Previsão de séries temporais usando modelos de composição de especialistas locais.
Ano de defesa: | 2003 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | |
Tipo de documento: | Dissertação |
Tipo de acesso: | Acesso aberto |
Idioma: | por |
Instituição de defesa: |
Instituto Tecnológico de Aeronáutica
|
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: | http://www.bd.bibl.ita.br/tde_busca/arquivo.php?codArquivo=2735 |
Resumo: | Este trabalho aborda a técnica de Composição de Especialistas Locais (CEL), que pode ser vista como uma técnica que realiza análise exploratória de dados e modelagem matemática simultaneamente. A técnica CEL pode ser aplicada para resolver problemas de previsão de séries temporais e reconhecimento de padrões. Dado um conjunto de pontos de dados de treinamento formados pelos pares (x, y) (x = entrada, y = saída), a idéia básica é a seguinte: 1) Primeiramente, considerando apenas a parte da entrada do conjunto de treinamento (x), uma rede neural de Kohonen é usada para dividir os dados em agrupamentos não-sobrepostos de pontos, 2) Várias técnicas de modelagens são então usadas para construir modelos concorrentes para cada agrupamento e considerando apenas os pares (x,y) daquele agrupamento, 3) O melhor modelo para cada agrupamento é selecionado e denominado de Modelo de Especialista Local. A Saída de todos os Modelos de Especialistas Locais são linearmente combinados pela Rede Supervisora que considera: 1) A distância dos pontos de dados x ao centro do agrupamento de dados usados para gerar o Modelo de cada Especialista Local, 2) A abrangência da região do espaço de entrada tomado por cada agrupamento de pontos de dados de treinamento. As seguintes técnicas de modelagem são utilizadas neste trabalho: Redes Neurais Artificiais (RNA), Análises de Regressão Múltipla (ARM) e Cópia Carbono (CC). Para comparação, o desempenho destas técnicas de modelagem são também avaliados quando usadas para construir modelos para todo o conjunto de dados de treinamento, isto é, sem usar qualquer técnica de agrupamento. Neste caso, os modelos são denominados de Modelos de Especialistas Globais. A técnica CEL é testada em experimentos computacionais usando as seguintes séries temporais que estão publicamente disponíveis na Internet: 1) A "Laser Data", assim chamada uma série temporal gerada num experimento de laboratório de física e usada em 1991 na Competição e Análises de Predição de Séries Temporais do Instituto Santa Fé, 2) Séries temporais de preços mensais e diários do açúcar (contrato 14) na Câmara de Comércio de Nova York (do inglês, New York Board Trade - NYBOT) |
id |
ITA_e8cc58debf1e2ef61a8e00552c5e64f5 |
---|---|
oai_identifier_str |
oai:agregador.ibict.br.BDTD_ITA:oai:ita.br:2735 |
network_acronym_str |
ITA |
network_name_str |
Biblioteca Digital de Teses e Dissertações do ITA |
spelling |
Previsão de séries temporais usando modelos de composição de especialistas locais.Redes neuraisModelos matemáticosAnálise de séries temporaisPrevisãoReconhecimento de padrõesInteligência artificialMatemática aplicadaAnálise estatísticaMatemática estatísticaMatemáticaEste trabalho aborda a técnica de Composição de Especialistas Locais (CEL), que pode ser vista como uma técnica que realiza análise exploratória de dados e modelagem matemática simultaneamente. A técnica CEL pode ser aplicada para resolver problemas de previsão de séries temporais e reconhecimento de padrões. Dado um conjunto de pontos de dados de treinamento formados pelos pares (x, y) (x = entrada, y = saída), a idéia básica é a seguinte: 1) Primeiramente, considerando apenas a parte da entrada do conjunto de treinamento (x), uma rede neural de Kohonen é usada para dividir os dados em agrupamentos não-sobrepostos de pontos, 2) Várias técnicas de modelagens são então usadas para construir modelos concorrentes para cada agrupamento e considerando apenas os pares (x,y) daquele agrupamento, 3) O melhor modelo para cada agrupamento é selecionado e denominado de Modelo de Especialista Local. A Saída de todos os Modelos de Especialistas Locais são linearmente combinados pela Rede Supervisora que considera: 1) A distância dos pontos de dados x ao centro do agrupamento de dados usados para gerar o Modelo de cada Especialista Local, 2) A abrangência da região do espaço de entrada tomado por cada agrupamento de pontos de dados de treinamento. As seguintes técnicas de modelagem são utilizadas neste trabalho: Redes Neurais Artificiais (RNA), Análises de Regressão Múltipla (ARM) e Cópia Carbono (CC). Para comparação, o desempenho destas técnicas de modelagem são também avaliados quando usadas para construir modelos para todo o conjunto de dados de treinamento, isto é, sem usar qualquer técnica de agrupamento. Neste caso, os modelos são denominados de Modelos de Especialistas Globais. A técnica CEL é testada em experimentos computacionais usando as seguintes séries temporais que estão publicamente disponíveis na Internet: 1) A "Laser Data", assim chamada uma série temporal gerada num experimento de laboratório de física e usada em 1991 na Competição e Análises de Predição de Séries Temporais do Instituto Santa Fé, 2) Séries temporais de preços mensais e diários do açúcar (contrato 14) na Câmara de Comércio de Nova York (do inglês, New York Board Trade - NYBOT)Instituto Tecnológico de AeronáuticaArmando Zeferino MilioniCairo Lúcio Nascimento JúniorBrício de Melo2003-00-00info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://www.bd.bibl.ita.br/tde_busca/arquivo.php?codArquivo=2735reponame:Biblioteca Digital de Teses e Dissertações do ITAinstname:Instituto Tecnológico de Aeronáuticainstacron:ITAporinfo:eu-repo/semantics/openAccessapplication/pdf2019-02-02T14:04:56Zoai:agregador.ibict.br.BDTD_ITA:oai:ita.br:2735http://oai.bdtd.ibict.br/requestopendoar:null2020-05-28 19:39:55.824Biblioteca Digital de Teses e Dissertações do ITA - Instituto Tecnológico de Aeronáuticatrue |
dc.title.none.fl_str_mv |
Previsão de séries temporais usando modelos de composição de especialistas locais. |
title |
Previsão de séries temporais usando modelos de composição de especialistas locais. |
spellingShingle |
Previsão de séries temporais usando modelos de composição de especialistas locais. Brício de Melo Redes neurais Modelos matemáticos Análise de séries temporais Previsão Reconhecimento de padrões Inteligência artificial Matemática aplicada Análise estatística Matemática estatística Matemática |
title_short |
Previsão de séries temporais usando modelos de composição de especialistas locais. |
title_full |
Previsão de séries temporais usando modelos de composição de especialistas locais. |
title_fullStr |
Previsão de séries temporais usando modelos de composição de especialistas locais. |
title_full_unstemmed |
Previsão de séries temporais usando modelos de composição de especialistas locais. |
title_sort |
Previsão de séries temporais usando modelos de composição de especialistas locais. |
author |
Brício de Melo |
author_facet |
Brício de Melo |
author_role |
author |
dc.contributor.none.fl_str_mv |
Armando Zeferino Milioni Cairo Lúcio Nascimento Júnior |
dc.contributor.author.fl_str_mv |
Brício de Melo |
dc.subject.por.fl_str_mv |
Redes neurais Modelos matemáticos Análise de séries temporais Previsão Reconhecimento de padrões Inteligência artificial Matemática aplicada Análise estatística Matemática estatística Matemática |
topic |
Redes neurais Modelos matemáticos Análise de séries temporais Previsão Reconhecimento de padrões Inteligência artificial Matemática aplicada Análise estatística Matemática estatística Matemática |
dc.description.none.fl_txt_mv |
Este trabalho aborda a técnica de Composição de Especialistas Locais (CEL), que pode ser vista como uma técnica que realiza análise exploratória de dados e modelagem matemática simultaneamente. A técnica CEL pode ser aplicada para resolver problemas de previsão de séries temporais e reconhecimento de padrões. Dado um conjunto de pontos de dados de treinamento formados pelos pares (x, y) (x = entrada, y = saída), a idéia básica é a seguinte: 1) Primeiramente, considerando apenas a parte da entrada do conjunto de treinamento (x), uma rede neural de Kohonen é usada para dividir os dados em agrupamentos não-sobrepostos de pontos, 2) Várias técnicas de modelagens são então usadas para construir modelos concorrentes para cada agrupamento e considerando apenas os pares (x,y) daquele agrupamento, 3) O melhor modelo para cada agrupamento é selecionado e denominado de Modelo de Especialista Local. A Saída de todos os Modelos de Especialistas Locais são linearmente combinados pela Rede Supervisora que considera: 1) A distância dos pontos de dados x ao centro do agrupamento de dados usados para gerar o Modelo de cada Especialista Local, 2) A abrangência da região do espaço de entrada tomado por cada agrupamento de pontos de dados de treinamento. As seguintes técnicas de modelagem são utilizadas neste trabalho: Redes Neurais Artificiais (RNA), Análises de Regressão Múltipla (ARM) e Cópia Carbono (CC). Para comparação, o desempenho destas técnicas de modelagem são também avaliados quando usadas para construir modelos para todo o conjunto de dados de treinamento, isto é, sem usar qualquer técnica de agrupamento. Neste caso, os modelos são denominados de Modelos de Especialistas Globais. A técnica CEL é testada em experimentos computacionais usando as seguintes séries temporais que estão publicamente disponíveis na Internet: 1) A "Laser Data", assim chamada uma série temporal gerada num experimento de laboratório de física e usada em 1991 na Competição e Análises de Predição de Séries Temporais do Instituto Santa Fé, 2) Séries temporais de preços mensais e diários do açúcar (contrato 14) na Câmara de Comércio de Nova York (do inglês, New York Board Trade - NYBOT) |
description |
Este trabalho aborda a técnica de Composição de Especialistas Locais (CEL), que pode ser vista como uma técnica que realiza análise exploratória de dados e modelagem matemática simultaneamente. A técnica CEL pode ser aplicada para resolver problemas de previsão de séries temporais e reconhecimento de padrões. Dado um conjunto de pontos de dados de treinamento formados pelos pares (x, y) (x = entrada, y = saída), a idéia básica é a seguinte: 1) Primeiramente, considerando apenas a parte da entrada do conjunto de treinamento (x), uma rede neural de Kohonen é usada para dividir os dados em agrupamentos não-sobrepostos de pontos, 2) Várias técnicas de modelagens são então usadas para construir modelos concorrentes para cada agrupamento e considerando apenas os pares (x,y) daquele agrupamento, 3) O melhor modelo para cada agrupamento é selecionado e denominado de Modelo de Especialista Local. A Saída de todos os Modelos de Especialistas Locais são linearmente combinados pela Rede Supervisora que considera: 1) A distância dos pontos de dados x ao centro do agrupamento de dados usados para gerar o Modelo de cada Especialista Local, 2) A abrangência da região do espaço de entrada tomado por cada agrupamento de pontos de dados de treinamento. As seguintes técnicas de modelagem são utilizadas neste trabalho: Redes Neurais Artificiais (RNA), Análises de Regressão Múltipla (ARM) e Cópia Carbono (CC). Para comparação, o desempenho destas técnicas de modelagem são também avaliados quando usadas para construir modelos para todo o conjunto de dados de treinamento, isto é, sem usar qualquer técnica de agrupamento. Neste caso, os modelos são denominados de Modelos de Especialistas Globais. A técnica CEL é testada em experimentos computacionais usando as seguintes séries temporais que estão publicamente disponíveis na Internet: 1) A "Laser Data", assim chamada uma série temporal gerada num experimento de laboratório de física e usada em 1991 na Competição e Análises de Predição de Séries Temporais do Instituto Santa Fé, 2) Séries temporais de preços mensais e diários do açúcar (contrato 14) na Câmara de Comércio de Nova York (do inglês, New York Board Trade - NYBOT) |
publishDate |
2003 |
dc.date.none.fl_str_mv |
2003-00-00 |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/publishedVersion info:eu-repo/semantics/masterThesis |
status_str |
publishedVersion |
format |
masterThesis |
dc.identifier.uri.fl_str_mv |
http://www.bd.bibl.ita.br/tde_busca/arquivo.php?codArquivo=2735 |
url |
http://www.bd.bibl.ita.br/tde_busca/arquivo.php?codArquivo=2735 |
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 |
Instituto Tecnológico de Aeronáutica |
publisher.none.fl_str_mv |
Instituto Tecnológico de Aeronáutica |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações do ITA instname:Instituto Tecnológico de Aeronáutica instacron:ITA |
reponame_str |
Biblioteca Digital de Teses e Dissertações do ITA |
collection |
Biblioteca Digital de Teses e Dissertações do ITA |
instname_str |
Instituto Tecnológico de Aeronáutica |
instacron_str |
ITA |
institution |
ITA |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações do ITA - Instituto Tecnológico de Aeronáutica |
repository.mail.fl_str_mv |
|
subject_por_txtF_mv |
Redes neurais Modelos matemáticos Análise de séries temporais Previsão Reconhecimento de padrões Inteligência artificial Matemática aplicada Análise estatística Matemática estatística Matemática |
_version_ |
1706805003457396736 |