Meta-aprendizagem aplicada à previsão de séries temporais

• Processo: 19/10012-2
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Data de Início da vigência: 01 de junho de 2019
• Data de Término da vigência: 31 de maio de 2023
• Área de 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)

Publicações científicas

(5)

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

FERREIRA DE SOUZA, EDUARDO DORNELES; DOS SANTOS, MOISES ROCHA; COSTA DA SILVA, LUCAS CLEOPAS; MUNIZ DE OLIVEIRA, ALEXANDRE CESAR; NETO, AREOLINO DE ALMEIDA; DE ALMEIDA RIBEIRO, PAULO ROGERIO; COTA, VR; BARONE, DAC; DIAS, DRC; DAMAZIO, LCM. Motor Learning and Machine Learning: Predicting the Amount of Sessions to Learn the Tracing Task. COMPUTATIONAL NEUROSCIENCE, v. 1068, p. 10-pg., 2019-01-01. (19/10012-2)

SANTOS, MOISES R.; MUNDIM, LEANDRO R.; CARVALHO, ANDRE C. P. L. F.; DELACAL, EA; FLECHA, JRV; QUINTIAN, H; CORCHADO, E. Evaluation of Error Metrics for Meta-learning Label Definition in the Forecasting Task. HYBRID ARTIFICIAL INTELLIGENT SYSTEMS, HAIS 2020, v. 12344, p. 13-pg., 2020-01-01. (19/10012-2)

SILVESTRE, GABRIEL DALFORNO; DOS SANTOS, MOISES ROCHA; DE CARVALHO, ANDRE C. P. L. F.; IEEE. Seasonal-Trend decomposition based on Loess plus Machine Learning: Hybrid Forecasting for Monthly Univariate Time Series. 2021 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN), v. N/A, p. 7-pg., 2021-01-01. (13/07375-0, 19/10012-2)

SANTOS, MOISES R.; BRAZ, DOUGLAS D. C.; CARVALHO, ANDRE C. P. L. F.; TINOS, RENATO; PAULA, MARCOS B. S.; DORETTO, GABRIEL; GUARNIER, EWERTON; FILHO, DONATO SILVA; SUIAMA, DANILO Y.; FERREIRA, LORENA E.; et al. Machine Learning Approach for Trend Prediction to Improve Returns on Brazilian Energy Market. 2022 IEEE LATIN AMERICAN CONFERENCE ON COMPUTATIONAL INTELLIGENCE (LA-CCI), v. N/A, p. 6-pg., 2022-01-01. (13/07375-0, 19/10012-2)

CASTILHO, DOUGLAS; SANTOS, MOISES R.; TINOS, RENATO; CARVALHO, ANDRE C. P. L. F.; PAULA, MARCOS B. S.; LADEIRA, LUCAS; GUARNIER, EWERTON; SILVA FILHO, DONATO; SUIAMA, DANILO Y.; JUNIOR, EDMUR A. M.; et al. Feature Selection using Complex Networks to Support Price Trend Forecast in Energy Markets. 2023 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS, IJCNN, v. N/A, p. 9-pg., 2023-01-01. (13/07375-0, 19/10012-2)

Publicações acadêmicas

(Referências obtidas automaticamente das Instituições de Ensino e Pesquisa do Estado de São Paulo)

SANTOS, Moisés Rocha dos. Seleção e compreensão de desempenho de algoritmos para previsão de séries temporais. 2023. Tese de Doutorado - Universidade de São Paulo (USP). Instituto de Ciências Matemáticas e de Computação (ICMC/SB) São Carlos.