Um estudo comparativo de ensembles híbridos para aplicações deprevisão de séries temporais

A comparative study of hybrid ensembles for forecasting time series applications

F.M. do Amaral Filho, S. Galvão Bandeira, S. Gomes Soares Alcalá, T.M. Barbosa

Revista Brasileira de Computação Aplicada Vol. 13, nº. 2, pp. 58 - 72

Original summary:

Previsões de séries temporais auxiliam a tomada de decisão em diversas áreas como marketing, economia e indústria, sendo que a principal finalidade é estimar o comportamento futuro de uma sequência de observações. Nesse sentido, conjuntos de modelos (ensembles) híbridos, que combinam modelos de aprendizado de máquina e estatísticos, têm se mostrado eficientes para prever séries temporais. Entretanto, a correta seleção dos modelos e da combinação em um ensemble é importante para assegurar o desempenho do sistema. Assim, este trabalho propõe e compara diferentes abordagens de ensembles híbridos para melhorar a previsão de séries temporais. São propostos um conjunto de modelos de previsão e diferentes estratégias de combinação para lidar com séries temporais de diferentes padrões. A primeira abordagem de ensembles combina um conjunto de modelos com acurácia utilizando quatro estratégias de combinação. Já a segunda abordagem ensemble seleciona automaticamente modelos e a combinação utilizando meta-heurísticas. As abordagens são comparadas utilizando um novo conjunto de dados de uma empresa de distribuição de cosméticos e um conjunto de dados público. Os resultados demonstram que os ensembles propostos são eficientes para diminuir o erro de previsão. 

English summary:

Time series forecasting assists decision making in several areas such as marketing, economics and industry, being that the main purpose is to estimate the future behavior of a sequence of observations. Thus, sets of hybrid models (ensembles), which combine machine learning and statistical models, have been shown efficient in predicting time series. However, the correct selection of models and combination in an ensemble is important to ensure the system performance. Thus, this work proposes and compares different approaches of hybrid ensembles to improve time series forecasting. A set of forecasting models and different combination strategies are proposed to deal with time series of different patterns. The first ensemble approach combines a set of accurate models using four combination strategies. The second ensemble approach selects automatically models and combination using meta-heuristics. The approaches are compared using a new data set from a cosmetic distribution company and a public data set. The results demonstrate that the proposed ensembles are efficient to reduce the prediction errors.

Keywords: Aprendizado de Máquina; Ensemble; Meta-heurística; Previsão de Séries Temporais;; Machine Learning, Ensemble, Metaheuristic, Time Series Forecasting

DOI reference: https://doi.org/10.5335/rbca.v13i2.12067

Published on paper: July 2021.

Published on-line: July 2021.

Citation:
F.M. do Amaral Filho, S. Galvão Bandeira, S. Gomes Soares Alcalá, T.M. Barbosa, Um estudo comparativo de ensembles híbridos para aplicações deprevisão de séries temporais. Revista Brasileira de Computação Aplicada. Vol. 13, nº. 2, pp. 58 - 72, July 2021. [Online: July 2021]