Time series forecasting based on ensemble learning methods applied to agribusiness, epidemiology, energy demand, and renewable energy
Ano de defesa: | 2021 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | , , , , |
Tipo de documento: | Tese |
Tipo de acesso: | Acesso aberto |
Idioma: | eng |
Instituição de defesa: |
Pontifícia Universidade Católica do Paraná
Pato Branco |
Programa de Pós-Graduação: |
Programa de Pós-Graduação em Egenharia de Produção e Sistemas
|
Departamento: |
Não Informado pela instituição
|
País: |
Brasil
|
Palavras-chave em Português: | |
Área do conhecimento CNPq: | |
Link de acesso: | http://repositorio.utfpr.edu.br/jspui/handle/1/28866 |
Resumo: | Previsão e análise de séries temporais são importantes para o processo de tomada de decisão. Contudo, fatores exógenos, não-linearidades, e sazonalidade tornam o desenvolvimento de modelos de previsão eficientes uma tarefa desafiadora. Nesse cenário, o uso de abordagens relacionadas ao aprendizado de máquina, especialmente modelos de aprendizado por comitês de máquina torna-se atraente. Essas abordagens são pautadas no paradigma dividir para conquistar, onde os modelos individuais são combinados para gerar um modelo eficiente para resolver tarefas de regressão (ou previsão de série temporal), clusterização e classificação. Esta tese tem como objetivo propor e avaliar a eficácia de abordagens baseadas em modelos de aprendizagem por comitês de máquina para previsão de séries temporais. Quatro contribuições principais são apresentadas. A primeira consiste na aplicação e comparação dos métodos bagging, boosting e stacking com modelos individuais para previsão de curto prazo para preços de soja e trigo de no estado do Paraná, Brasil. Além disso, a influência de variáveis exógenas na previsão dessas commodities agrícolas é investigada. A segunda consiste em avaliar comitês de máquina que consideram o pré-processamento de sinais, comitês de máquina heterogêneos, e otimização multi-objetivo para prever a incidência mensal dos casos de meningite em quatro estados brasileiros. Por sua vez, na terceira contribuição, duas técnicas de pré-processamento são integradas com comitês de máquina heterogêneos para realizar a previsão de demanda de energia elétrica. Finalmente, um comitê de máquina competitivo que combina bagging e stacking é proposto para a previsão de geração de energia eólica. O desempenho dos modelos avaliados é calculado por meio de diferentes critérios como erro médio absoluto, erro quadrático médio, erro percentual médio absoluto, erro quadrático médio relativo, erro percentual absoluto médio simétrico, e erro quadrático médio relativo. Além disso, o teste Diebold-Mariano é adotado para avaliar a diferença estatística entre os erros de previsão dos modelos comparados. Os resultados empíricos sugerem que comitês de máquina podem atingir menores erros de previsão quando comparados aos modelos individuais, aos modelos de aprendizagem de conjunto homogêneos, sem pré-processamento, e não otimizado. Em termos de erros percentuais, na primeira contribuição as abordagens de comitê de máquina puderam alcançar um erro percentual menor que 1%, enquanto para o segundo estudo, o erro variou entre 4.52% e 12.77%. No que se refere a terceira aplicação, os modelos propostos atingiram erros entre 0.80% e 7.79%. Por fim, para previsão da geração de energia eólica, os erros percentuais variaram entre 13.81% e 21.20%. Os modelos adotados nesta tese podem ser adaptados para diferentes aplicações e serem suporte do processo de tomada de decisão. |
id |
UTFPR-12_ebc87e6cf16068c5281e1c864de9404c |
---|---|
oai_identifier_str |
oai:repositorio.utfpr.edu.br:1/28866 |
network_acronym_str |
UTFPR-12 |
network_name_str |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) |
repository_id_str |
|
spelling |
2022-06-21T13:38:43Z2022-06-21T13:38:43Z2021-12-03RIBEIRO, Matheus Henrique Dal Molin. Time series forecasting based on ensemble learning methods applied to agribusiness, epidemiology, energy demand, and renewable energy. 2021. Tese (Doutorado em Engenharia de Produção e Sistemas) - Pontifícia Universidade Católica do Paraná, Curitiba, 2021.http://repositorio.utfpr.edu.br/jspui/handle/1/28866Previsão e análise de séries temporais são importantes para o processo de tomada de decisão. Contudo, fatores exógenos, não-linearidades, e sazonalidade tornam o desenvolvimento de modelos de previsão eficientes uma tarefa desafiadora. Nesse cenário, o uso de abordagens relacionadas ao aprendizado de máquina, especialmente modelos de aprendizado por comitês de máquina torna-se atraente. Essas abordagens são pautadas no paradigma dividir para conquistar, onde os modelos individuais são combinados para gerar um modelo eficiente para resolver tarefas de regressão (ou previsão de série temporal), clusterização e classificação. Esta tese tem como objetivo propor e avaliar a eficácia de abordagens baseadas em modelos de aprendizagem por comitês de máquina para previsão de séries temporais. Quatro contribuições principais são apresentadas. A primeira consiste na aplicação e comparação dos métodos bagging, boosting e stacking com modelos individuais para previsão de curto prazo para preços de soja e trigo de no estado do Paraná, Brasil. Além disso, a influência de variáveis exógenas na previsão dessas commodities agrícolas é investigada. A segunda consiste em avaliar comitês de máquina que consideram o pré-processamento de sinais, comitês de máquina heterogêneos, e otimização multi-objetivo para prever a incidência mensal dos casos de meningite em quatro estados brasileiros. Por sua vez, na terceira contribuição, duas técnicas de pré-processamento são integradas com comitês de máquina heterogêneos para realizar a previsão de demanda de energia elétrica. Finalmente, um comitê de máquina competitivo que combina bagging e stacking é proposto para a previsão de geração de energia eólica. O desempenho dos modelos avaliados é calculado por meio de diferentes critérios como erro médio absoluto, erro quadrático médio, erro percentual médio absoluto, erro quadrático médio relativo, erro percentual absoluto médio simétrico, e erro quadrático médio relativo. Além disso, o teste Diebold-Mariano é adotado para avaliar a diferença estatística entre os erros de previsão dos modelos comparados. Os resultados empíricos sugerem que comitês de máquina podem atingir menores erros de previsão quando comparados aos modelos individuais, aos modelos de aprendizagem de conjunto homogêneos, sem pré-processamento, e não otimizado. Em termos de erros percentuais, na primeira contribuição as abordagens de comitê de máquina puderam alcançar um erro percentual menor que 1%, enquanto para o segundo estudo, o erro variou entre 4.52% e 12.77%. No que se refere a terceira aplicação, os modelos propostos atingiram erros entre 0.80% e 7.79%. Por fim, para previsão da geração de energia eólica, os erros percentuais variaram entre 13.81% e 21.20%. Os modelos adotados nesta tese podem ser adaptados para diferentes aplicações e serem suporte do processo de tomada de decisão.Time series forecasting and analysis are helpful in the decision-making process. However, exogenous factors, nonlinearities, and seasonality make developing efficient forecasting models challenging. In this context, the use of machine learning approaches, especially ensemble learning models, becomes attractive. These approaches are based on the divide and conquer paradigm, where models are combined to generate an efficient model to solve regression (or time series forecasting), clustering, and classification tasks. This thesis aims to propose and evaluate the effectiveness of approaches based on ensemble learning models for time series forecasting problems. Four major contributions are presented in this thesis. The first one lies in applying and comparing bagging, boosting, and stacking ensemble learning methods with single models for the short-term forecasting of soybean and wheat prices for Parana state, Brazil. Also, the influence of exogenous variables to forecast these agricultural commodities is investigated. The second evaluates ensemble learning methods that consider the ensemble empirical mode decomposition, heterogeneous ensemble learning models, and multi-objective optimization to forecast the multi-stepahead monthly incidence of meningitis cases in four Brazilian states. In the third, two time series pre-processing techniques are integrated with heterogeneous ensemble learning models to perform electricity energy load forecasting. Finally, a competitive ensemble model that combines bagging and stacking ensemble learning models is proposed for multi-step wind power generation forecasting. The forecasting performance of the proposed models is computed through different criteria measures such as mean absolute error, mean squared error, mean absolute percentage error, relative mean squared error, symmetrical mean absolute percentage error, and relative mean squared error. Also, the Diebold-Mariano test is adopted to evaluate the statistical difference between the forecasting errors of the compared models. With the results achieved in the case studies, it is possible to identify that the ensemble learning methods can reach lower forecasting errors when compared with single models, non-decomposed, non-optimized, and decomposed homogeneous ensemble learning models. The ensemble learning methods achieved a forecasting error lower than 1% for the first application concerning the percentage errors. To forecast meningitis cases, the proposed ensemble learning has an error that spans 4.52%–12.77%. For the third application, the proposed approach reached errors between 0.80% and 7.79%. Finally, concerning the fourth application, the cooperative and competitive ensemble learning model has errors that span 13.81%–21.20%. Therefore, the results indicate that using ensemble learning methods is promising to improve forecasting accuracy. Also, the models proposed in this thesis can be adapted for other areas and used to help the decision-making process.engPontifícia Universidade Católica do ParanáPato BrancoPrograma de Pós-Graduação em Egenharia de Produção e SistemasPUCPRBrasilCNPQ::ENGENHARIAS::ENGENHARIA DE PRODUCAOENGENHARIASAprendizado de máquinasOtimização matemáticaPrevisãoAnálise de séries temporaisMachine learningMathematical optimizationForecastingTime-series analysisTime series forecasting based on ensemble learning methods applied to agribusiness, epidemiology, energy demand, and renewable energyPrevisão de séries temporais com base em comitês de máquina aplicado ao agronegócio, epidemiologia, demanda de energia e energias renováveisinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisCuritibaCoelho, Leandro dos Santoshttps://orcid.org/0000-0001-5728-943Xhttp://lattes.cnpq.br/3483667901818921Mariani, Viviana Coccohttps://orcid.org/0000-0003-2490-4568http://lattes.cnpq.br/1851884209044569Coelho, Leandro dos Santoshttps://orcid.org/0000-0001-5728-943Xhttp://lattes.cnpq.br/3483667901818921Mariani, Viviana Coccohttps://orcid.org/0000-0003-2490-4568http://lattes.cnpq.br/1851884209044569Nievola, Julio Cesarhttps://orcid.org/0000-0002-2212-4499http://lattes.cnpq.br/9242867616608986Previdelli, Isolde Terezinha Santoshttp://lattes.cnpq.br/0295127877081690Souza, Reinaldo Castrohttp://lattes.cnpq.br/6992824817295435https://orcid.org/0000-0001-7387-9077http://lattes.cnpq.br/2531836774466938Ribeiro, Matheus Henrique Dal Molininfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))instname:Universidade Tecnológica Federal do Paraná (UTFPR)instacron:UTFPRLICENSElicense.txtlicense.txttext/plain; charset=utf-81290http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/28866/2/license.txtb9d82215ab23456fa2d8b49c5df1b95bMD52ORIGINALseriestemporaisenergiarenovaveis.pdfseriestemporaisenergiarenovaveis.pdfapplication/pdf11619985http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/28866/1/seriestemporaisenergiarenovaveis.pdfb85af0f683819f37f7f0259d02aac7c5MD51TEXTseriestemporaisenergiarenovaveis.pdf.txtseriestemporaisenergiarenovaveis.pdf.txtExtracted texttext/plain553896http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/28866/3/seriestemporaisenergiarenovaveis.pdf.txt770dd79654295cc219395698ce33f690MD53THUMBNAILseriestemporaisenergiarenovaveis.pdf.jpgseriestemporaisenergiarenovaveis.pdf.jpgGenerated Thumbnailimage/jpeg1486http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/28866/4/seriestemporaisenergiarenovaveis.pdf.jpg6a72ec0f18ba5f5d3ce8766e4aa75e8bMD541/288662022-06-22 03:06:15.716oai:repositorio.utfpr.edu.br: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ório de PublicaçõesPUBhttp://repositorio.utfpr.edu.br:8080/oai/requestopendoar:2022-06-22T06:06:15Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) - Universidade Tecnológica Federal do Paraná (UTFPR)false |
dc.title.pt_BR.fl_str_mv |
Time series forecasting based on ensemble learning methods applied to agribusiness, epidemiology, energy demand, and renewable energy |
dc.title.alternative.pt_BR.fl_str_mv |
Previsão de séries temporais com base em comitês de máquina aplicado ao agronegócio, epidemiologia, demanda de energia e energias renováveis |
title |
Time series forecasting based on ensemble learning methods applied to agribusiness, epidemiology, energy demand, and renewable energy |
spellingShingle |
Time series forecasting based on ensemble learning methods applied to agribusiness, epidemiology, energy demand, and renewable energy Ribeiro, Matheus Henrique Dal Molin CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUCAO Aprendizado de máquinas Otimização matemática Previsão Análise de séries temporais Machine learning Mathematical optimization Forecasting Time-series analysis ENGENHARIAS |
title_short |
Time series forecasting based on ensemble learning methods applied to agribusiness, epidemiology, energy demand, and renewable energy |
title_full |
Time series forecasting based on ensemble learning methods applied to agribusiness, epidemiology, energy demand, and renewable energy |
title_fullStr |
Time series forecasting based on ensemble learning methods applied to agribusiness, epidemiology, energy demand, and renewable energy |
title_full_unstemmed |
Time series forecasting based on ensemble learning methods applied to agribusiness, epidemiology, energy demand, and renewable energy |
title_sort |
Time series forecasting based on ensemble learning methods applied to agribusiness, epidemiology, energy demand, and renewable energy |
author |
Ribeiro, Matheus Henrique Dal Molin |
author_facet |
Ribeiro, Matheus Henrique Dal Molin |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Coelho, Leandro dos Santos |
dc.contributor.advisor1ID.fl_str_mv |
https://orcid.org/0000-0001-5728-943X |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/3483667901818921 |
dc.contributor.advisor-co1.fl_str_mv |
Mariani, Viviana Cocco |
dc.contributor.advisor-co1ID.fl_str_mv |
https://orcid.org/0000-0003-2490-4568 |
dc.contributor.advisor-co1Lattes.fl_str_mv |
http://lattes.cnpq.br/1851884209044569 |
dc.contributor.referee1.fl_str_mv |
Coelho, Leandro dos Santos |
dc.contributor.referee1ID.fl_str_mv |
https://orcid.org/0000-0001-5728-943X |
dc.contributor.referee1Lattes.fl_str_mv |
http://lattes.cnpq.br/3483667901818921 |
dc.contributor.referee2.fl_str_mv |
Mariani, Viviana Cocco |
dc.contributor.referee2ID.fl_str_mv |
https://orcid.org/0000-0003-2490-4568 |
dc.contributor.referee2Lattes.fl_str_mv |
http://lattes.cnpq.br/1851884209044569 |
dc.contributor.referee3.fl_str_mv |
Nievola, Julio Cesar |
dc.contributor.referee3ID.fl_str_mv |
https://orcid.org/0000-0002-2212-4499 |
dc.contributor.referee3Lattes.fl_str_mv |
http://lattes.cnpq.br/9242867616608986 |
dc.contributor.referee4.fl_str_mv |
Previdelli, Isolde Terezinha Santos |
dc.contributor.referee4Lattes.fl_str_mv |
http://lattes.cnpq.br/0295127877081690 |
dc.contributor.referee5.fl_str_mv |
Souza, Reinaldo Castro |
dc.contributor.referee5Lattes.fl_str_mv |
http://lattes.cnpq.br/6992824817295435 |
dc.contributor.authorID.fl_str_mv |
https://orcid.org/0000-0001-7387-9077 |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/2531836774466938 |
dc.contributor.author.fl_str_mv |
Ribeiro, Matheus Henrique Dal Molin |
contributor_str_mv |
Coelho, Leandro dos Santos Mariani, Viviana Cocco Coelho, Leandro dos Santos Mariani, Viviana Cocco Nievola, Julio Cesar Previdelli, Isolde Terezinha Santos Souza, Reinaldo Castro |
dc.subject.cnpq.fl_str_mv |
CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUCAO |
topic |
CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUCAO Aprendizado de máquinas Otimização matemática Previsão Análise de séries temporais Machine learning Mathematical optimization Forecasting Time-series analysis ENGENHARIAS |
dc.subject.por.fl_str_mv |
Aprendizado de máquinas Otimização matemática Previsão Análise de séries temporais Machine learning Mathematical optimization Forecasting Time-series analysis |
dc.subject.capes.pt_BR.fl_str_mv |
ENGENHARIAS |
description |
Previsão e análise de séries temporais são importantes para o processo de tomada de decisão. Contudo, fatores exógenos, não-linearidades, e sazonalidade tornam o desenvolvimento de modelos de previsão eficientes uma tarefa desafiadora. Nesse cenário, o uso de abordagens relacionadas ao aprendizado de máquina, especialmente modelos de aprendizado por comitês de máquina torna-se atraente. Essas abordagens são pautadas no paradigma dividir para conquistar, onde os modelos individuais são combinados para gerar um modelo eficiente para resolver tarefas de regressão (ou previsão de série temporal), clusterização e classificação. Esta tese tem como objetivo propor e avaliar a eficácia de abordagens baseadas em modelos de aprendizagem por comitês de máquina para previsão de séries temporais. Quatro contribuições principais são apresentadas. A primeira consiste na aplicação e comparação dos métodos bagging, boosting e stacking com modelos individuais para previsão de curto prazo para preços de soja e trigo de no estado do Paraná, Brasil. Além disso, a influência de variáveis exógenas na previsão dessas commodities agrícolas é investigada. A segunda consiste em avaliar comitês de máquina que consideram o pré-processamento de sinais, comitês de máquina heterogêneos, e otimização multi-objetivo para prever a incidência mensal dos casos de meningite em quatro estados brasileiros. Por sua vez, na terceira contribuição, duas técnicas de pré-processamento são integradas com comitês de máquina heterogêneos para realizar a previsão de demanda de energia elétrica. Finalmente, um comitê de máquina competitivo que combina bagging e stacking é proposto para a previsão de geração de energia eólica. O desempenho dos modelos avaliados é calculado por meio de diferentes critérios como erro médio absoluto, erro quadrático médio, erro percentual médio absoluto, erro quadrático médio relativo, erro percentual absoluto médio simétrico, e erro quadrático médio relativo. Além disso, o teste Diebold-Mariano é adotado para avaliar a diferença estatística entre os erros de previsão dos modelos comparados. Os resultados empíricos sugerem que comitês de máquina podem atingir menores erros de previsão quando comparados aos modelos individuais, aos modelos de aprendizagem de conjunto homogêneos, sem pré-processamento, e não otimizado. Em termos de erros percentuais, na primeira contribuição as abordagens de comitê de máquina puderam alcançar um erro percentual menor que 1%, enquanto para o segundo estudo, o erro variou entre 4.52% e 12.77%. No que se refere a terceira aplicação, os modelos propostos atingiram erros entre 0.80% e 7.79%. Por fim, para previsão da geração de energia eólica, os erros percentuais variaram entre 13.81% e 21.20%. Os modelos adotados nesta tese podem ser adaptados para diferentes aplicações e serem suporte do processo de tomada de decisão. |
publishDate |
2021 |
dc.date.issued.fl_str_mv |
2021-12-03 |
dc.date.accessioned.fl_str_mv |
2022-06-21T13:38:43Z |
dc.date.available.fl_str_mv |
2022-06-21T13:38:43Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
RIBEIRO, Matheus Henrique Dal Molin. Time series forecasting based on ensemble learning methods applied to agribusiness, epidemiology, energy demand, and renewable energy. 2021. Tese (Doutorado em Engenharia de Produção e Sistemas) - Pontifícia Universidade Católica do Paraná, Curitiba, 2021. |
dc.identifier.uri.fl_str_mv |
http://repositorio.utfpr.edu.br/jspui/handle/1/28866 |
identifier_str_mv |
RIBEIRO, Matheus Henrique Dal Molin. Time series forecasting based on ensemble learning methods applied to agribusiness, epidemiology, energy demand, and renewable energy. 2021. Tese (Doutorado em Engenharia de Produção e Sistemas) - Pontifícia Universidade Católica do Paraná, Curitiba, 2021. |
url |
http://repositorio.utfpr.edu.br/jspui/handle/1/28866 |
dc.language.iso.fl_str_mv |
eng |
language |
eng |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Pontifícia Universidade Católica do Paraná Pato Branco |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Egenharia de Produção e Sistemas |
dc.publisher.initials.fl_str_mv |
PUCPR |
dc.publisher.country.fl_str_mv |
Brasil |
publisher.none.fl_str_mv |
Pontifícia Universidade Católica do Paraná Pato Branco |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) instname:Universidade Tecnológica Federal do Paraná (UTFPR) instacron:UTFPR |
instname_str |
Universidade Tecnológica Federal do Paraná (UTFPR) |
instacron_str |
UTFPR |
institution |
UTFPR |
reponame_str |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) |
collection |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) |
bitstream.url.fl_str_mv |
http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/28866/2/license.txt http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/28866/1/seriestemporaisenergiarenovaveis.pdf http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/28866/3/seriestemporaisenergiarenovaveis.pdf.txt http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/28866/4/seriestemporaisenergiarenovaveis.pdf.jpg |
bitstream.checksum.fl_str_mv |
b9d82215ab23456fa2d8b49c5df1b95b b85af0f683819f37f7f0259d02aac7c5 770dd79654295cc219395698ce33f690 6a72ec0f18ba5f5d3ce8766e4aa75e8b |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) - Universidade Tecnológica Federal do Paraná (UTFPR) |
repository.mail.fl_str_mv |
|
_version_ |
1797044321118060544 |