Uma abordagem de seleção dinâmica de preditores baseada nas janelas temporais mais recentes
Seleção Dinâmica, Sistema de Múltiplos Preditores, Séries Temporais, Ensemble.
O desenvolvimento de sistemas de previsão acurados para modelagem de séries
temporais do mundo real é uma tarefa desafiadora. Devido à presença de
padrões temporais que mudam ao longo do tempo, a adoção de um modelo único
pode levar a previsões de baixa acurácia. Nesse cenário, Sistemas de
Múltiplo Preditores (SMP) surgem como uma alternativa promissora. A seleção
dinâmica de preditores é um caso especial de SMP, onde cada modelo é um
especialista em padrões específicos da série temporal. Na seleção dinâmica
os modelos mais competentes são selecionados para cada novo padrão de
teste. Um critério frequentemente utilizado é avaliar o desempenho dos
modelos na região de competência, formada pelos padrões (presentes nos
conjuntos de treinamento ou validação) mais similares ao padrão de teste. A
qualidade da região de competência é um fator chave na precisão do SMP.
Porém, definir adequadamente a medida de similaridade e o tamanho da região
de competência é um desafio. Além disso, não há garantia de que existam
padrões similares no conjunto de treinamento ou validação. Esta tese propõe
uma abordagem de seleção dinâmica intitulada Dynamic Selection based on the
Nearest Windows (DSNAW) que escolhe um ou mais modelos de acordo com seu
desempenho na região de competência composta pelas janelas que antecedem à
nova janela da observação de teste. Essa estratégia assume que as janelas
temporais mais próximas do novo padrão de teste têm um comportamento mais
similar à observação a ser predita do que os dados de treinamento. O estudo
experimental utilizando dez séries temporais mostrou que a abordagem
proposta supera as abordagens da literatura, consolidando-a como uma nova
abordagem para seleção dinâmica de preditores.