Um framework evolucionário para hibridização de preditores
Séries Temporais, Modelos híbridos, Combinação de Modelos
Lineares e Não lineares, framework, algoritmo evolucionário
A previsão de séries temporais é uma tarefa desafiadora em aplicações do
mundo real, pois as séries temporais podem ser compostas por padrões
lineares e não lineares, apresentar comportamento heterocedástico e ter
ruídos aleatórios. Assim, a utilização de um modelo único para a modelagem
e previsão de uma série temporal pode não ser suficiente para capturar
todos os padrões da série. Para aumentar a acurácia da previsão, são
utilizados sistemas híbridos, que combinam um modelo linear com um não
linear de previsão. O funcionamento destes modelos pode ser dividido em
três etapas: modelagem linear da série temporal, previsão do resíduo
utilizando um modelo de aprendizagem de máquina e a previsão final é obtida
através da combinação das fases anteriores. O presente trabalho objetiva
identificar a melhor modelagem das componentes correlacionadas da série,
visando aprimorar a precisão da previsão. Para isso, foi proposto um
framework que busca a melhor combinação ponderada das componentes linear e
não linear da série temporal, utilizando tanto os valores atuais quanto os
passados da série para compor a previsão. O método proposto realiza: (i)
modelagem linear da série temporal, (ii) modelagem não linear do resíduo e
(iii) utiliza um algoritmo genético modificado que encontra a melhor
ponderação para as previsões realizadas nas etapas anteriores. As
simulações experimentais foram realizadas utilizando oito séries temporais
do mundo real e o desempenho do modelo foi avaliado através da métrica erro
quadrático médio. Os resultados mostram que o framework proposto obtém
desempenho superior quando comparado com os modelos da literatura.