporais não lineares |
pt_BR |
dc.subject |
Previsão de séries temporais |
pt_BR |
dc.subject |
Redes neurais |
pt_BR |
dc.subject |
Sinais de rastreamento |
pt_BR |
dc.subject |
Planejamento de Experimentos |
pt_BR |
dc.title |
Previsão de séries temporais não lineares baseada em redes neurais e sinais de rastreamento |
pt_BR |
dc.type |
Tese |
pt_BR |
dc.date.available |
2023-06-02 |
|
dc.date.available |
2023-06-02T17:04:37Z |
|
dc.date.accessioned |
2023-06-02T17:04:37Z |
|
dc.creator.Lattes |
http://lattes.cnpq.br/7854890221145862 |
pt_BR |
dc.contributor.advisor1 |
COSTA, Antônio Fernando Branco |
|
dc.contributor.advisor1Lattes |
http://lattes.cnpq.br/6100382011052492 |
pt_BR |
dc.contributor.advisor-co1 |
BALESTRASSI, Pedro Paulo |
|
dc.contributor.advisor-co1Lattes |
http://lattes.cnpq.br/8999535447828760 |
pt_BR |
dc.description.resumo |
A previsão de séries temporais não lineares é amplamente utilizada em diversas áreas do
conhecimento para fazer boas inferências sobre o futuro e apoiar decisões. Muitos
exemplos de séries temporais não lineares incluem observações médicas, registros
financeiros e dados meteorológicos. A precisão das previsões é determinada considerando
o desempenho do modelo em novos dados que não foram usados no ajuste do modelo e
o monitoramento dos erros de previsão é essencial para garantir a precisão da previsão.
Portanto, esta tese apresenta uma metodologia de previsão de séries temporais não
lineares utilizando Redes Neurais e Sinais de Rastreamento para detectar viés e sua
responsividade a mudanças não aleatórias na série temporal. Os conjuntos de dados foram
gerados de modo a simular diferentes situações com base em séries temporais não
lineares, alterando o erro da série; os conjuntos de dados também foram previstos por
Rede Neural Artificial, Multilayer Perceptron, e os erros de previsão foram monitorados
pelos Sinais de Rastreamento, Cumulative Sum Tracking Signals. Diferente de muitos
estudos publicados na área, a metodologia de Planejamento de Experimentos foi aplicada
para avaliar os sinais de rastreamento com base no número médio de observações. Em
seguida, a metodologia foi aplicada em dados baseados em óleo e graxa total e comparada
com a aplicação de outras metodologias tradicionais. Os resultados mostraram que a
metodologia de previsão proposta é uma forma eficaz de detectar viés no processo quando
um erro é introduzido na série temporal não linear devido à média e ao desvio padrão do
erro ter um impacto significativo no Número Médio de Observações. Este estudo
contribui para uma discussão sobre a metodologia de previsão de séries temporais, uma
vez que esta nova técnica pode ser amplamente utilizada em diversas áreas para melhorar
a precisão das previsões. |
pt_BR |
dc.publisher.country |
Brasil |
pt_BR |
dc.publisher.department |
IEPG - Instituto de Engenharia de Produção e Gestão |
pt_BR |
dc.publisher.program |
Programa de Pós-Graduação: Doutorado - Engenharia de Produção |
pt_BR |
dc.publisher.initials |
UNIFEI |
pt_BR |
dc.subject.cnpq |
CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUÇÃO |
pt_BR |
dc.relation.references |
BIANCHESI, Natália Maria Puggina Previsão de séries temporais não lineares baseada em redes neurais e sinais de rastreamento. 2022. 83 f. Tese (Doutorado em Engenharia de Produção) – Universidade Federal de Itajubá, Itajubá, 2022. |
pt_BR |