Método de imputação incremental, simples e eficiente para dados ausentes em sistemas evolutivos

Detalhes bibliográficos
Ano de defesa: 2020
Autor(a) principal: Silva Júnior, Giovanni Amormino da
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Centro Federal de Educação Tecnológica de Minas Gerais
Programa de Pós-Graduação em Modelagem Matemática e Computacional
Brasil
CEFET-MG
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Computação evolutiva
Fuzzy (Inteligência artificial)
Lógica Fuzzy
Especificações de sistemas e programas
Link de acesso: https://repositorio.cefetmg.br//handle/123456789/1169
Resumo: Uma grande dificuldade enfrentada no desenvolvimento de aplicações que utilizam fluxos de dados para resolver problemas de previsão são os dados ausentes. Apesar de existirem técnicas para reduzir os impactos ocasionados por este problema, a maioria dos sistemas não são modelados de forma preventiva para possibilitar o tratamento adequado deste tipo de ocorrência. Neste contexto, este trabalho introduz uma nova abordagem denominada MDP (Missing Data Procedure) que possibilita que modelos evolutivos estimem as variáveis ausentes e, simultaneamente, realizem a previsão da saída utilizando todas as variáveis da amostra. A abordagem proposta foi implementada no eNFN (evolving Neo-Fuzzy Neuron) como um modelo de múltiplas entradas e múltiplas saídas e denominada eNFN-MDP. O MDP também foi implementado no ALMMo (Autonomous Learning Multi-Model), porém, como um modelo de múltiplas entradas e uma saída, chamado de ALMMo-MDP. Experimentos computacionais foram realizados em tarefas de previsão e identificação de sistemas não lineares em cenários de Ausência Completamente Aleatória (Missing Completely at Random – MCAR) e Ausência Aleatória (Missing at Random – MAR) para avaliar o desempenho do eNFN-MDP e do ALMMo-MDP. Os resultados obtidos foram comparados com métodos alternativos de imputação e mostraram que o eNFN-MDP e o ALMMo-MDP obtiveram um desempenho comparável ou superior ao das abordagens alternativas. Eles foram capazes de estimar as variáveis ausentes e realizar a previsão da saída com precisão. Portanto, os resultados experimentais sugerem a abordagem proposta como uma alternativa simples e eficiente como método de imputação para modelos evolutivos.
id CEFETMG_392a2736d4082e77a1db8a0e3271bc9f
oai_identifier_str oai:repositorio.cefetmg.br:123456789/1169
network_acronym_str CEFETMG
network_name_str Repositório Institucional do CEFET-MG
repository_id_str
spelling Método de imputação incremental, simples e eficiente para dados ausentes em sistemas evolutivosComputação evolutivaFuzzy (Inteligência artificial)Lógica FuzzyEspecificações de sistemas e programasUma grande dificuldade enfrentada no desenvolvimento de aplicações que utilizam fluxos de dados para resolver problemas de previsão são os dados ausentes. Apesar de existirem técnicas para reduzir os impactos ocasionados por este problema, a maioria dos sistemas não são modelados de forma preventiva para possibilitar o tratamento adequado deste tipo de ocorrência. Neste contexto, este trabalho introduz uma nova abordagem denominada MDP (Missing Data Procedure) que possibilita que modelos evolutivos estimem as variáveis ausentes e, simultaneamente, realizem a previsão da saída utilizando todas as variáveis da amostra. A abordagem proposta foi implementada no eNFN (evolving Neo-Fuzzy Neuron) como um modelo de múltiplas entradas e múltiplas saídas e denominada eNFN-MDP. O MDP também foi implementado no ALMMo (Autonomous Learning Multi-Model), porém, como um modelo de múltiplas entradas e uma saída, chamado de ALMMo-MDP. Experimentos computacionais foram realizados em tarefas de previsão e identificação de sistemas não lineares em cenários de Ausência Completamente Aleatória (Missing Completely at Random – MCAR) e Ausência Aleatória (Missing at Random – MAR) para avaliar o desempenho do eNFN-MDP e do ALMMo-MDP. Os resultados obtidos foram comparados com métodos alternativos de imputação e mostraram que o eNFN-MDP e o ALMMo-MDP obtiveram um desempenho comparável ou superior ao das abordagens alternativas. Eles foram capazes de estimar as variáveis ausentes e realizar a previsão da saída com precisão. Portanto, os resultados experimentais sugerem a abordagem proposta como uma alternativa simples e eficiente como método de imputação para modelos evolutivos.A great challenge in real-world applications driven use data streams to solve prediction problems is that of handling missing data. Although there are techniques to reduce the effects caused by this issue, most systems are not modeled in a preventive way to enable an adequate treatment of this type of occurrence. In this context, this work introduces a new approach called MDP (Missing Data Procedure). The proposed approach allow evolving systems to estimate missing values and, simultaneously, compute the output using all variables of the sample. The proposed approach was implemented in eNFN (evolving Neo-Fuzzy Neuron) as a model with multiple inputs and multiple outputs and called eNFNMDP. MDP was implemented in ALMMo (Autonomous Learning Multi-Model) as a model of multiple inputs and single output, called ALMMo-MDP. Computational experiments were performed aiming at forecasting and nonlinear systems identification in scenarios of Missing Completely at Random (MCAR) and Missing at Random (MAR) to evaluate the performance of eNFN-MDP and ALMMo-MDP. The results obtained were compared with alternative imputation methods. We have noticed that eNFN-MDP and ALMMo-MDP have similar or better performance than alternative approaches. They can estimate the missing values and accurately predict the output. Therefore, the experimental results suggest the proposed approach as a simple and efficient alternative for data imputation in evolving modeling.Centro Federal de Educação Tecnológica de Minas GeraisPrograma de Pós-Graduação em Modelagem Matemática e ComputacionalBrasilCEFET-MGSilva, Alisson Marques dahttp://lattes.cnpq.br/3856358583630209http://lattes.cnpq.br/4101804906796045Silva, Alisson Marques daLeite, Daniel FurtadoMaia, Eduardo Habib BechelaneRodrigues, Thiago de SouzaSilva Júnior, Giovanni Amormino da2025-04-11T12:11:58Z2020-11-302025-04-11T12:11:58Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://repositorio.cefetmg.br//handle/123456789/1169porreponame:Repositório Institucional do CEFET-MGinstname:Centro Federal de Educação Tecnológica de Minas Gerais (CEFET-MG)instacron:CEFETinfo:eu-repo/semantics/openAccess2026-03-31T14:54:42Zoai:repositorio.cefetmg.br:123456789/1169Repositório InstitucionalPUBhttps://repositorio.cefetmg.br/server/oai/requestrepositorio@cefetmg.bropendoar:2026-03-31T14:54:42Repositório Institucional do CEFET-MG - Centro Federal de Educação Tecnológica de Minas Gerais (CEFET-MG)false
dc.title.none.fl_str_mv Método de imputação incremental, simples e eficiente para dados ausentes em sistemas evolutivos
title Método de imputação incremental, simples e eficiente para dados ausentes em sistemas evolutivos
spellingShingle Método de imputação incremental, simples e eficiente para dados ausentes em sistemas evolutivos
Silva Júnior, Giovanni Amormino da
Computação evolutiva
Fuzzy (Inteligência artificial)
Lógica Fuzzy
Especificações de sistemas e programas
title_short Método de imputação incremental, simples e eficiente para dados ausentes em sistemas evolutivos
title_full Método de imputação incremental, simples e eficiente para dados ausentes em sistemas evolutivos
title_fullStr Método de imputação incremental, simples e eficiente para dados ausentes em sistemas evolutivos
title_full_unstemmed Método de imputação incremental, simples e eficiente para dados ausentes em sistemas evolutivos
title_sort Método de imputação incremental, simples e eficiente para dados ausentes em sistemas evolutivos
author Silva Júnior, Giovanni Amormino da
author_facet Silva Júnior, Giovanni Amormino da
author_role author
dc.contributor.none.fl_str_mv Silva, Alisson Marques da
http://lattes.cnpq.br/3856358583630209
http://lattes.cnpq.br/4101804906796045
Silva, Alisson Marques da
Leite, Daniel Furtado
Maia, Eduardo Habib Bechelane
Rodrigues, Thiago de Souza
dc.contributor.author.fl_str_mv Silva Júnior, Giovanni Amormino da
dc.subject.por.fl_str_mv Computação evolutiva
Fuzzy (Inteligência artificial)
Lógica Fuzzy
Especificações de sistemas e programas
topic Computação evolutiva
Fuzzy (Inteligência artificial)
Lógica Fuzzy
Especificações de sistemas e programas
description Uma grande dificuldade enfrentada no desenvolvimento de aplicações que utilizam fluxos de dados para resolver problemas de previsão são os dados ausentes. Apesar de existirem técnicas para reduzir os impactos ocasionados por este problema, a maioria dos sistemas não são modelados de forma preventiva para possibilitar o tratamento adequado deste tipo de ocorrência. Neste contexto, este trabalho introduz uma nova abordagem denominada MDP (Missing Data Procedure) que possibilita que modelos evolutivos estimem as variáveis ausentes e, simultaneamente, realizem a previsão da saída utilizando todas as variáveis da amostra. A abordagem proposta foi implementada no eNFN (evolving Neo-Fuzzy Neuron) como um modelo de múltiplas entradas e múltiplas saídas e denominada eNFN-MDP. O MDP também foi implementado no ALMMo (Autonomous Learning Multi-Model), porém, como um modelo de múltiplas entradas e uma saída, chamado de ALMMo-MDP. Experimentos computacionais foram realizados em tarefas de previsão e identificação de sistemas não lineares em cenários de Ausência Completamente Aleatória (Missing Completely at Random – MCAR) e Ausência Aleatória (Missing at Random – MAR) para avaliar o desempenho do eNFN-MDP e do ALMMo-MDP. Os resultados obtidos foram comparados com métodos alternativos de imputação e mostraram que o eNFN-MDP e o ALMMo-MDP obtiveram um desempenho comparável ou superior ao das abordagens alternativas. Eles foram capazes de estimar as variáveis ausentes e realizar a previsão da saída com precisão. Portanto, os resultados experimentais sugerem a abordagem proposta como uma alternativa simples e eficiente como método de imputação para modelos evolutivos.
publishDate 2020
dc.date.none.fl_str_mv 2020-11-30
2025-04-11T12:11:58Z
2025-04-11T12:11:58Z
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://repositorio.cefetmg.br//handle/123456789/1169
url https://repositorio.cefetmg.br//handle/123456789/1169
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.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Centro Federal de Educação Tecnológica de Minas Gerais
Programa de Pós-Graduação em Modelagem Matemática e Computacional
Brasil
CEFET-MG
publisher.none.fl_str_mv Centro Federal de Educação Tecnológica de Minas Gerais
Programa de Pós-Graduação em Modelagem Matemática e Computacional
Brasil
CEFET-MG
dc.source.none.fl_str_mv reponame:Repositório Institucional do CEFET-MG
instname:Centro Federal de Educação Tecnológica de Minas Gerais (CEFET-MG)
instacron:CEFET
instname_str Centro Federal de Educação Tecnológica de Minas Gerais (CEFET-MG)
instacron_str CEFET
institution CEFET
reponame_str Repositório Institucional do CEFET-MG
collection Repositório Institucional do CEFET-MG
repository.name.fl_str_mv Repositório Institucional do CEFET-MG - Centro Federal de Educação Tecnológica de Minas Gerais (CEFET-MG)
repository.mail.fl_str_mv repositorio@cefetmg.br
_version_ 1863183906366291968

Registros relacionados