Métodos para melhoria do desempenho de redes neurais profundas em previsão de séries temporais.

• Ano de defesa: 2024
• Autor(a) principal: Urbinate, Eder Fernando
• 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: Algoritmos genéticos; Artificial neural networks; Deep networks; Ensemble; Genetic algorithms Time series forecasting; Performance improvement; Previsão de séries temporais; Redes neurais artificiais; Redes profundas
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3142/tde-14032025-074402/

Este trabalho apresenta uma investigação sobre métodos para aprimorar a capacidade de previsão de redes neurais artificiais em séries temporais, mais especificamente modelo Ensemble e seleção de hiperparâmetros por algoritmo genético. Tais métodos mostramse eficazes em alcançar o objetivo proposto, mesmo apresentando abordagens bastante diferentes. As redes neurais profundas CNN, LSTM, RESNET, GAN e UNET foram avaliadas e comparadas com modelos preditores clássicos, como MLP e ARIMA. Após o conjunto inicial de experimentos com diferentes arquiteturas, foi construído um modelo Ensemble através do método de empilhamento de redes com as arquiteturas CNN, LSTM e RESNET. Os erros obtidos nas previsões das redes neurais empilhadas foram comparados com os obtidos por essas mesmas redes individualmente. Foram utilizados cenários com séries temporais sintéticas e séries reais financeiras de modo a avaliar a capacidade de previsão das técnicas abordadas e explorar uma possível similaridade entre as previsões realizadas em séries reais e séries sintéticas e com isso propor um método de seleção de preditores a partir da utilização de séries construídas com componentes conhecidos e determinados pelo usuário, evitando assim uma maior exploração de arquiteturas em bases de dados mais complexas e diminuindo o tempo necessário para a escolha de um preditor adequado para cada cenário ou conjunto de dados. O segundo método investigado foi a seleção de hiperparâmetros de uma rede CNN-LSTM por meio de algoritmo genético, que apresentou excelentes resultados tanto para séries financeiras quanto para séries não financeiras, superando os artigos da literatura utilizados para comparação. Este trabalho também detalha a construção do algoritmo genético proposto, bem como a evolução dos diversos hiperparâmetros utilizados como genes no processo evolutivo. Os resultados de ambos os métodos são apresentados de forma detalhada, acompanhados de uma análise sobre cenários e conjuntos de dados em que cada técnica pode ser mais vantajosa. Por fim, são sugeridos possíveis caminhos para a continuidade da exploração dos temas abordados, destacando os principais tópicos que podem ser explorados em trabalhos futuros. Esta dissertação oferece contribuições importantes sobre técnicas para o aprimoramento de previsão de séries temporais realizadas por meio de redes neurais artificiais e, assim, contribui para o avanço do conhecimento nessa área.