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

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

Resumen:

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. 

Palabras Clave: Aprendizado de Máquina; Ensemble; Meta-heurística; Previsão de Séries Temporais;

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

Publicado en papel: Julio 2021.

Publicado on-line: Julio 2021.

Cita:
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, Julio 2021. [Online: Julio 2021]