Uma Nova Abordagem de Seleção Dinâmica com Múltiplas Regiões de
Competência para Previsão Séries Temporais
Previsão de Séries Temporais, Sistemas de Múltiplos
Preditores, Seleção de Modelos, Seleção Dinâmica.
A previsão de séries temporais é desafiadora devido à variação dos padrões
ao longo do tempo, que torna inviável a utilização de modelos únicos. Os
Sistemas de Múltiplos Preditores (SMP), especialmente com seleção dinâmica
de preditores, surgem como alternativas promissoras, pois permitem escolher
os modelos mais adequados para cada novo padrão. No entanto, os métodos de
seleção dinâmica enfrentam dificuldades ao selecionar os melhores modelos
dentro de um conjunto de preditores (Pool). Uma estratégia frequentemente
utilizada é avaliar o desempenho dos modelos em uma região de competência,
formada pelos padrões mais semelhantes ao padrão de teste, extraídos dos
conjuntos de treinamento ou validação. Contudo, nem sempre há garantia de
que existam padrões similares no conjunto de treinamento ou validação, o
que torna o processo de seleção de modelos ainda mais desafiador. Além
disso, selecionar o modelo que melhor prever toda a região de competência
nem sempre resulta na seleção dos modelos mais precisos. Para lidar com
essas limitações, esta dissertação propõe Uma Nova Abordagem de Seleção
Dinâmica com Múltiplas Regiões de Competência para Previsão Séries
Temporais. A abordagem proposta seleciona um ou mais modelos que sejam
especialistas em padrões presentes na região de competência composta tanto
por padrões similares a partir de uma métrica de similaridade, quanto por
padrões que antecedem à nova observação de teste. Essa estratégia assume
que selecionar os modelos que são especialistas nos padrões considerados
semelhantes a nova amostra de teste apresentará acurácia superior à
estratégia tradicional de utilização de SMP. Experimentos com nove séries
temporais mostraram que a abordagem proposta supera métodos existentes,
destacando-se como uma alternativa eficiente na seleção dinâmica de
preditores.