NEURAL NETWORK AND DYNAMIC REGRESSION: A HYBRID MODEL TO FORECAST THE SHORT TERM DEMAND OF PETROL IN BRAZIL
Ano de defesa: | 2000 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | , , |
Tipo de documento: | Dissertação |
Tipo de acesso: | Acesso aberto |
Idioma: | por |
Instituição de defesa: |
PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO
|
Programa de Pós-Graduação: |
PPG EM ENGENHARIA ELÉTRICA
|
Departamento: |
Não Informado pela instituição
|
País: |
BR
|
Link de acesso: | https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=7457@1 https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=7457@2 |
Resumo: | Nesta dissertação é desenvolvido um modelo para previsão de curto prazo da demanda mensal de gasolina automotiva no Brasil. A metodologia usada consiste em, a partir de uma análise exploratória dos dados, procurar construir um modelo usando uma estratégia bottom-up, ou seja, parte-se de um modelo simples e processa-se seu refinamento até encontrar um modelo apropriado que mais se adequa à realidade. Partiu-se então de um modelo autoprojetivo indo até uma formulação de Redes Neurais passando por um modelo de regressão dinâmica. Os modelos são então comparados segundo alguns critérios, basicamente no que tange à sua eficiência preditiva. Conclui-se ao final sobre a eficiência de se conjugar modelos estatísticos clássicos (como Box & Jenkins e Regressão Dinâmica) com as chamadas Redes Neurais que, por sua vez, propiciaram resultados muito bons em relação à otimização das previsões. Isto é altamente desejável na modelagem de séries temporais e, em particular, neste trabalho, na previsão de curto prazo de gasolina automotiva. |
id |
PUC_RIO-1_3c646cc25ce89b0ae0278d15999b26de |
---|---|
oai_identifier_str |
oai:MAXWELL.puc-rio.br:7457 |
network_acronym_str |
PUC_RIO-1 |
network_name_str |
Repositório Institucional da PUC-RIO (Projeto Maxwell) |
repository_id_str |
|
spelling |
info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisNEURAL NETWORK AND DYNAMIC REGRESSION: A HYBRID MODEL TO FORECAST THE SHORT TERM DEMAND OF PETROL IN BRAZILREDES NEURAIS E REGRESSÃO DINÂMICA: UM MODELO HÍBRIDO PARA PREVISÃO DE CURTO PRAZO DA DEMANDA DE GASOLINA AUTOMOTIVA NO BRASIL2000-04-28REINALDO CASTRO SOUZA09951768687lattes.cnpq.brREINALDO CASTRO SOUZA09951768687lattes.cnpq.brCARLOS EDUARDO PEDREIRAREINALDO CASTRO SOUZAREINALDO CASTRO SOUZAMONICA BARROSMONICA BARROS80499660625ALEXANDRE ZANINIPONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIROPPG EM ENGENHARIA ELÉTRICAPUC-RioBRNesta dissertação é desenvolvido um modelo para previsão de curto prazo da demanda mensal de gasolina automotiva no Brasil. A metodologia usada consiste em, a partir de uma análise exploratória dos dados, procurar construir um modelo usando uma estratégia bottom-up, ou seja, parte-se de um modelo simples e processa-se seu refinamento até encontrar um modelo apropriado que mais se adequa à realidade. Partiu-se então de um modelo autoprojetivo indo até uma formulação de Redes Neurais passando por um modelo de regressão dinâmica. Os modelos são então comparados segundo alguns critérios, basicamente no que tange à sua eficiência preditiva. Conclui-se ao final sobre a eficiência de se conjugar modelos estatísticos clássicos (como Box & Jenkins e Regressão Dinâmica) com as chamadas Redes Neurais que, por sua vez, propiciaram resultados muito bons em relação à otimização das previsões. Isto é altamente desejável na modelagem de séries temporais e, em particular, neste trabalho, na previsão de curto prazo de gasolina automotiva. In this dissertation a short term model to forecast automotive gasoline demand in Brazil is proposed. From the methodology point of view, data is analyzed and a model using a bottom-up strategy is developed. In other words, a simple model is improved step by step until a proper model that sits well the reality is found. Departuring from a univariate model it ends up in a neural network formulation, passing through dynamic regression models. The models obtained in this scheme are compared according to some criterion, mainly forecast accuracy. We conclude, that the efficiency of putting together classical statistics models (such as Box & Jenkins and dynamic regression) and neural networks improve the forecasting results. This results is highly desirable in modeling time series and, particularly, to the short term forecast of automotive gasoline, object of this dissertation. CONSELHO NACIONAL DE DESENVOLVIMENTO CIENTÍFICO E TECNOLÓGICOhttps://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=7457@1https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=7457@2porreponame:Repositório Institucional da PUC-RIO (Projeto Maxwell)instname:Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)instacron:PUC_RIOinfo:eu-repo/semantics/openAccess2023-06-26T08:52:07ZRepositório InstitucionalPRI |
dc.title.en.fl_str_mv |
NEURAL NETWORK AND DYNAMIC REGRESSION: A HYBRID MODEL TO FORECAST THE SHORT TERM DEMAND OF PETROL IN BRAZIL |
dc.title.alternative.pt.fl_str_mv |
REDES NEURAIS E REGRESSÃO DINÂMICA: UM MODELO HÍBRIDO PARA PREVISÃO DE CURTO PRAZO DA DEMANDA DE GASOLINA AUTOMOTIVA NO BRASIL |
title |
NEURAL NETWORK AND DYNAMIC REGRESSION: A HYBRID MODEL TO FORECAST THE SHORT TERM DEMAND OF PETROL IN BRAZIL |
spellingShingle |
NEURAL NETWORK AND DYNAMIC REGRESSION: A HYBRID MODEL TO FORECAST THE SHORT TERM DEMAND OF PETROL IN BRAZIL ALEXANDRE ZANINI |
title_short |
NEURAL NETWORK AND DYNAMIC REGRESSION: A HYBRID MODEL TO FORECAST THE SHORT TERM DEMAND OF PETROL IN BRAZIL |
title_full |
NEURAL NETWORK AND DYNAMIC REGRESSION: A HYBRID MODEL TO FORECAST THE SHORT TERM DEMAND OF PETROL IN BRAZIL |
title_fullStr |
NEURAL NETWORK AND DYNAMIC REGRESSION: A HYBRID MODEL TO FORECAST THE SHORT TERM DEMAND OF PETROL IN BRAZIL |
title_full_unstemmed |
NEURAL NETWORK AND DYNAMIC REGRESSION: A HYBRID MODEL TO FORECAST THE SHORT TERM DEMAND OF PETROL IN BRAZIL |
title_sort |
NEURAL NETWORK AND DYNAMIC REGRESSION: A HYBRID MODEL TO FORECAST THE SHORT TERM DEMAND OF PETROL IN BRAZIL |
dc.creator.Lattes.none.fl_str_mv |
|
author |
ALEXANDRE ZANINI |
author_facet |
ALEXANDRE ZANINI |
author_role |
author |
dc.contributor.advisor2ID.none.fl_str_mv |
09951768687 |
dc.contributor.advisor1.fl_str_mv |
REINALDO CASTRO SOUZA |
dc.contributor.advisor1ID.fl_str_mv |
09951768687 |
dc.contributor.advisor1Lattes.fl_str_mv |
lattes.cnpq.br |
dc.contributor.advisor2.fl_str_mv |
REINALDO CASTRO SOUZA |
dc.contributor.advisor2Lattes.fl_str_mv |
lattes.cnpq.br |
dc.contributor.referee1.fl_str_mv |
CARLOS EDUARDO PEDREIRA |
dc.contributor.referee2.fl_str_mv |
REINALDO CASTRO SOUZA |
dc.contributor.referee3.fl_str_mv |
REINALDO CASTRO SOUZA |
dc.contributor.referee4.fl_str_mv |
MONICA BARROS |
dc.contributor.referee5.fl_str_mv |
MONICA BARROS |
dc.contributor.authorID.fl_str_mv |
80499660625 |
dc.contributor.author.fl_str_mv |
ALEXANDRE ZANINI |
contributor_str_mv |
REINALDO CASTRO SOUZA REINALDO CASTRO SOUZA CARLOS EDUARDO PEDREIRA REINALDO CASTRO SOUZA REINALDO CASTRO SOUZA MONICA BARROS MONICA BARROS |
description |
Nesta dissertação é desenvolvido um modelo para previsão de curto prazo da demanda mensal de gasolina automotiva no Brasil. A metodologia usada consiste em, a partir de uma análise exploratória dos dados, procurar construir um modelo usando uma estratégia bottom-up, ou seja, parte-se de um modelo simples e processa-se seu refinamento até encontrar um modelo apropriado que mais se adequa à realidade. Partiu-se então de um modelo autoprojetivo indo até uma formulação de Redes Neurais passando por um modelo de regressão dinâmica. Os modelos são então comparados segundo alguns critérios, basicamente no que tange à sua eficiência preditiva. Conclui-se ao final sobre a eficiência de se conjugar modelos estatísticos clássicos (como Box & Jenkins e Regressão Dinâmica) com as chamadas Redes Neurais que, por sua vez, propiciaram resultados muito bons em relação à otimização das previsões. Isto é altamente desejável na modelagem de séries temporais e, em particular, neste trabalho, na previsão de curto prazo de gasolina automotiva. |
publishDate |
2000 |
dc.date.issued.fl_str_mv |
2000-04-28 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=7457@1 https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=7457@2 |
url |
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=7457@1 https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=7457@2 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO |
dc.publisher.program.fl_str_mv |
PPG EM ENGENHARIA ELÉTRICA |
dc.publisher.initials.fl_str_mv |
PUC-Rio |
dc.publisher.country.fl_str_mv |
BR |
publisher.none.fl_str_mv |
PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da PUC-RIO (Projeto Maxwell) instname:Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO) instacron:PUC_RIO |
instname_str |
Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO) |
instacron_str |
PUC_RIO |
institution |
PUC_RIO |
reponame_str |
Repositório Institucional da PUC-RIO (Projeto Maxwell) |
collection |
Repositório Institucional da PUC-RIO (Projeto Maxwell) |
repository.name.fl_str_mv |
|
repository.mail.fl_str_mv |
|
_version_ |
1776626291721633792 |