Agosto 2016 vol. 2 num. 1 - XVIII Simpósio de Pesquisa Operacional & Logística da Marinha

Artigo Completo - Open Access.

Idioma principal

COMBINAÇÃO LINEAR WAVELET SARIMA-RNA COM ESTÁGIOS MULTIPLOS NA PREVISÃO DE SÉRIES TEMPORAIS

Teixeira Júnior, Luiz Albino ; Faria Júnior, Álvaro Eduardo ; Pereira, Ricardo Vela de Britto ; Souza, Reinaldo Castro ; Franco, Edgar Manuel Carreño ;

Artigo Completo:

Neste artigo, é proposta uma metodologia híbrida para se combinar previsões de séries temporais (estocásticas) chamada de Combinação Linear Wavelet (CLW) SARIMA-RNA com Estágios Múltiplos. Primeiramente, é feita a decomposição wavelet de nível p, gerando-se p+1 (aproximações das) componentes wavelet (CWs). Em seguida, as CWs são individualmente modeladas por meio de um modelo de Box e Jenkins e de uma rede neural artificial - a fim de se capturar, respectivamente, estruturas lineares e não-lineares plausíveis de autodependência - para, em seguida, serem linearmente combinadas, fornecendo previsões híbridas para cada uma. Por fim, as referidas são linearmente combinadas pela CLW de previsões (a ser definida). Para avaliá-la, utilizaram-se modelos de Box e Jenkins (BJ), redes neurais artificiais (RNA) e sua tradicional Combinação Linear (CL1) de previsões; e RNA integrado com a decomposição wavelet (RNA-WAVELET), modelo BJ integrado com decomposição wavelet (BJ-WAVELET) e sua tradicional Combinação Linear (CL2) de previsões. Todos os métodos preditivos aplicados à série temporal mensal de vazão média de afluentes da barragem da Usina de Itaipu, localizada em Foz do Iguaçu, Brasil. Em todas as análises, a metodologia híbrida proposta obteve desempenho preditivo superior que as outras.

Artigo Completo:

Download (PDF)

Palavras-chave: Séries Temporais. Decomposição Wavelet. Modelos de Box e Jenkins. Redes Neurais Artificiais. Combinação Linear de Previsões,

Palavras-chave: ,

DOI: 10.5151/marine-spolm2015-140379

Referências bibliográficas
  • [1] AQUINO, R. R. B.; LIRA, M. M. S.; OLIVEIRA, J. B.; CARVALHO J.; M. A.; NETO, O. N.; ALMEIDA, G. J. (2009). Application of Wavelet and Neural Network Models for Wind Speed and Power Generation Forecasting in a Brazilian Experimental Wind Park, International Joint Conference on Neural Networks. Atlanta, USA.
  • [2] BATES, J. M. and GRANGER, C. W. J. (1969). Combination Forecasts. Operations Research Quarterly.
  • [3] BOX, G. E. P. and JENKINS, G. M. (1976). Time Series Analysis Forecasting and Control. Ed. San Francisco: Holden-Day.
  • [4] DAUBECHIES, I. (1988). Orthonormal Bases of Compactly Supported wavelets. Comm. Pureand Applied Math., 41, pp.909-996.
  • [5] DENG, F.; SU, G.; LIU, C.; WANG, Z. (2010). Global Solar Radiation Modeling Using The Artifical Neural Network Technique. Power and Energy Engineering Conference, Chengdu, March.
  • [6] DONOHO, D. L. and JONHSTONE, I. M. (1994). Ideal Spatial Adaptation by Wavelet Shrinkage. Biometric, 81,425-455.
  • [7] DONOHO, D. L.; JONHSTONE, I. M.; KERKYACHARIAN, G.; and PICARD, D. (1995). Wavelet Shrinkage: Asymptopia? (with discussion) Journal Royal Statistical Society. B, 57:301-369.
  • [8] FARIA, A. E. and MUBWANDARIKWA, E (2008). Multimodality on the Geometric Combination of Bayesian Forecasting Models. International Journal of Statistics and Management System, 3, 1-25
  • [9] FLORES, B. E. and WHITE, E. M. (1989). Subjective versus Objective Combining of Forecasts: An Experiment. Journal of Forecasting, v.8, p.331-341.
  • [10] FLORES, B. E.; and WHITE, E. M. (1998). A Framework for the Combination of Forecasts. Journal Academic Marketing Science, v.16 (3-4), p.95-103.
  • [11] GOLYANDINA N.; NETRUTKIN V.; ZHIGLJAVSKY A. (2001). Analysis of Time Series Structure: SSA and Related Techniques. Chapman & Hall / CRC. London.
  • [12] GRANGER, C. W. J. (1989). Invited Review: Combining Forecasts - Twenty Years Later. Journal of Forecasting, 8, pp. 167-173.
  • [13] GUPTA, S. and WILTON, P. C. (1987). Combination of Forecasts: An Extension. Management Science. v.33, n.3, p.356-372.
  • [14] HAMILTON, J. (1994). Time Series Analysis. Princeton University Press.
  • [15] HAYKIN, S. (2001). Redes Neurais: Princípios e Prática. 2º ed. Porto Alegre, Bookman.
  • [16] KUBRUSLY, C. S. (2011). Elements of Operator Theory. Second Edition. Birkhäuser. Boston.
  • [17] KUBRUSLY, C. S. and LEVAN, N. (2006). Abstract Wavelets Generated by Hilbert Space Shift Operators. Adv. Math. Sci. Appl. 14, 643-660.
  • [18] LEI, C. and RAN, L. (2008). Short-term Wind Speed Forecasting Model for Wind Farm Based on wavelet Decomposition DRPT, Nanjing, China, pp 2525-2529
  • [19] LEVAN N., KUBRUSLY, C. S, (2003). A Wavelet “Time-Shift-Detail” Decomposition.
  • [20] LUTKEPOHL, H. (2006). New Introduction to Multiple Time Series Analysis. Springer.
  • [21] MALLAT S. (2009). A Wavelet Tour of Signal Processing. Academic Press. San Diego.
  • [22] MAKRIDAKIS, S. (1989). Why Combining Works? International Journal of Forecasting, v.5, p.601-603.
  • [23] MAKRIDAKIS, S. and WINKLER, R. L. (1983). Averages of Forecasts: Some Empirical Results. Management Science, v.29, n.9, p.987-996.
  • [24] MORETTIN, P. A. and TOLOI, L. M. C. (2006). Análise Séries Temporais. 2ª Ed. ABE. Projeto Fisher. Editora: Edgard Blucher.
  • [25] NEWBOLD, P. and GRANGER, C.W. J. (1974). Experience with Forecasting Univariate Times Series and the Combination of Forecasts. Journal of the Royal Statistical Society. V.137, pp.131-165.
  • [26] OGDEN, R. T. (1997). Essential Wavelets for Statistical Applications and Data Analysis. Birkhäuser, Boston.
  • [27] PALIT A. K., POPOVIC D. (2005). Computational Intelligence in Time Series Forecasting: Theory and Engineering Applications. Springer-Verlag, London.
  • [28] RAGSDALE, C. (2004). Spreadsheet Modeling & Decision Analysis: A Practical Introduction to Management Science, fourth edition, South-Western.
  • [29] RUSSELL, S.J. and NORVIG, P. (1995). Artificial Intelligence: A Modern Approach. New Jersey: Prentice-Hall Inc.
  • [30] TAFNER, M. A. (1996). Redes Neurais Artificiais: Introdução e. Princípios de Neurocomputação. - Blumenau: EKO.
  • [31] WALLIS, K. F. (2011). Combining Forecasts - Forty Years Later. Applied Financial Economics, 21, pp. 33-41.
  • [32] WINKLER, R. L. (1989). Combining Forecasts: A Philosophical Basis and Some Current Issues. International Journal of Forecasting, v.5, p. 605-609.
  • [33] WINKLER, R. L. and MAKRIDAKIS, S. (1983). The Combination of Forecasting. Journal of the Royal Statistical Society, Series A, v.146, 1983, p.150-157.
  • [34] ZERVAS, P.L.; SARIMVEIS, H.; PALYVOS, J.A.; MARKATOS, N.C.G. (2008). Prediction of Daily Global Solar Irradiance on Horizontal Surfaces Based on Neural-Network Techniques. Renewable Energy, 33, pp 1796-1803.
  • [35] ZOU, H. & YANG, Y. (2004). Combining Time Series Models for Forecasting. International Journal of Forecasting, v.20, n.1, p.69-84.
  • [36] ZSOLT, L. (2006). Redes Neurais Artificiais: Fundamentos e Aplicações. 4º Ed, Livraria de Física.
Como citar:

Teixeira Júnior, Luiz Albino ; Faria Júnior, Álvaro Eduardo ; Pereira, Ricardo Vela de Britto; Souza, Reinaldo Castro; Franco, Edgar Manuel Carreño; "COMBINAÇÃO LINEAR WAVELET SARIMA-RNA COM ESTÁGIOS MULTIPLOS NA PREVISÃO DE SÉRIES TEMPORAIS", p. 295-307 . In: Anais do XVIII Simpósio de Pesquisa Operacinal & Logística da Marinha. São Paulo: Blucher, 2016.
ISSN 2175-6295, ISBN: 2358-5498
DOI 10.5151/marine-spolm2015-140379

últimos 30 dias | último ano | desde a publicação


downloads


visualizações


indexações