Sistema Híbrido Inteligente Combinado com a Teoria da Perturbação para Previsão de Séries Temporais

• Paulo S. G. de Mattos Neto UFPE
• Aranildo Rodrigues L. J. UFRPE
• Tiago A. E. Ferreira UFRPE
• Germano C. Vasconcelos UFPE

Resumo

A maioria das abordagens na literatura para previsão de séries temporais utilizam apenas a própria série para realizar a previsão dos valores futuros, descartando a série de erros proveniente da diferença entre os dados reais e a previsão do modelo. Inspirado na Teoria da Perturbação, o Método Perturbative Time-lag Added Evolutionary Forecasting (Método P-TAEF) foi desenvolvido para introduzir a previsão das séries de erro em combinação com a previsão da série original na construção de um modelo mais eficiente e preciso. Experimentos foram realizados com o método P-TAEF e técnicas convencionais da IA, ilustrando a melhoria da perfomance na previsão de séries temporais.

Referências

Battiti, R. (1992). “One step secant conjugate gradient”. Neural Computation, 4:141–166.

de Mattos Neto, P. S. G., Petry, G. G., Andrade, R. A., Ferreira, T. A. E., and Vasconcelos, G. C. (2007). “Hybrid swarm system for time series forecasting”. In Anais do VI Encontro Nacional de Inteligência Artificial - VI ENIA, Rio de Janeiro - RJ. Sociedade Brasileira de Redes Neurais.

Ferreira, T. A. E., Vasconcelos, G. C., and Adeodato, P. J. L. (2008). “A new intelligent system methodology for time series forecasting with artificial neural networks”. Neural Processing Letters, 28:113–129.

Hakykin, S. (2002). Redes Neurais - Princípos e Prática. Bookman, Porto Alegre - Brasil, 2a edition.

Hénon, M. (1976). “A two-dimensional mapping with a stranger attractor”. Communications in Mathematical Physics, 50(1):69–77.

Kantz, H. and Schreiber, T. (2003). Nonlinear Time Series analysis. Cambridge University Press, New York, NY, USA, second edition.

Leung, F. H. F., Lam, H. K., Ling, S. H., and Tam, P. K. S. (2003). “Tuning of the structure and parametrs of the neural network using an improved genetic algorithm”. IEEE Transaction on Neural Networks, 14(1):79–88.

Moller, M. F. (1993). “A scaled conjugate gradient algorithm for fast supervised learning”. Neural Networks, 6:525–533.

Mor, J. J. (1977). “The levenberg-marquardt algorithm: Implementation and theory”. In Watson, G. A., editor, Numerical Analysis, volume 630 of Lecture Notes in Mathematics, pages 105–116, Berlin. Springer-Verlag.

Reidmiller, M. and Braun, H. (1993). “A direct adaptive method for faster backpropagation learng: The rprop algorithm”. In Proceedings of the IEEE Int. Conf. on Neural Networks (ICNN), pages 586–591, San Francisco.

Sakurai, J. J. (1994). Modern Quantum Mechanics. Addison-Wesley, Massachusetts.

Savit, R. and Green, M. (1991). “Time series and dependent variables”. Physica D, 50:95–116.