Time series forecasting based on ensemble learning methods applied to agribusiness, epidemiology, energy demand, and renewable energy

• Ano de defesa: 2021
• Autor(a) principal: Ribeiro, Matheus Henrique Dal Molin
• Orientador(a): Coelho, Leandro dos Santos
• Banca de defesa: Coelho, Leandro dos Santos , Mariani, Viviana Cocco , Nievola, Julio Cesar , Previdelli, Isolde Terezinha Santos , Souza, Reinaldo Castro
• 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
• País: Brasil
• Palavras-chave em Português: Aprendizado de máquinas; Otimização matemática; Previsão; Análise de séries temporais; Machine learning; Mathematical optimization; Forecasting; Time-series analysis
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUCAO
• Link de acesso: http://repositorio.utfpr.edu.br/jspui/handle/1/28866

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.