Um método baseado em correção de erros para previsão de séries temporais em ambiente online e na presença de concept drift

Detalhes bibliográficos
Ano de defesa: 2020
Autor(a) principal: SCHETTINI, Gabriela Mota de Lacerda Padilha
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: Universidade Federal de Pernambuco
UFPE
Brasil
Programa de Pos Graduacao em Ciencia da Computacao
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Inteligência computacional
Séries temporais
Link de acesso: https://repositorio.ufpe.br/handle/123456789/40066
Resumo: SCHETTINI, Gabriela Mota de Lacerda Padilha, também é conhecido(a) em citações bibliográficas por: LACERDA, Gabriela Mota
id UFPE_f559eff235c499ac462bbc7b63fc02e7
oai_identifier_str oai:repositorio.ufpe.br:123456789/40066
network_acronym_str UFPE
network_name_str Repositório Institucional da UFPE
repository_id_str
spelling Um método baseado em correção de erros para previsão de séries temporais em ambiente online e na presença de concept driftInteligência computacionalSéries temporaisSCHETTINI, Gabriela Mota de Lacerda Padilha, também é conhecido(a) em citações bibliográficas por: LACERDA, Gabriela MotaHá um tempo que o mundo digitalizado não é novidade, mas cada vez mais adaptar-se aos novos dados recebidos é uma questão de sobrevivência de certos serviços. Diante da alta frequência de recebimento de novas informações e da rápida mudança que estamos sujeitos são poucas as estratégias existentes para adaptar-se. De olho neste cenário de rápida tomada de decisão e da precisão nos resultados que este trabalho é proposto. Fazendo um comparativo com a área de inteligência computacional, soluções que exigem essa adaptabilidade constante são plausíveis de ficarem desatualizados e resultarem em baixo desempenho ao estarem sub treinados para novos comportamentos. Sendo necessário, com o passar do tempo, manter os modelos em uso atualizados para resolver uma determinada tarefa em relação aos dados mais recentes, evitando - desta forma - o underfitting que é caracterizado pelo subtreinamento. Na tentativa de mitigar esse problema é comum utilizar abordagens baseadas em um sistema de combinação de preditores que realizam retreinamento dos modelos, ou a utilização de modelos com aprendizado online. Este trabalho visa comparar a estratégia de ajuste de parâmetros com correção dos resíduos de modelos monolíticos em 3 séries temporais financeiras com mudança de conceito. Propondo-se a investigar as previsões e resíduos de forma a estender o leque de estratégias que resolvem de maneira eficaz o tipo de problema sugerido. A contribuição princi pal deste trabalho é introduzir o conceito de correção da previsão através da série residual, que até o presente momento nunca foi visto para séries que apresentam de mudança de conceito e no ambiente de aprendizado online.CAPESThe digital world is not new to the society, but yet some services struggle to survive while not adapting to the new ways of doing things. Given the high information frequency and fast the changes that required there are only a few strategies that try to cope with such changes. With this scenario in mind we review some of the problems on the existing strategies. When comparing the real world with artificial intelligence, solutions that require these kinds of changes are plausible to be under-fitted to new behaviors (concept drift). In this panorama, with time, it is required to have the models updated to the latest data so the new behaviors are predictable in real-time and avoiding under-fitting. As an attempt to avoid this last problem it is common to use multiple predictors systems approaches that get retrained or that use online learners, to keep training at execution time. Anticipating the future data is key to use the time left to take action. This dissertation aims to compare the performance of models enhanced by grid search and monolithic models with error correction within 3 financial time series containing concept drift. Besides that, the forecast of the residuals are used to study a potential increase in the prediction’s performance. The main contribution of the present work is to introduce the concept of prediction correction using the past error’s prediction, that has not been seen until the present moment for time series in an online and non-stationary environment. In this way, this work proposes to investigate the prediction and residuals to formalize one more strategy to approach the problems lately disclosed.Universidade Federal de PernambucoUFPEBrasilPrograma de Pos Graduacao em Ciencia da ComputacaoMATTOS NETO, Paulo Salgado Gomes dehttp://lattes.cnpq.br/9704238933550763http://lattes.cnpq.br/4610098557429398SCHETTINI, Gabriela Mota de Lacerda Padilha2021-05-13T17:01:11Z2021-05-13T17:01:11Z2020-11-30info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfSCHETTINI, Gabriela Mota de Lacerda Padilha. Um método baseado em correção de erros para previsão de séries temporais em ambiente online e na presença de concept drift. 2020. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Pernambuco, Recife, 2020.https://repositorio.ufpe.br/handle/123456789/40066porhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPE2021-05-14T05:16:50Zoai:repositorio.ufpe.br:123456789/40066Repositório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212021-05-14T05:16:50Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false
dc.title.none.fl_str_mv Um método baseado em correção de erros para previsão de séries temporais em ambiente online e na presença de concept drift
title Um método baseado em correção de erros para previsão de séries temporais em ambiente online e na presença de concept drift
spellingShingle Um método baseado em correção de erros para previsão de séries temporais em ambiente online e na presença de concept drift
SCHETTINI, Gabriela Mota de Lacerda Padilha
Inteligência computacional
Séries temporais
title_short Um método baseado em correção de erros para previsão de séries temporais em ambiente online e na presença de concept drift
title_full Um método baseado em correção de erros para previsão de séries temporais em ambiente online e na presença de concept drift
title_fullStr Um método baseado em correção de erros para previsão de séries temporais em ambiente online e na presença de concept drift
title_full_unstemmed Um método baseado em correção de erros para previsão de séries temporais em ambiente online e na presença de concept drift
title_sort Um método baseado em correção de erros para previsão de séries temporais em ambiente online e na presença de concept drift
author SCHETTINI, Gabriela Mota de Lacerda Padilha
author_facet SCHETTINI, Gabriela Mota de Lacerda Padilha
author_role author
dc.contributor.none.fl_str_mv MATTOS NETO, Paulo Salgado Gomes de
http://lattes.cnpq.br/9704238933550763
http://lattes.cnpq.br/4610098557429398
dc.contributor.author.fl_str_mv SCHETTINI, Gabriela Mota de Lacerda Padilha
dc.subject.por.fl_str_mv Inteligência computacional
Séries temporais
topic Inteligência computacional
Séries temporais
description SCHETTINI, Gabriela Mota de Lacerda Padilha, também é conhecido(a) em citações bibliográficas por: LACERDA, Gabriela Mota
publishDate 2020
dc.date.none.fl_str_mv 2020-11-30
2021-05-13T17:01:11Z
2021-05-13T17:01:11Z
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 SCHETTINI, Gabriela Mota de Lacerda Padilha. Um método baseado em correção de erros para previsão de séries temporais em ambiente online e na presença de concept drift. 2020. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Pernambuco, Recife, 2020.
https://repositorio.ufpe.br/handle/123456789/40066
identifier_str_mv SCHETTINI, Gabriela Mota de Lacerda Padilha. Um método baseado em correção de erros para previsão de séries temporais em ambiente online e na presença de concept drift. 2020. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Pernambuco, Recife, 2020.
url https://repositorio.ufpe.br/handle/123456789/40066
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/3.0/br/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-nd/3.0/br/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Federal de Pernambuco
UFPE
Brasil
Programa de Pos Graduacao em Ciencia da Computacao
publisher.none.fl_str_mv Universidade Federal de Pernambuco
UFPE
Brasil
Programa de Pos Graduacao em Ciencia da Computacao
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
repository.name.fl_str_mv Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)
repository.mail.fl_str_mv attena@ufpe.br
_version_ 1856041995748769792

Registros relacionados