Modelos de redes neurais recorrentes para previsão de series temporais de memorias curta e longa

Autor(es)

Daniel Takata Gomes

• Tipo de documento: Dissertação de Mestrado
• Imprenta: Campinas, SP.
• Instituição: Universidade Estadual de Campinas (UNICAMP). Instituto de Matemática, Estatística e Computação Científica
• Data de defesa: 2005-11-18

Membros da banca

Emanuel Pimentel Barbosa; Clélia Maria de Castro Toloi; Marcelo Cunha Medeiros; Peter Sussner

• Orientador: Emanuel Pimentel Barbosa

Resumo

É de grande interesse o estudo de previsão de séries temporais, ou seja, conseguir identificar características do processo num ponto futuro. Para isso, é necessário estimar com precisão, ou pelo menos com uma boa aproximação, o processo gerador dos dados. Nos últimos anos, modelos de redes neurais artificiais vêm desempenhando um papel crescente na abordagem e solução de problemas estatísticos importantes. A estrutura mais básica de rede neural, as redes progressivas ou feedforward, sem retroalimentação, têm se mostrado uma alternativa vantajosa, em alguns casos, em relação aos modelos lineares tradicionais. No entanto, algumas séries apresentam características que permitem introduzir algum tipo de realimentação na rede. Tal rede chamada de rede neural recorrente, ferramenta ainda pouco explorada pela comunidade estatística. São dois os principais objetivos da dissertação. Primeiro, o estudo de redes neurais recorrentes para predição de séries temporais, o que compreende sua fundamentação teórica, principais arquiteturas e algoritmos de aprendizagem e sua implementação computacional. Segundo, estudo comparativo da performance preditiva dessas redes para séries temporais, tanto no caso de séries temporais de memória curta quanto de memória longa, tomando-se como referência modelos padrão tipo ARIMA e ARFIMA. São utilizadas séries espaciais (dados de variáveis do solo) e séries temporais (séries de inflações de países desenvolvidos). Os resultados mostram que o uso das redes para predição é vantajoso em relação a modelos lineares para diversas séries. Também é desenvolvido um novo modelo (redes neurais com pesos variáveis) e seu correspondente algoritmo de estimação baseado nas características dos dados (AU)

• Processo FAPESP: 03/05297-0 - Modelos de redes neurais recorrentes para previsão de séries temporais de memória curta e longa
• Beneficiário: Daniel Takata Gomes
• Modalidade de apoio: Bolsas no Brasil - Mestrado