THE USE OF DECISION TREES, NEURAL NETWORKS AND KNN SYSTEMS TO AUTOMATICALLY IDENTIFY BOX & JENKINS NON-SEASONAL AND SEASONAL STRUCTURES
Ano de defesa: | 2005 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | , , , |
Tipo de documento: | Tese |
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=7587@1 https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=7587@2 |
Resumo: | A metodologia Box & Jenkins tem sido mais utilizada para fazer previsões do que outros métodos até então. Alguns analistas têm relutado, entretanto, em usar esta metodologia, em parte porque a identificação da estrutura adequada é uma tarefa complexa. O reconhecimento tanto dos padrões de comportamento das funções de autocorrelação quanto da autocorrelação parcial (teórica/estimada) dependem da série temporal através da qual é possível extraí-las. Uma vez obtidos os resultados, pode-se inferir qual o tipo de estrutura Box & Jenkins adequada para a série. A proposta do trabalho é desenvolver três novas metodologias de identificação automática das estruturas Box & Jenkins ARMA simples e/ou sazonais, identificar os filtros sazonal e linear da série de uma forma menos complexa. A primeira metodologia utiliza árvores de decisão, a segunda, redes neurais e a terceira, K-Nearest Neighbor (KNN). A estas metodologias serão utilizadas as estruturas Box & Jenkins sazonais de períodos 3, 4, 6 e 12 e não sazonais. Os resultados são aplicados a séries simuladas, bem como a séries reais. Como comparação, utilizou-se o método automático de identificação proposto no software FPW-XE. |
id |
PUC_RIO-1_7a9a8f6a1846e01ab0c984deadd033b3 |
---|---|
oai_identifier_str |
oai:MAXWELL.puc-rio.br:7587 |
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/doctoralThesisTHE USE OF DECISION TREES, NEURAL NETWORKS AND KNN SYSTEMS TO AUTOMATICALLY IDENTIFY BOX & JENKINS NON-SEASONAL AND SEASONAL STRUCTURES UMA APLICAÇÃO DE ÁRVORES DE DECISÃO, REDES NEURAIS E KNN PARA A IDENTIFICAÇÃO DE MODELOS ARMA NÃO-SAZONAIS E SAZONAIS 2005-09-05REINALDO CASTRO SOUZA09951768687lattes.cnpq.brREINALDO CASTRO SOUZA09951768687lattes.cnpq.brRICARDO TANSCHEITREINALDO CASTRO SOUZAREINALDO CASTRO SOUZAFLAVIO JOAQUIM DE SOUZAANTONIO DE ARAUJO FREITAS JUNIOR85827320749LUIZA MARIA OLIVEIRA DA SILVAPONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIROPPG EM ENGENHARIA ELÉTRICAPUC-RioBRA metodologia Box & Jenkins tem sido mais utilizada para fazer previsões do que outros métodos até então. Alguns analistas têm relutado, entretanto, em usar esta metodologia, em parte porque a identificação da estrutura adequada é uma tarefa complexa. O reconhecimento tanto dos padrões de comportamento das funções de autocorrelação quanto da autocorrelação parcial (teórica/estimada) dependem da série temporal através da qual é possível extraí-las. Uma vez obtidos os resultados, pode-se inferir qual o tipo de estrutura Box & Jenkins adequada para a série. A proposta do trabalho é desenvolver três novas metodologias de identificação automática das estruturas Box & Jenkins ARMA simples e/ou sazonais, identificar os filtros sazonal e linear da série de uma forma menos complexa. A primeira metodologia utiliza árvores de decisão, a segunda, redes neurais e a terceira, K-Nearest Neighbor (KNN). A estas metodologias serão utilizadas as estruturas Box & Jenkins sazonais de períodos 3, 4, 6 e 12 e não sazonais. Os resultados são aplicados a séries simuladas, bem como a séries reais. Como comparação, utilizou-se o método automático de identificação proposto no software FPW-XE.The Box & Jenkins is the most popular forecasting technique. However, some researchers have not embraced it because the identification of its structure is highly complex. The process of proper characterizing the properties of both autocorrelation functions and partial correlation (theoretical or estimated) depends on the time series from which they are being obtained. Given the results in question, it is possible to infer the proper Box & Jenkins structure for the time series being studied. For the reasons above, the goal of this dissertation is to develop three new methodologies to identifying, in an automatic fashion, the Box & Jenkins structure of an ARMA series. The methodologies identify, in a simpler manner, both the seasonal and linear filters of the series. The first methodology applies the decision tree. The second applies the neural networks. The third applies the K-Nearest Neighbor (KNN). In each of them the Box & Jenkins seasonal structures of 3, 4, 6 and 12 periods were used, as well as the nonseasonal structure. The results are applied to simulated and actual series. For comparison purposes, the automatic identification procedure of the software FPW-XE is also used.COORDENAÇÃO DE APERFEIÇOAMENTO DO PESSOAL DE ENSINO SUPERIORhttps://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=7587@1https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=7587@2porreponame:Repositório Institucional da PUC-RIO (Projeto Maxwell)instname:Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)instacron:PUC_RIOinfo:eu-repo/semantics/openAccess2023-06-26T08:55:38ZRepositório InstitucionalPRI |
dc.title.en.fl_str_mv |
THE USE OF DECISION TREES, NEURAL NETWORKS AND KNN SYSTEMS TO AUTOMATICALLY IDENTIFY BOX & JENKINS NON-SEASONAL AND SEASONAL STRUCTURES |
dc.title.alternative.pt.fl_str_mv |
UMA APLICAÇÃO DE ÁRVORES DE DECISÃO, REDES NEURAIS E KNN PARA A IDENTIFICAÇÃO DE MODELOS ARMA NÃO-SAZONAIS E SAZONAIS |
title |
THE USE OF DECISION TREES, NEURAL NETWORKS AND KNN SYSTEMS TO AUTOMATICALLY IDENTIFY BOX & JENKINS NON-SEASONAL AND SEASONAL STRUCTURES |
spellingShingle |
THE USE OF DECISION TREES, NEURAL NETWORKS AND KNN SYSTEMS TO AUTOMATICALLY IDENTIFY BOX & JENKINS NON-SEASONAL AND SEASONAL STRUCTURES LUIZA MARIA OLIVEIRA DA SILVA |
title_short |
THE USE OF DECISION TREES, NEURAL NETWORKS AND KNN SYSTEMS TO AUTOMATICALLY IDENTIFY BOX & JENKINS NON-SEASONAL AND SEASONAL STRUCTURES |
title_full |
THE USE OF DECISION TREES, NEURAL NETWORKS AND KNN SYSTEMS TO AUTOMATICALLY IDENTIFY BOX & JENKINS NON-SEASONAL AND SEASONAL STRUCTURES |
title_fullStr |
THE USE OF DECISION TREES, NEURAL NETWORKS AND KNN SYSTEMS TO AUTOMATICALLY IDENTIFY BOX & JENKINS NON-SEASONAL AND SEASONAL STRUCTURES |
title_full_unstemmed |
THE USE OF DECISION TREES, NEURAL NETWORKS AND KNN SYSTEMS TO AUTOMATICALLY IDENTIFY BOX & JENKINS NON-SEASONAL AND SEASONAL STRUCTURES |
title_sort |
THE USE OF DECISION TREES, NEURAL NETWORKS AND KNN SYSTEMS TO AUTOMATICALLY IDENTIFY BOX & JENKINS NON-SEASONAL AND SEASONAL STRUCTURES |
dc.creator.Lattes.none.fl_str_mv |
|
author |
LUIZA MARIA OLIVEIRA DA SILVA |
author_facet |
LUIZA MARIA OLIVEIRA DA SILVA |
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 |
RICARDO TANSCHEIT |
dc.contributor.referee2.fl_str_mv |
REINALDO CASTRO SOUZA |
dc.contributor.referee3.fl_str_mv |
REINALDO CASTRO SOUZA |
dc.contributor.referee4.fl_str_mv |
FLAVIO JOAQUIM DE SOUZA |
dc.contributor.referee5.fl_str_mv |
ANTONIO DE ARAUJO FREITAS JUNIOR |
dc.contributor.authorID.fl_str_mv |
85827320749 |
dc.contributor.author.fl_str_mv |
LUIZA MARIA OLIVEIRA DA SILVA |
contributor_str_mv |
REINALDO CASTRO SOUZA REINALDO CASTRO SOUZA RICARDO TANSCHEIT REINALDO CASTRO SOUZA REINALDO CASTRO SOUZA FLAVIO JOAQUIM DE SOUZA ANTONIO DE ARAUJO FREITAS JUNIOR |
description |
A metodologia Box & Jenkins tem sido mais utilizada para fazer previsões do que outros métodos até então. Alguns analistas têm relutado, entretanto, em usar esta metodologia, em parte porque a identificação da estrutura adequada é uma tarefa complexa. O reconhecimento tanto dos padrões de comportamento das funções de autocorrelação quanto da autocorrelação parcial (teórica/estimada) dependem da série temporal através da qual é possível extraí-las. Uma vez obtidos os resultados, pode-se inferir qual o tipo de estrutura Box & Jenkins adequada para a série. A proposta do trabalho é desenvolver três novas metodologias de identificação automática das estruturas Box & Jenkins ARMA simples e/ou sazonais, identificar os filtros sazonal e linear da série de uma forma menos complexa. A primeira metodologia utiliza árvores de decisão, a segunda, redes neurais e a terceira, K-Nearest Neighbor (KNN). A estas metodologias serão utilizadas as estruturas Box & Jenkins sazonais de períodos 3, 4, 6 e 12 e não sazonais. Os resultados são aplicados a séries simuladas, bem como a séries reais. Como comparação, utilizou-se o método automático de identificação proposto no software FPW-XE. |
publishDate |
2005 |
dc.date.issued.fl_str_mv |
2005-09-05 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=7587@1 https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=7587@2 |
url |
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=7587@1 https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=7587@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_ |
1776626292209221632 |