Simpósio de Pesquisa Operacional e Logística da Marinha - Publicação Online

Agosto 2016, vol.2, num.1 - XVIII Simpósio de Pesquisa Operacional & Logística da Marinha
Artigo Completo - Open Access Idioma principal | Segundo principal

PREVISÃO DE CURTO PRAZO DA SÉRIE TEMPORAL CANADIAN LYNX VIA REDES NEURAIS ARTIFICIAIS E DECOMPOSIÇÃO WAVELET

PREVISÃO DE CURTO PRAZO DA SÉRIE TEMPORAL CANADIAN LYNX VIA REDES NEURAIS ARTIFICIAIS E DECOMPOSIÇÃO WAVELET

Teixeira Júnior, Luiz Albino; Franco, Edgar Manuel Carreño; Souza, Rafael Morais de

Artigo Completo:

Neste artigo, é proposta uma abordagem alternativa híbrida que combina uma Rede Neural Artificial e a Decomposição Wavelet (DW), referida por RNA-WD, com o objetivo de produzir previsões de curto prazo para a série temporal de Canadian Lynx. Em termos gerais, o método RNA-DW é dividido em dois passos: (1) é realizada a decomposição de nível p da série temporal a ser prevista, gerando-se p+1 componentes wavelet; e (2) os sinais defasados em J instantes das p+1 componentes wavelet geradas em (1) são simultaneamente utilizados como entradas de uma RNA cuja saída é uma previsão em um instante de tempo t para a série temporal em questão. Os resultados obtidos mostraram que a RNA-WD obteve desempenho preditivo superior a uma RNA tradicional.

Neste artigo, é proposta uma abordagem alternativa híbrida que combina uma Rede Neural Artificial e a Decomposição Wavelet (DW), referida por RNA-WD, com o objetivo de produzir previsões de curto prazo para a série temporal de Canadian Lynx. Em termos gerais, o método RNA-DW é dividido em dois passos: (1) é realizada a decomposição de nível p da série temporal a ser prevista, gerando-se p+1 componentes wavelet; e (2) os sinais defasados em J instantes das p+1 componentes wavelet geradas em (1) são simultaneamente utilizados como entradas de uma RNA cuja saída é uma previsão em um instante de tempo t para a série temporal em questão. Os resultados obtidos mostraram que a RNA-WD obteve desempenho preditivo superior a uma RNA tradicional.

Download (PDF)

Palavras-chave:

DOI: 10.5151/marine-spolm2015-140488

Referências bibliográficas
  • [1] ABREU, T.; ARAÚJO, K.A.M.; LOPES, M.L.M.; LOTUFO, A.D.P. Metodologia híbrida utilizando os modelos ARIMA e redes neurais artificiais para previsão de cargas elétricas. Congresso Brasileiro de Automática. Campina Grande, 2012.
  • [2] ALADAG, C. H.; EGRIOGLU, E.; KADILAR, C. Forecasting Nonlinear Time Series With a Hybrid Methodology. Applied Mathematics Letters, v.22, p.1467-1470, 2009.
  • [3] BOX, G.; JENKINS, G. Time Series Analysis: Forecasting and Control. San Francisco: Holden-Day, 1970.
  • [4] DONOHO, D.L., JONHSTONE, I.M.; KERKYACHARIAN, G.; PICARD, D. Universal near Minimaxity of Wavelet Shrinkage. Stanford University Technical Report, 1995.
  • [5] DONOHO, D. L.; JONHSTONE, I. M. Ideal Spatial Adaptation by Wavelet Shrinkage. Biometric, 81,425-455, 1994.
  • [6] GOOIJER, J. G.; HYNDMAN, R. J. 25 years of time series forecasting. International Journal of Forecasting, p.443– 473, 2006.
  • [7] ISMAIL, S.; SHABRI, A. Time Series Forecasting using Least Square Support Vector Machine for Canadian Lynx Data. Jurnal Teknologi, p.11-15, 2014.
  • [8] HAYKIN, S. Redes Neurais Princípios e Aplicações, Segunda Edição. Porto Alegre, 2001.
  • [9] KAJITANI, Y.; KEITH, W. H.; McLEOD, A. I. Forecasting Nonlinear Time Series With Feed-Forward Neural Networks: A case Study of Canadian Lynx Data. Journal of Forecasting, v.24, p. 105-117, 2005.
  • [10] KASHEI, M.; BIJARI, M. An Artificial Neural Network (p,d,q) Model for Times Forecasting. Expert Systems With Applications, v. 37, p. 479-489, 2010.
  • [11] KUBRUSLY, C. S. Elements of Operator Theory. Birkhäuser, Boston, 2001.
  • [12] KUBRUSLY, C. S., LEVAN, N. Dual-Shift Decomposition of Hilbert Space. Semigroups of Operators: Theory and Application, v.2, p. 145-157, 2002.
  • [13] LEVAN, N.; KUBRUSLY, C. S. A Wavelet “Time-Shift-Detail” Decomposition. Mathematics and Computers in Simulation, v.63, p. 73-78, 2003.
  • [14] MALLAT, S. A Wavelet Tour of Signal Processing. Academic Press. San Diego, 1998.
  • [15] MORAN, P. A. P. The Statistical Analysis of the Canadian Lynx Cycle. Australian Journal of Zoology, v.1, p. 163-173, 1953.
  • [16] OGDEN, R.T. Essential Wavelet for Statistical Applications and Data Analysis. Birkhäuser. Boston, 1997.
  • [17] SUBBA, R. T.; SABR, M. M. An Introduction to Bispectral Analysis and Bilinear Time Series Models. Lecture Notes in Statistics, v. 24, 1984.
  • [18] TANG, Y.; GHOSAL, S. A Consistent Nonparametric Bayesian procedure for Estimating Autoregressive Conditional Densities. Computational Statistcs & Data Analysis, v.51, p. 4424-4437, 2007.
  • [19] TEIXEIRA JÚNIOR, L. A. Combinação SSA-Wavelet de métodos preditivos com ajuste numérico MINIMAX, na geração de previsões e de cenários. Rio de Janeiro, 114 p. Tese (Doutorado em Engenharia Elétrica). Pontifícia Universidade Católica do Rio de Janeiro, Rio de Janeiro, 2013.
  • [20] TEIXEIRA JÚNIOR, L. A.; MENESES, M. L.; PESSANHA, J. F. M. SOUZA, R. C.; CASSIANO, K. M. Redes Neurais Artificiais Wavelet Causal na Previsão da Radiação Solar Direta. Simpósio Brasileiro de Pesquisa Operacional. Rio de Janeiro, 2012.
  • [21] TEIXEIRA JÚNIOR, L.A.; PESSANHA, J.F.M.; SOUZA, R.C. Análise Wavelet e Redes Neurais Artificiais na Previsão da Velocidade de Vento. Simpósio Brasileiro de Pesquisa Operacional. Ubatuba, 2011.
  • [22] WANG, A.B.W., VAN GELDER, P.H.A.J.M., VRIJLING, J.K.; MA, J.Forecasting daily streamflow using hybrid ANN models. Amsterdan: Journal of Hydrology, v. 324, p. 383-399, 2006.
  • [23] WONG, C. S.; LI, W. K. On a Mixture Autoregressive Model. Journal of the Royal Statistical Society Series B, v.62, p. 91-115, 2000.
  • [24] ZHANG, G.P. Times Series Forecasting Using Hybrid ARIMA and Neural Network Model. Neurocomputing, v. 50, p.159-175, 2003.
Como citar:

Teixeira Júnior, Luiz Albino; Franco, Edgar Manuel Carreño; Souza, Rafael Morais de; "PREVISÃO DE CURTO PRAZO DA SÉRIE TEMPORAL CANADIAN LYNX VIA REDES NEURAIS ARTIFICIAIS E DECOMPOSIÇÃO WAVELET", p-388-399. In: Anais do XVIII Simpósio de Pesquisa Operacinal & Logística da Marinha. São Paulo: Blucher, 2016.
ISSN 21756295, DOI 10.5151/marine-spolm2015-140488

últimos 30 dias

93
downloads

209
visualizações

1369
indexações