Um Modelo Estocástico baseado em Redes Neurais
Resumo
Esse artigo apresenta a proposta de um modelo genérico de processo estocástico baseado em redes neurais, denominado Processo Estocástico Neural (PEN). O modelo proposto pode ser aplicado em problemas envolvendo fenômenos de comportamento estocástico e/ou com características periódicas. Através das redes neurais do PEN captura-se o comportamento da série histórica desses fenômenos, sem necessitar de informações a priori sobre a série, e gera-se séries temporais sintéticas igualmente prováveis à série histórica. O modelo PEN foi aplicado no tratamento de séries de afluências mensais e os resultados indicaram que as séries sintéticas geradas apresentam características estatísticas similares às séries históricas.Referências
Ons - operador nacional do sistema elétrico. [link].
Abelém, A. J. G. (1994). Redes neurais artificiais na previsão de séries temporais. Dissertação de mestrado, Pontífica Universidade Católica do Rio de Janeiro, Departamento de Engenharia Elétrica.
Batista, A. L. F. (2009). Modelos de séries temporais e redes neurais artificiais na previsão de vazão. Mestrado em engenharia de sistemas, Universidade Federal de Lavras, Lavras, Minas Gerais.
Bengio, Y., Simard, P., and Frasconi, P. (1994). Learning long-term dependencies with gradient descent is dificult. IEEE Transactions on Neural Networks, 5(2):157–166.
Fayal, M. A. A. (2008). Previsão de vazão por redes neurais artificiais e transformada wavelet. Dissertação de mestrado, Pontífica Universidade Católica do Rio de Janeiro, Departamento de Engenharia Elétrica.
Gutiérrez, J. L. C. (2003). Monitoramento da instrumentação da barragem de corumbá-i por redes neurais e modelos de box and jenkins. Dissertação de mestrado, Pontífica Universidade Católica do Rio de Janeiro, Departamento de Engenharia Civil.
Hagan, M. and Menhaj, M. (1994). Training feedforward networks with the marquardt algorithm. IEEE Transactions on Neural Networks,.
Haykin, S. (2001). Redes Neurais: Princípios e Prática. Bookman, Porto Alegre, RS.
Júnior, J. M. P. M. (2006). Redes neurais dinâmicas para predição e modelagem não-linear de séries temporais. Dissertação de mestrado, Universidade Federal do Ceará, Departamento de Engenharia de Teleinformática.
Lendasse, A. (2004). Time series prediction competition the cats benchmark. In International Joint Conference on Neural Networks (IJCNN’04), volume S.l., pages 1615–1620.
Luna, I., Ballini, R., and Soares, S. (2006). Técnica de identificação de modelos lineares e não-lineares de séries temporais. Revista Controle e Automação, 17(3):245–256.
Müller, D. (2007). Processos Estocásticos e Aplicações, volume Colecção Económicas - 2.a Série of Direito Financeiro E Tributário. Almedina.
Montgomery, D. C. and Runger, G. C. (1971). Estatística Aplicada e Probabilidade para Engenheiros. Editora LTC, Rio de Janeiro, RJ, 2a edição edition.
Narendra, K. S. and Parthasarathy, K. (1990). Identification and control of dynamical systems using neural networks. IEEE Transactions on Neural Networks, 1(1):4–27.
Pereira, M. V. F. and Pinto, L. M. V. G. (1984). Operation planning of large-scale hydroelectric systems. In Proc. 8th Power System Computation Cont.
Prudêncio, R. B. C. (2002). Projeto híbrido de redes neurais. Mestrado em ciências da computação, Universidade Federal de Pernambuco, Recife, PE.
Rumelhart, D. E., Hinton, G. E., and Williams, R. J. (1986). Learning representations by backpropagating errors. pages 533–536, Nature (London), 323.
Sanders, N. R. (1995). Managing the forecasting function. Industrial Managment and Data Systems, 95(4):12–18.
Tang, Z., Almeida, C., and Fishiwick, P. A. (1991). Time series forecasting using neural networks vs box-jenkins methodology. In Simulation, volume 57, pages 303–310.
Vemuri, V. R. and Rodgers, R. D. (1994). Artificial neural networks: Forecasting time series. IEEE Computer Society Press.
Zhao, H. (2009). A chaotic time series prediction based on neural network: Evidence from the shanghai composite index in china. In Test and Measurement, 2009. ICTM ’09. International Conference on, volume 2, pages 382 –385.
Abelém, A. J. G. (1994). Redes neurais artificiais na previsão de séries temporais. Dissertação de mestrado, Pontífica Universidade Católica do Rio de Janeiro, Departamento de Engenharia Elétrica.
Batista, A. L. F. (2009). Modelos de séries temporais e redes neurais artificiais na previsão de vazão. Mestrado em engenharia de sistemas, Universidade Federal de Lavras, Lavras, Minas Gerais.
Bengio, Y., Simard, P., and Frasconi, P. (1994). Learning long-term dependencies with gradient descent is dificult. IEEE Transactions on Neural Networks, 5(2):157–166.
Fayal, M. A. A. (2008). Previsão de vazão por redes neurais artificiais e transformada wavelet. Dissertação de mestrado, Pontífica Universidade Católica do Rio de Janeiro, Departamento de Engenharia Elétrica.
Gutiérrez, J. L. C. (2003). Monitoramento da instrumentação da barragem de corumbá-i por redes neurais e modelos de box and jenkins. Dissertação de mestrado, Pontífica Universidade Católica do Rio de Janeiro, Departamento de Engenharia Civil.
Hagan, M. and Menhaj, M. (1994). Training feedforward networks with the marquardt algorithm. IEEE Transactions on Neural Networks,.
Haykin, S. (2001). Redes Neurais: Princípios e Prática. Bookman, Porto Alegre, RS.
Júnior, J. M. P. M. (2006). Redes neurais dinâmicas para predição e modelagem não-linear de séries temporais. Dissertação de mestrado, Universidade Federal do Ceará, Departamento de Engenharia de Teleinformática.
Lendasse, A. (2004). Time series prediction competition the cats benchmark. In International Joint Conference on Neural Networks (IJCNN’04), volume S.l., pages 1615–1620.
Luna, I., Ballini, R., and Soares, S. (2006). Técnica de identificação de modelos lineares e não-lineares de séries temporais. Revista Controle e Automação, 17(3):245–256.
Müller, D. (2007). Processos Estocásticos e Aplicações, volume Colecção Económicas - 2.a Série of Direito Financeiro E Tributário. Almedina.
Montgomery, D. C. and Runger, G. C. (1971). Estatística Aplicada e Probabilidade para Engenheiros. Editora LTC, Rio de Janeiro, RJ, 2a edição edition.
Narendra, K. S. and Parthasarathy, K. (1990). Identification and control of dynamical systems using neural networks. IEEE Transactions on Neural Networks, 1(1):4–27.
Pereira, M. V. F. and Pinto, L. M. V. G. (1984). Operation planning of large-scale hydroelectric systems. In Proc. 8th Power System Computation Cont.
Prudêncio, R. B. C. (2002). Projeto híbrido de redes neurais. Mestrado em ciências da computação, Universidade Federal de Pernambuco, Recife, PE.
Rumelhart, D. E., Hinton, G. E., and Williams, R. J. (1986). Learning representations by backpropagating errors. pages 533–536, Nature (London), 323.
Sanders, N. R. (1995). Managing the forecasting function. Industrial Managment and Data Systems, 95(4):12–18.
Tang, Z., Almeida, C., and Fishiwick, P. A. (1991). Time series forecasting using neural networks vs box-jenkins methodology. In Simulation, volume 57, pages 303–310.
Vemuri, V. R. and Rodgers, R. D. (1994). Artificial neural networks: Forecasting time series. IEEE Computer Society Press.
Zhao, H. (2009). A chaotic time series prediction based on neural network: Evidence from the shanghai composite index in china. In Test and Measurement, 2009. ICTM ’09. International Conference on, volume 2, pages 382 –385.
Publicado
19/07/2011
Como Citar
CAMPOS, Luciana C. Dias; VELLASCO, Marley Maria B. R.; LAZO, Juan G. Lazo.
Um Modelo Estocástico baseado em Redes Neurais. In: ENCONTRO NACIONAL DE INTELIGÊNCIA ARTIFICIAL E COMPUTACIONAL (ENIAC), 8. , 2011, Natal/RN.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2011
.
p. 442-453.
ISSN 2763-9061.
