Avanços na seleção baseada em meta-aprendizado de modelos de previsão

• Processo: 21/13281-4
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Doutorado
• Data de Início da vigência: 01 de maio de 2022
• Data de Término da vigência: 30 de abril 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
• Supervisor: Carlos Manuel Milheiro de Oliveira Pinto Soares
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Instituição Anfitriã: Universidade do Porto (UP), Portugal
• Vinculado à bolsa: 19/10012-2 - Meta-aprendizagem aplicada à previsão de séries temporais, BP.DR
• Assunto(s): Seleção de modelos Aprendizado computacional Análise de séries temporais
• Palavra(s)-Chave do Pesquisador: Meta-Aprendizado | Previsão de Séries Temporais | Seleção de Modelos | Aprendizado de máquina

Resumo

A previsão é uma das principais tarefas da análise de séries temporais. A seleção de modelos de previsão é uma etapa de tomada de decisão crucial em muitas aplicações do mundo real. Para obter previsões que melhor explicam as variáveis de interesse no futuro, é necessário selecionar o modelo que melhor se ajusta a uma determinada série temporal. No entanto, a tarefa de seleção pode ser bastante custosa em termos computacionais devido às muitas técnicas disponíveis e à possível limitação de um conhecimento altamente especializado. Esta proposta visa implementar uma abordagem de previsão híbrida, usando meta-aprendizado para selecionar modelos para componentes de uma série temporal derivada de uma decomposição. O meta-aprendizado vem com a proposta de usar técnicas de aprendizado de máquina para extrair conhecimento de tarefas anteriores e tornar as tarefas anteriores mais rápidas, eficientes e com melhor desempenho. Aliado a isso, métodos com previsão híbrida têm mostrado resultados promissores na literatura. Como resultado, espera-se obter novos modelos híbridos com bom desempenho e um melhor entendimento do processo de meta-aprendizagem. (AU)