Séries Temporais: Análise e Previsão utilizando técnicas estatísticas e de aprendizado de máquina

• Processo: 24/16370-6
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de dezembro de 2024
• Data de Término da vigência: 30 de novembro de 2025
• Área de conhecimento: Ciências Exatas e da Terra - Matemática - Matemática Aplicada
• Pesquisador responsável: Thays Aparecida de Abreu Santos
• Beneficiário: Ana Laura Munarin da Silva
• Instituição Sede: Faculdade de Engenharia (FEIS). Universidade Estadual Paulista (UNESP). Campus de Ilha Solteira. Ilha Solteira , SP, Brasil
• Assunto(s): Análise de dados Aprendizado computacional Estatística aplicada Análise de séries temporais Iniciação científica
• Palavra(s)-Chave do Pesquisador: Análise de Dados | Aprendizado de Máquina | Estatística Aplicada | Séries Temporais | Iniciação Científica

Resumo

Uma série temporal é uma sequência de dados coletados ao longo do tempo, cuja modelagem é complexa devido à presença de padrões lineares e não lineares. A análise dessas séries é fundamental para identificar tendências, sazonalidades, ciclos e outras características dos dados. A previsão de séries temporais é amplamente aplicada em áreas como previsão de demanda de produtos, carga elétrica, disseminação da COVID-19, finanças e comportamento do consumidor, podendo ser de curto, médio ou longo prazo. Técnicas estatísticas, como ARIMA, e de aprendizado de máquina, como redes neurais artificiais e máquinas de vetor de suporte (SVM), são comumente utilizadas para esse fim. No entanto, é crucial realizar uma análise detalhada da série temporal antes de aplicar qualquer técnica, a fim de garantir previsões mais precisas e eficazes. Muitos estudos falham por não considerar essa análise inicial, aplicando métodos de alto custo computacional sem compreender adequadamente os padrões históricos dos dados. Este projeto enfatiza a importância de analisar a série temporal para, então, selecionar a técnica de previsão mais adequada.