Modelos híbridos baseados em enxame de partículaspara previsão de séries temporais
Ano de defesa: | 2008 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | |
Tipo de documento: | Dissertação |
Tipo de acesso: | Acesso aberto |
Idioma: | por |
Instituição de defesa: |
Universidade Federal de Pernambuco
|
Programa de Pós-Graduação: |
Não Informado pela instituição
|
Departamento: |
Não Informado pela instituição
|
País: |
Não Informado pela instituição
|
Palavras-chave em Português: | |
Link de acesso: | https://repositorio.ufpe.br/handle/123456789/1626 |
Resumo: | Este trabalho investiga a otimização de Redes Neurais Artificiais (RNA) por métodos baseados em Enxame de Partículas (PSO) para a resolução do problema de previsão de séries temporais. O PSO, apesar de ser uma técnica linear, quando hibridizado com uma técnica não linear, como as redes neurais artificiais, formam um sistema híbrido inteligente (SHI) com um poderoso mecanismo de busca global(exploração) e local (explotação) capaz de capturar as características não lineares presentes em problemas complexos do mundo real. O problema de previsão de séries temporais é abordado através de diferentes modelos de otimização por enxame de partículas, que visam a ajustar os parâmetros livres das RNAs, ora de forma isolada, ora em conjunto com algoritmos de aprendizagem comumente encontrados na literatura. Cada um dos sistemas híbridos inteligentes baseados em PSO age de forma distinta para modelar o fenômeno gerador da série, sendo seu desempenho testado de acordo com um conjunto de cinco métricas robustas para análise de comportamento dos modelos na previsão de séries temporais. Diversos experimentos foram realizados sobre um conjunto de cinco séries temporais de complexidades distintas, sendo duas naturais (série de Manchas Solares e Série de Medidas de Brilho de uma Estrela) e três econômico-financeiras (série das cotações das ações da Petrobras, Índice Dow Jones Industrial Average, e Índice Standard & Poor 500), e os resultados obtidos com os modelos fundamentados em PSO são analisados e comparados com outros métodos clássicos baseados em redes neurais artificiais isoladas e com redes neurais conjugadas com algoritmos genéticos. Os experimentos com modelos baseados em enxames de partículas obtiveram bom desempenho quando comparados com técnicas já consolidadas na literatura (RNA e AG+RNA), mostrando-se capazes de auxiliar de forma significativa na resolução do problema de previsão |
id |
UFPE_1e90305f4cade6a0199fba0900c40883 |
---|---|
oai_identifier_str |
oai:repositorio.ufpe.br:123456789/1626 |
network_acronym_str |
UFPE |
network_name_str |
Repositório Institucional da UFPE |
repository_id_str |
|
spelling |
PETRY, Gustavo GalvãoVASCONCELOS, Germano Crispim2014-06-12T15:51:33Z2014-06-12T15:51:33Z2008-01-31Galvão Petry, Gustavo; Crispim Vasconcelos, Germano. Modelos híbridos baseados em enxame de partículaspara previsão de séries temporais. 2008. Dissertação (Mestrado). Programa de Pós-Graduação em Ciência da Computação, Universidade Federal de Pernambuco, Recife, 2008.https://repositorio.ufpe.br/handle/123456789/1626Este trabalho investiga a otimização de Redes Neurais Artificiais (RNA) por métodos baseados em Enxame de Partículas (PSO) para a resolução do problema de previsão de séries temporais. O PSO, apesar de ser uma técnica linear, quando hibridizado com uma técnica não linear, como as redes neurais artificiais, formam um sistema híbrido inteligente (SHI) com um poderoso mecanismo de busca global(exploração) e local (explotação) capaz de capturar as características não lineares presentes em problemas complexos do mundo real. O problema de previsão de séries temporais é abordado através de diferentes modelos de otimização por enxame de partículas, que visam a ajustar os parâmetros livres das RNAs, ora de forma isolada, ora em conjunto com algoritmos de aprendizagem comumente encontrados na literatura. Cada um dos sistemas híbridos inteligentes baseados em PSO age de forma distinta para modelar o fenômeno gerador da série, sendo seu desempenho testado de acordo com um conjunto de cinco métricas robustas para análise de comportamento dos modelos na previsão de séries temporais. Diversos experimentos foram realizados sobre um conjunto de cinco séries temporais de complexidades distintas, sendo duas naturais (série de Manchas Solares e Série de Medidas de Brilho de uma Estrela) e três econômico-financeiras (série das cotações das ações da Petrobras, Índice Dow Jones Industrial Average, e Índice Standard & Poor 500), e os resultados obtidos com os modelos fundamentados em PSO são analisados e comparados com outros métodos clássicos baseados em redes neurais artificiais isoladas e com redes neurais conjugadas com algoritmos genéticos. Os experimentos com modelos baseados em enxames de partículas obtiveram bom desempenho quando comparados com técnicas já consolidadas na literatura (RNA e AG+RNA), mostrando-se capazes de auxiliar de forma significativa na resolução do problema de previsãoporUniversidade Federal de PernambucoAttribution-NonCommercial-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessOtimização por Enxame de PartículasRedes Neurais ArtificiaisSistemas Híbridos InteligentesSéries TemporaisPrevisão de Séries TemporaisModelos híbridos baseados em enxame de partículaspara previsão de séries temporaisinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPELICENSElicense.txttext/plain1748https://repositorio.ufpe.br/bitstream/123456789/1626/1/license.txt8a4605be74aa9ea9d79846c1fba20a33MD51ORIGINALggp.pdfggp.pdfapplication/pdf4470709https://repositorio.ufpe.br/bitstream/123456789/1626/2/ggp.pdffad356d2ac8a02d7346da0bdd9cba7f2MD52TEXTggp.pdf.txtggp.pdf.txtExtracted texttext/plain206894https://repositorio.ufpe.br/bitstream/123456789/1626/3/ggp.pdf.txt2db5e46f225f5779c36b781d333b834eMD53THUMBNAILggp.pdf.jpgggp.pdf.jpgGenerated Thumbnailimage/jpeg1311https://repositorio.ufpe.br/bitstream/123456789/1626/4/ggp.pdf.jpgfb1eab96154b75480c2a391560c6a154MD54123456789/16262019-10-25 02:08:21.62oai:repositorio.ufpe.br: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Repositório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212019-10-25T05:08:21Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false |
dc.title.pt_BR.fl_str_mv |
Modelos híbridos baseados em enxame de partículaspara previsão de séries temporais |
title |
Modelos híbridos baseados em enxame de partículaspara previsão de séries temporais |
spellingShingle |
Modelos híbridos baseados em enxame de partículaspara previsão de séries temporais PETRY, Gustavo Galvão Otimização por Enxame de Partículas Redes Neurais Artificiais Sistemas Híbridos Inteligentes Séries Temporais Previsão de Séries Temporais |
title_short |
Modelos híbridos baseados em enxame de partículaspara previsão de séries temporais |
title_full |
Modelos híbridos baseados em enxame de partículaspara previsão de séries temporais |
title_fullStr |
Modelos híbridos baseados em enxame de partículaspara previsão de séries temporais |
title_full_unstemmed |
Modelos híbridos baseados em enxame de partículaspara previsão de séries temporais |
title_sort |
Modelos híbridos baseados em enxame de partículaspara previsão de séries temporais |
author |
PETRY, Gustavo Galvão |
author_facet |
PETRY, Gustavo Galvão |
author_role |
author |
dc.contributor.author.fl_str_mv |
PETRY, Gustavo Galvão |
dc.contributor.advisor1.fl_str_mv |
VASCONCELOS, Germano Crispim |
contributor_str_mv |
VASCONCELOS, Germano Crispim |
dc.subject.por.fl_str_mv |
Otimização por Enxame de Partículas Redes Neurais Artificiais Sistemas Híbridos Inteligentes Séries Temporais Previsão de Séries Temporais |
topic |
Otimização por Enxame de Partículas Redes Neurais Artificiais Sistemas Híbridos Inteligentes Séries Temporais Previsão de Séries Temporais |
description |
Este trabalho investiga a otimização de Redes Neurais Artificiais (RNA) por métodos baseados em Enxame de Partículas (PSO) para a resolução do problema de previsão de séries temporais. O PSO, apesar de ser uma técnica linear, quando hibridizado com uma técnica não linear, como as redes neurais artificiais, formam um sistema híbrido inteligente (SHI) com um poderoso mecanismo de busca global(exploração) e local (explotação) capaz de capturar as características não lineares presentes em problemas complexos do mundo real. O problema de previsão de séries temporais é abordado através de diferentes modelos de otimização por enxame de partículas, que visam a ajustar os parâmetros livres das RNAs, ora de forma isolada, ora em conjunto com algoritmos de aprendizagem comumente encontrados na literatura. Cada um dos sistemas híbridos inteligentes baseados em PSO age de forma distinta para modelar o fenômeno gerador da série, sendo seu desempenho testado de acordo com um conjunto de cinco métricas robustas para análise de comportamento dos modelos na previsão de séries temporais. Diversos experimentos foram realizados sobre um conjunto de cinco séries temporais de complexidades distintas, sendo duas naturais (série de Manchas Solares e Série de Medidas de Brilho de uma Estrela) e três econômico-financeiras (série das cotações das ações da Petrobras, Índice Dow Jones Industrial Average, e Índice Standard & Poor 500), e os resultados obtidos com os modelos fundamentados em PSO são analisados e comparados com outros métodos clássicos baseados em redes neurais artificiais isoladas e com redes neurais conjugadas com algoritmos genéticos. Os experimentos com modelos baseados em enxames de partículas obtiveram bom desempenho quando comparados com técnicas já consolidadas na literatura (RNA e AG+RNA), mostrando-se capazes de auxiliar de forma significativa na resolução do problema de previsão |
publishDate |
2008 |
dc.date.issued.fl_str_mv |
2008-01-31 |
dc.date.accessioned.fl_str_mv |
2014-06-12T15:51:33Z |
dc.date.available.fl_str_mv |
2014-06-12T15:51:33Z |
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.citation.fl_str_mv |
Galvão Petry, Gustavo; Crispim Vasconcelos, Germano. Modelos híbridos baseados em enxame de partículaspara previsão de séries temporais. 2008. Dissertação (Mestrado). Programa de Pós-Graduação em Ciência da Computação, Universidade Federal de Pernambuco, Recife, 2008. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufpe.br/handle/123456789/1626 |
identifier_str_mv |
Galvão Petry, Gustavo; Crispim Vasconcelos, Germano. Modelos híbridos baseados em enxame de partículaspara previsão de séries temporais. 2008. Dissertação (Mestrado). Programa de Pós-Graduação em Ciência da Computação, Universidade Federal de Pernambuco, Recife, 2008. |
url |
https://repositorio.ufpe.br/handle/123456789/1626 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
Attribution-NonCommercial-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Attribution-NonCommercial-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Pernambuco |
publisher.none.fl_str_mv |
Universidade Federal de Pernambuco |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFPE instname:Universidade Federal de Pernambuco (UFPE) instacron:UFPE |
instname_str |
Universidade Federal de Pernambuco (UFPE) |
instacron_str |
UFPE |
institution |
UFPE |
reponame_str |
Repositório Institucional da UFPE |
collection |
Repositório Institucional da UFPE |
bitstream.url.fl_str_mv |
https://repositorio.ufpe.br/bitstream/123456789/1626/1/license.txt https://repositorio.ufpe.br/bitstream/123456789/1626/2/ggp.pdf https://repositorio.ufpe.br/bitstream/123456789/1626/3/ggp.pdf.txt https://repositorio.ufpe.br/bitstream/123456789/1626/4/ggp.pdf.jpg |
bitstream.checksum.fl_str_mv |
8a4605be74aa9ea9d79846c1fba20a33 fad356d2ac8a02d7346da0bdd9cba7f2 2db5e46f225f5779c36b781d333b834e fb1eab96154b75480c2a391560c6a154 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE) |
repository.mail.fl_str_mv |
attena@ufpe.br |
_version_ |
1797782244166729728 |