Meta-aprendizagem aplicada à previsão de séries temporais

• Processo: 19/10012-2
• Linha de fomento: Bolsas no Brasil - Doutorado
• Vigência (Início): 01 de junho de 2019
• Situação: Interrompido
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: André Carlos Ponce de Leon Ferreira de Carvalho
• Beneficiário: Moisés Rocha dos Santos
• Instituição-sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Vinculado ao auxílio: 13/07375-0 - CeMEAI - Centro de Ciências Matemáticas Aplicadas à Indústria, AP.CEPID
• Bolsa(s) vinculada(s): 21/13281-4 - Avanços na seleção baseada em meta-aprendizado de modelos de previsão, BE.EP.DR
• Assunto(s): Inteligência computacional Aprendizado computacional Previsão (análise de séries temporais) Modelos estatísticos
• Palavra(s)-Chave do Pesquisador: Forecasting | meta-learning | time-series | Inteligência Computacional

Resumo

A previsão de séries temporais tem sido aplicada em diversos problemas cotidianos no processo de tomada de decisão, por exemplo na análise de Eletroencefalograma (EEG), consumo de energia, mercado financeiro de ações e outras. Entretanto, estes experimentos geralmente demandam muito tempo para selecionar o melhor modelo para tomada de decisão. Também, para este domínio é necessário um conhecimento específico sobre o tipo de série temporal para fazer previsões precisas. O objetivo do meta-aprendizado é selecionar modelos promissores para novos conjuntos de dados baseado na descoberta de conhecimento nos meta-conjuntos de dados. Este projeto tem como objetivo desenvolver um sistema de recomendação baseado em meta-aprendizado de modelos estatísticos e de aprendizado de máquina para previsão de séries temporais. Aliado a isto, serão feitas análises experimentais de meta-atributos existentes nos domínios de séries temporais e regressão. (AU)