Banca de DEFESA: CONSTANTINO CANDIDO MARANHÃO MARIZ NETO

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: CONSTANTINO CANDIDO MARANHÃO MARIZ NETO
DATA : 27/01/2026
HORA: 14:00
LOCAL: Virtual
TÍTULO:

Um Sistema Híbrido baseado em Ensemble e Combinação Adaptativa via
Aprendizado Local

PALAVRAS-CHAVES:

Séries Temporais. Sistemas Híbridos. Ensemble. Local
Learning. Previsão de Resíduos.

 

PÁGINAS: 58
RESUMO:

Sistemas híbridos que combinam modelos estatísticos e de Aprendizado de
Máquina (AM) fundamentam-se na decomposição da série temporal em
componentes lineares e não lineares, com o objetivo de mitigar as
limitações de viés indutivo associadas a preditores isolados. Esses
sistemas são compostos por três fases: modelagem da série utilizando um
modelo linear, modelagem das séries de resíduos utilizando um modelo de AM,
e a combinação das previsões da série e dos resíduos utilizando uma função
de combinação. No entanto, o desempenho preditivo desses sistemas permanece
frequentemente aquém do potencial teórico devido, sobretudo, a dois fatores
principais: (i) a dificuldade em capturar a dinâmica complexa e não
estacionária presente nos resíduos; e (ii) a adoção de uma única função de
combinação é incapaz de modelar de maneira adaptativa a interação entre as
previsões lineares e não lineares ao longo do tempo. Esta dissertação
propõe um novo sistema híbrido composto por três etapas principais: (a)
modelagem inicial da série temporal por meio de um modelo estatístico; (b)
modelagem dos resíduos via um ensemble de modelos, no qual se emprega uma
etapa de otimização visando selecionar o melhor pool de especialistas; e
(c) combinação das previsões por meio de aprendizado local, utilizando uma
função de agregação adaptativa que explora regiões de competência definidas
em espaços de vizinhança, com o intuito de ajustar dinamicamente a
contribuição relativa dos componentes lineares e não lineares. A avaliação
empírica, realizada sobre sete séries temporais reais de domínios distintos
e comparada com modelos individuais, arquiteturas híbridas clássicas e
métodos baseados em Aprendizado Profundo reportados na literatura,
evidenciou que o sistema proposto alcança ganhos consistentes de acurácia.
Esses resultados indicam que a combinação de modelagem de resíduos com
mecanismos de seleção de especialistas e integração local adaptativa
constitui uma estratégia eficaz para superar limitações de generalização
presentes em abordagens híbridas mais rígidas.

 

MEMBROS DA BANCA:
Externo à Instituição - MOISES ROCHA DOS SANTOS - UFJF
Presidente - 2886196 - LEANDRO MACIEL ALMEIDA
Interno - 1890208 - PAULO SALGADO GOMES DE MATTOS NETO