Impacto do tamanho da janela na previsão de séries temporais univariadas usando Machine Learning

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Cesário, João David de Freitas
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: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Aprendizado computacional
Machine Learning
Redes neurais
Link de acesso: https://biblioteca.sophia.com.br/terminalri/9575/acervo/detalhe/586284
Resumo: Na tarefa de modelar problemas de previsão de séries temporais, o tamanho da janela (w) é um hiperparâmetro que define a quantidade de unidades de tempo que estarão presentes em cada exemplo para alimentar um modelo de aprendizado. Este hiperparâmetro é importante pois ajuda o modelo de aprendizado a entender tendências de longo e curto prazo, assim como padrões sazonais, evitando ao mesmo tempo que ele seja afetado por flutuações aleatórias. Nesta dissertação, o objetivo é entender o efeito que o tamanho da janela tem nos resultados de algoritmos de aprendizado de máquina em problemas de previsão de séries univariadas. Para atingir esse objetivo, utilizamos 40 séries temporais de dois domínios distintos: varejo e transporte. Foram realizados treinamentos com variações no tamanho da janela usando quatro classes de algoritmos de aprendizado de máquina: Bagging, Boosting, Stacking e uma arquitetura de Rede Neural Recorrente. Notou-se que expandir o tamanho da janela pode melhorar os resultados de métricas de avaliação até um ponto de estabilização, após o qual aumentar ainda mais o tamanho da janela não resulta em previsões mais precisas. A referida estabilização ocorreu em ambos os domínios estudados apenas quando os valores de w excederam 100 intervalos de tempo. Também observou-se que as arquiteturas de Rede Neural Recorrente não superam modelos ensemble em vários cenários de previsão de séries temporais univariadas. Palavras-chave: Aprendizado de máquina. Janela deslizante. Série temporal. Tamanho da janela.
id UFOR_092e2c4da7c9d6c5d04bf5610cd81a0d
oai_identifier_str oai::586284
network_acronym_str UFOR
network_name_str Biblioteca Digital de Teses e Dissertações da UNIFOR
repository_id_str
spelling Impacto do tamanho da janela na previsão de séries temporais univariadas usando Machine LearningAprendizado computacionalMachine LearningRedes neuraisNa tarefa de modelar problemas de previsão de séries temporais, o tamanho da janela (w) é um hiperparâmetro que define a quantidade de unidades de tempo que estarão presentes em cada exemplo para alimentar um modelo de aprendizado. Este hiperparâmetro é importante pois ajuda o modelo de aprendizado a entender tendências de longo e curto prazo, assim como padrões sazonais, evitando ao mesmo tempo que ele seja afetado por flutuações aleatórias. Nesta dissertação, o objetivo é entender o efeito que o tamanho da janela tem nos resultados de algoritmos de aprendizado de máquina em problemas de previsão de séries univariadas. Para atingir esse objetivo, utilizamos 40 séries temporais de dois domínios distintos: varejo e transporte. Foram realizados treinamentos com variações no tamanho da janela usando quatro classes de algoritmos de aprendizado de máquina: Bagging, Boosting, Stacking e uma arquitetura de Rede Neural Recorrente. Notou-se que expandir o tamanho da janela pode melhorar os resultados de métricas de avaliação até um ponto de estabilização, após o qual aumentar ainda mais o tamanho da janela não resulta em previsões mais precisas. A referida estabilização ocorreu em ambos os domínios estudados apenas quando os valores de w excederam 100 intervalos de tempo. Também observou-se que as arquiteturas de Rede Neural Recorrente não superam modelos ensemble em vários cenários de previsão de séries temporais univariadas. Palavras-chave: Aprendizado de máquina. Janela deslizante. Série temporal. Tamanho da janela.In the task of modeling time series forecasting problems, the size of the window (w) is a hyperparameter that defines the amount of time units that will be present in each example to feed a learning model. This hyperparameter is important because it helps the learning model to understand long and short-term trends, as well as seasonal patterns, while simultaneously avoiding being affected by random fluctuations. In this dissertation, the objective is to understand the effect that the window size has on the results of machine learning algorithms in univariate time series forecasting problems. To achieve this goal, we used 40 time series from two different domains: retail and transportation. Trainings were conducted with variations in the window size using four classes of machine learning algorithms: Bagging, Boosting, Stacking, and a Recurrent Neural Network architecture. It was noticed that expanding the window size can improve evaluation metric results up to a stabilization point, after which further increasing the window size does not result in more accurate predictions. This stabilization occurred in both studied domains only when the values of w exceeded 100 time intervals. It was also observed that Recurrent Neural Network architectures do not outperform ensemble models in several scenarios of univariate time series forecasting. Keywords: Machine learning. Sliding Window. Time Series. Window SizeA Dissertação foi enviada com autorização e certificação via CI 36926/24 em 10/06/2024.Caminha Neto, Carlos de OliveiraSilva, Caio César PonteOliveira, Erneson Alves deBarbosa, Rafael BarrosUniversidade de Fortaleza. Programa de Pós-Graduação em Informática AplicadaCesário, João David de Freitas2024info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf67f.https://biblioteca.sophia.com.br/terminalri/9575/acervo/detalhe/586284https://uol.unifor.br/auth-sophia/exibicao/35806porreponame:Biblioteca Digital de Teses e Dissertações da UNIFORinstname:Universidade de Fortaleza (UNIFOR)instacron:UNIFORinfo:eu-repo/semantics/openAccess2024-07-02T15:25:24Zoai::586284Biblioteca Digital de Teses e Dissertaçõeshttps://www.unifor.br/bdtdONGhttp://dspace.unifor.br/oai/requestbib@unifor.br||bib@unifor.bropendoar:2024-07-02T15:25:24Biblioteca Digital de Teses e Dissertações da UNIFOR - Universidade de Fortaleza (UNIFOR)false
dc.title.none.fl_str_mv Impacto do tamanho da janela na previsão de séries temporais univariadas usando Machine Learning
title Impacto do tamanho da janela na previsão de séries temporais univariadas usando Machine Learning
spellingShingle Impacto do tamanho da janela na previsão de séries temporais univariadas usando Machine Learning
Cesário, João David de Freitas
Aprendizado computacional
Machine Learning
Redes neurais
title_short Impacto do tamanho da janela na previsão de séries temporais univariadas usando Machine Learning
title_full Impacto do tamanho da janela na previsão de séries temporais univariadas usando Machine Learning
title_fullStr Impacto do tamanho da janela na previsão de séries temporais univariadas usando Machine Learning
title_full_unstemmed Impacto do tamanho da janela na previsão de séries temporais univariadas usando Machine Learning
title_sort Impacto do tamanho da janela na previsão de séries temporais univariadas usando Machine Learning
author Cesário, João David de Freitas
author_facet Cesário, João David de Freitas
author_role author
dc.contributor.none.fl_str_mv Caminha Neto, Carlos de Oliveira
Silva, Caio César Ponte
Oliveira, Erneson Alves de
Barbosa, Rafael Barros
Universidade de Fortaleza. Programa de Pós-Graduação em Informática Aplicada
dc.contributor.author.fl_str_mv Cesário, João David de Freitas
dc.subject.por.fl_str_mv Aprendizado computacional
Machine Learning
Redes neurais
topic Aprendizado computacional
Machine Learning
Redes neurais
description Na tarefa de modelar problemas de previsão de séries temporais, o tamanho da janela (w) é um hiperparâmetro que define a quantidade de unidades de tempo que estarão presentes em cada exemplo para alimentar um modelo de aprendizado. Este hiperparâmetro é importante pois ajuda o modelo de aprendizado a entender tendências de longo e curto prazo, assim como padrões sazonais, evitando ao mesmo tempo que ele seja afetado por flutuações aleatórias. Nesta dissertação, o objetivo é entender o efeito que o tamanho da janela tem nos resultados de algoritmos de aprendizado de máquina em problemas de previsão de séries univariadas. Para atingir esse objetivo, utilizamos 40 séries temporais de dois domínios distintos: varejo e transporte. Foram realizados treinamentos com variações no tamanho da janela usando quatro classes de algoritmos de aprendizado de máquina: Bagging, Boosting, Stacking e uma arquitetura de Rede Neural Recorrente. Notou-se que expandir o tamanho da janela pode melhorar os resultados de métricas de avaliação até um ponto de estabilização, após o qual aumentar ainda mais o tamanho da janela não resulta em previsões mais precisas. A referida estabilização ocorreu em ambos os domínios estudados apenas quando os valores de w excederam 100 intervalos de tempo. Também observou-se que as arquiteturas de Rede Neural Recorrente não superam modelos ensemble em vários cenários de previsão de séries temporais univariadas. Palavras-chave: Aprendizado de máquina. Janela deslizante. Série temporal. Tamanho da janela.
publishDate 2024
dc.date.none.fl_str_mv 2024
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://biblioteca.sophia.com.br/terminalri/9575/acervo/detalhe/586284
url https://biblioteca.sophia.com.br/terminalri/9575/acervo/detalhe/586284
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://uol.unifor.br/auth-sophia/exibicao/35806
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
67f.
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da UNIFOR
instname:Universidade de Fortaleza (UNIFOR)
instacron:UNIFOR
instname_str Universidade de Fortaleza (UNIFOR)
instacron_str UNIFOR
institution UNIFOR
reponame_str Biblioteca Digital de Teses e Dissertações da UNIFOR
collection Biblioteca Digital de Teses e Dissertações da UNIFOR
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da UNIFOR - Universidade de Fortaleza (UNIFOR)
repository.mail.fl_str_mv bib@unifor.br||bib@unifor.br
_version_ 1846365344793362432

Registros relacionados