Previsão de receitas de ICMS do estado do Espírito Santo através de Seleção de Características em Cascata e técnicas de Aprendizado de Máquina

  • Marcelo do Carmo Instituto Federal do Espírito Santo
  • Francisco Boldt Instituto Federal do Espírito Santo
  • Karin Komati Instituto Federal do Espírito Santo

Resumo


Dois métodos para prever a arrecadação do Imposto sobre Circulação de Mercadorias e Serviços (ICMS) no estado do Espírito Santo (ES) são propostos. O primeiro usa uma rede neural artificial com uma seleção de características em cascata, e o segundo usa uma combinação de métodos estatísticos. O método de aprendizagem de máquina proposto superou a rede neural univariada de referencia, com previsões em uma janela deslizante de seis meses a frente para épocas de teste em 2018. O combinado de métodos estatísticos superou na média todos os demais nas 120 épocas testadas.

Palavras-chave: ICMS, Previsão, Seleção de Características em Cascata

Referências

Assimakopoulos, V. and Nikolopoulos, K. International (2000). The theta model: a decomposition approach to forecasting. journal of forecasting, 16(4):521–530.

Braatz, J. and da Rocha Gonçalves, R. (2018). Impactos regionais assimétricos da política cambial sobre a arrecadação do icms no brasil: uma abordagem com o método var. Revista Estudo & Debate, 25(3).

Caruso, A. (2019). Macroeconomic news and market reaction: Surprise indexes meet nowcasting. International Journal of Forecasting.

Castanho, B. J. d. S. (2011). Modelos para previsão de receitas tributárias: o icms do estado do espírito santo. Master’s thesis, Universidade Federal do Espírito Santo.

Chen, T. and Guestrin, C. (2016). Xgboost: A scalable tree boIn Proceedings of the 22nd acm sigkdd international conference on osting system. knowledge discovery and data mining, pages 785–794. ACM.

Chollet, F. et al. (2015). Keras. https://keras.io.

de Assis Boldt, F., Rauber, T. W., and Varejao, F. M. (2017). Cascade feature selection and elm for automatic fault diagnosis of the tennessee eastman process. Neurocomputing, 239:238–248.

de Azevedo, R. R., da Silva, J. M., and Gatsios, R. C. (2017). Análise crítica dos modelos de previsão de série temporal com base no icms estadual. Revista de Gestão, Finanças e Contabilidade, 7(1):164–184.

Domingos Jr, S. d. O., de Holanda, L. G., and de Mattos Neto, P. S. (2018). Uma abordagem de combinação não-linear arima-svm para previsão de séries temporais.

Gautier, L. (2018). rpy2—r in python. Online https://bitbucket.org/rpy2/rpy2.

Gonçalves, V. H. and Rosa, J. L. (2018). Forecasting economic time series using chaotic neural networks. In Anais do XV Encontro Nacional de Inteligência Articial e Computacional, pages 823–834. SBC.

Hyndman, R. J. and Athanasopoulos, G. (2018). Forecasting: principles and practice. OTexts.

Hyndman, R. J., Khandakar, Y., et al. (2007). Automatic time series for forecasting: the forecast package for R. Number 6/07. Monash University, Department of Econometrics and Business Statistics.

Kingma, D. P. and Ba, J. (2014). Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980.

Makridakis, S. and Hibon, M. (2000). The m3-competition: results, conclusions and implications. International journal of forecasting, 16(4):451– 476.

Makridakis, S., Spiliotis, E., and Assimakopoulos, V. (2018a). International The m4 competition: Results, ndings, conclusion and way forward. Journal of Forecasting, 34(4):802–808.

Makridakis, S., Spiliotis, E., and Assimakopoulos, V. (2018b). Statistical and machine learning forecasting methods: Concerns and ways forward. PloS one, 13(3):e0194889.

Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., and Duchesnay, E. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12:2825–2830.

Raschka, S. (2018). Mlxtend: Providing machine learning and data science utilities and extensions to python’s scientic computing stack. J. Open Source Software, 3(24):638.

Ribeiro, L. (2010). Modelos mensal e trimestral para projeção de arrecadação do icms para o estado do espírito santo. Instituto Jones dos Santos Neves. Texto para Discussão, (10).

Sala, D. A., Jalalvand, A., Van Yperen-De Deyne, A., and Mannens, E. (2018). Multivariate time series for data-driven endpoint prediction in the basic oxygen furnace. In 2018 17th IEEE International Conference on Machine Learning and Applications (ICMLA), pages 1419–1426. IEEE.

Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., and Salakhutdinov, R. (2014). Dropout: a simple way to prevent neural networks from overtting. The journal of machine learning research, 15(1):1929–1958.
Publicado
15/10/2019
CARMO, Marcelo do; BOLDT, Francisco; KOMATI, Karin. Previsão de receitas de ICMS do estado do Espírito Santo através de Seleção de Características em Cascata e técnicas de Aprendizado de Máquina. In: ENCONTRO NACIONAL DE INTELIGÊNCIA ARTIFICIAL E COMPUTACIONAL (ENIAC), 16. , 2019, Salvador. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2019 . p. 118-129. ISSN 2763-9061. DOI: https://doi.org/10.5753/eniac.2019.9277.