Modelos de redes neurais recorrentes para previsão de séries temporais de memória curta e longa

• Processo: 03/05297-0
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Data de Início da vigência: 01 de setembro de 2003
• Data de Término da vigência: 31 de agosto de 2005
• Área de conhecimento: Ciências Exatas e da Terra - Probabilidade e Estatística - Estatística
• Pesquisador responsável: Emanuel Pimentel Barbosa
• Beneficiário: Daniel Takata Gomes
• Instituição Sede: Instituto de Matemática, Estatística e Computação Científica (IMECC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Assunto(s): Análise de séries temporais Predição Redes neurais (computação)
• Palavra(s)-Chave do Pesquisador: Memoria Longa | Predicao | Redes Neurais | Series Temporais

Resumo

O presente projeto trata do estudo de modelos de redes neurais recorrentes para previsão de séries temporais, tanto do caso de séries de memória curta quanto longa, e compreende 2 objetivos principais, a saber: Estudo da fundamentação teórica desses modelos de redes neurais recorrentes para series temporais, suas principais arquiteturas e algoritmos de aprendizagem, e sua implementação computacional. Estudo comparativo da performance preditiva dessas redes retroalimentadas, tomando-se como referência modelos padrão de series temporais tipo arima/afirma para dados econométricos de inflação em diversos países. (AU)

Publicações acadêmicas

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

GOMES, Daniel Takata. Modelos de redes neurais recorrentes para previsão de series temporais de memorias curta e longa. 2005. Dissertação de Mestrado - Universidade Estadual de Campinas (UNICAMP). Instituto de Matemática, Estatística e Computação Científica Campinas, SP.