Utilização de Modelos Cognitivos na Previsão de Séries Temporais

  • Ademir Neto Universidade Federal Rural de Pernambuco
  • Maria Batista Universidade Federal Rural de Pernambuco
  • Paulo Firmino Universidade Federal do Cariri
  • Tiago Ferreira Universidade Federal Rural de Pernambuco

Resumo


Modelos cognitivos são usados como principais fontes de informação para modelagens de estudos onde dados empíricos são indisponíveis, escassos ou não possuem uma relevância considerável. Os modelos cognitivos são as opiniões de especialistas em relação a determinada variável de interesse com base nos seus conhecimentos e experiências. Existem algumas técnicas que buscam eduzir o conhecimento dos especialistas. Nesse artigo será utilizado o processo de edução do conhecimento. Esse processo é um conjunto de etapas que visa obter a opinião dos especialistas de maneira a melhorar fatores como acurácia das informações e reduzir possíveis vieses que os especialistas possam apresentar. Este trabalho visa comparar o desempenho de modelos cognitivos obtidos através da edução conhecimento e de modelos matemáticos em relação a sua acurácia na previsão de séries temporais.

Palavras-chave: Modelos Cognitivos, Modelos matemáticos, Elicitação do Conhecimento, ARIMA, Séries Temporais

Referências

B. M. Ayyub. Elicitation of expert opinions for uncertainty and risks. CRC press, 2001.

W. Barbosa dos Santos, A. L. Droguett, et al. Análise probabilística de riscos via redes bayesianas: Uma aplicação na construção de poços multilaterais. 2005.

G. Box. P. and jenkins, gm. Time series analysis: forecasting and control, 1970.

G. Box, G. M. Jenkins, and G. Reinsel. Time series analysis: Forecasting & control. 1994.

G. W. Brier. Verification of forecasts expressed in terms of probability. Monthly weather review, 78(1):1–3, 1950.
R. Clemen and T. Reilly. Making hard decisions with decisiontools. 2001.

N. J. Cooke. Varieties of knowledge elicitation techniques. International Journal of Human-Computer Studies, 41(6):801–849, 1994.

R. M. Cooke. Experts in uncertainty: opinion and subjective probability in science. 1991.

R. S. Ehlers. Análise de séries temporais. Laboratório de Estatística e Geoinformação. Universidade Federal do Paraná, 2007.

R. J. Ferreira, P. E. L. d. Oliveira, P. R. A. Firmino, and E. A. L. Droguett. Mapa estratégico para programas de recursos humanos: avaliando o desempenho de redes bayesianas. Gestão & Produção, 17(1), 2010.

P. R. A. Firmino and E. L. Droguett. An expert opinion elicitation method based on binary search and bayesian intervals. International Journal of Risk Assessment and Management, 18(3-4):336–362, 2015.

K. M. Ford and J. R. Adams-Webber. Knowledge acquisition and constructivist epistemology. In The psychology of expertise, pages 121–136. Springer, 1992.

P. H. Garthwaite, J. B. Kadane, and A. O’Hagan. Statistical methods for eliciting probability distributions. Journal of the American Statistical Association, 100(470):680–701, 2005.

J. Han. A goms-based granular computing model for human-computer interaction design. In Service Operations, Logistics, and Informatics (SOLI), 2011 IEEE International Conference on, pages 243–248. IEEE, 2011.

R. Hodge, M. Evans, J. Marshall, J. Quigley, and L. Walls. Eliciting engineering knowledge about reliability during design-lessons learnt from implementation. Quality and Reliability Engineering International, 17(3):169–179, 2001.

R. J. Hyndman and G. Athanasopoulos. Forecasting: principles and practice. OTexts, 2014.

A. James, S. L. Choy, and K. Mengersen. Elicitator: an expert elicitation tool for regression in ecology. Environmental Modelling & Software, 25(1):129–145, 2010.

G. Keren. Calibration and probability judgements: Conceptual and methodological issues. Acta Psychologica, 77(3):217–273, 1991.

G. Kirchgässner, J. Wolters, and U. Hassler. Introduction to modern time series analysis. Springer Science & Business Media, 2012.

M. Kynn. Designing elicitor: Software to graphically elicit expert priors for logistic regression models in ecology. Available from www.winbugs-development. org. uk, 2006.

M. Lawrence, P. Goodwin, M. O’Connor, and D. Onkal. Judgmental forecasting: A review of ¨ progress over the last 25years. International Journal of Forecasting, 22(3):493–518, 2006.

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

M. MatLab. The language of technical computing. The MathWorks, Inc. http://www.mathworks. com, 2012.

K. P. McCormack, M. Bronzo, and M. P. V. Oliveira. Uma abordagem probabilística para a avaliação de riscos em cadeias de suprimento. Revista Produção Online, 10(3):577–598, 2010.

A. O’Hagan, C. E. Buck, A. Daneshkhah, J. R. Eiser, P. H. Garthwaite, D. J. Jenkinson, J. E. Oakley, and T. Rakow. Uncertain judgements: eliciting experts’ probabilities. John Wiley & Sons, 2006.

A. O’Hagan. Probabilistic uncertainty specification: Overview, elaboration techniques and their application to a mechanistic model of carbon flux. Environmental Modelling & Software, 36:35–48, 2012.

N. Shadbolt and P. R. Smart. Knowledge elicitation: Methods, tools and techniques. 2015.
Publicado
17/05/2017
NETO, Ademir; BATISTA, Maria; FIRMINO, Paulo; FERREIRA, Tiago. Utilização de Modelos Cognitivos na Previsão de Séries Temporais. In: SIMPÓSIO BRASILEIRO DE SISTEMAS DE INFORMAÇÃO (SBSI), 13. , 2017, Lavras. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2017 . p. 88-95. DOI: https://doi.org/10.5753/sbsi.2017.6030.