Previsão de séries temporais via machine learning usando processamento de sinal e features exógenas

• Ano de defesa: 2025
• Autor(a) principal: Avila, Renan de Luca
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aprendizagem profunda; CEEMDAN; Exogenous features; Feature extraction; Feature selection; Forecasting; LSTM; Neural networks; Previsão (Análise de séries temporais); Time series
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3141/tde-10122025-101408/

A previsão de séries temporais é um tema de pesquisa de grande relevância, anterior ao surgimento do aprendizado de máquina. Modelos estatísticos tradicionais concentram-se na previsão da série-alvo exclusivamente a partir de seus próprios valores passados. Nos últimos anos, entretanto, demonstrou-se que a inclusão de múltiplas variáveis relacionadas ao contexto da série-alvo como entradas do modelo, bem como a extração de novos atributos a partir delas por exemplo, por meio de técnicas de decomposição de sinais e redução de dimensionalidade pode melhorar a acurácia preditiva. Contudo, à medida que mais dados sao adicionados ao modelo, torna-se mais difícil que o treinamento convirja para um ótimo global; por outro lado, quanto mais agressiva for a redução dos dados, maior o risco de perda de informações relevantes. Para lidar com esse trade-off, este trabalho investiga como um modelo de entrada única de ´ultima geração que utiliza decomposição de séries temporais para extração de atributos (CEEMDAN-LSTM) pode incorporar variáveis exógenas para melhorar sua acurácia, equilibrando os desafios de complexidade do treinamento. A investigação utilizou quatro conjuntos de dados de diferentes domínios e resultou em duas contribuições principais: a proposta de uma nova arquitetura, X-CEEMDAN-LSTM, que inclui variáveis exógenas como entradas e supera sua versão de entrada única; e a avaliação de diferentes métricas de relevância incluindo duas propostas neste trabalho para selecionar as variáveis exógenas mais significativas, reduzindo a dimensionalidade do conjunto de dados sem comprometer o desempenho do modelo X-CEEMDAN-LSTM.