Seleção e compreensão de desempenho de algoritmos para previsão de séries temporais

Autor(es)

Moisés Rocha dos Santos

• Tipo de documento: Tese de Doutorado
• Imprenta: São Carlos.
• Instituição: Universidade de São Paulo (USP). Instituto de Ciências Matemáticas e de Computação (ICMC/SB)
• Data de defesa: 2023-05-24

Membros da banca

André Carlos Ponce de Leon Ferreira de Carvalho; Ricardo Bastos Cavalcante Prudêncio; Diego Furtado Silva; Bruno Feres de Souza

• Orientador: André Carlos Ponce de Leon Ferreira de Carvalho

Resumo

Previsão de séries temporais é uma tarefa estratégica no suporte à tomada de decisão. A grande disponibilidade, e variabilidade, de algoritmos capazes de induzir modelos preditivos tem gerado uma demanda por formas de seleção de algoritmos. Adicionalmente, para validação do modelo induzido, é importante entender o seu desempenho preditivo quando aplicado a uma série temporal. Esta tese investiga novas abordagens de seleção de algoritmos para combinação de previsões e entendimento de desempenho preditivo de modelos induzidos por algoritmos para previsão de séries temporais. Para isso, foi inicialmente pesquisado o estado da arte em previsão de séries temporais, com foco na seleção de algoritmos e entendimento de desempenho preditivo. Este estudo observou as limitações de abordagens existentes e identificou as lacunas na literatura que puderam ser solucionadas por esta pesquisa. As principais contribuições desta tese são quatro: o desenvolvimento de uma abordagem baseada em meta-aprendizado para seleção de combinações de previsão com decomposição de séries temporais; um método de geração de séries temporais sintéticas baseado em dataset morphing; a análise empírica de diferentes medidas de desempenho para escolha de meta-alvo na seleção de algoritmos por meta-aprendizado; a análise da aplicação de decomposição de sazonalidade e tendência com Loess como uma etapa de pré-processamento. A abordagem MetaFore combina algoritmos de aprendizado de máquina para as componentes de tendência e resíduo na tarefa de previsão de séries temporais. As componentes são separadas com a decomposição de sazonalidade e tendência com Loess e a sazonalidade é prevista com o método naive sazonal. MetaFore foi avaliado nas séries temporais mensais da competição M4 e atingiu melhor desempenho preditivo e computacional que um método que é estado da arte, as redes neurais Long Short-Term Memory (LSTM), em mais de 70% dos conjuntos de dados. Na pesquisa, o método tsMorph gera séries temporais sintéticas de forma gradual transformando uma série temporal de origem em uma série temporal alvo. O método tsMorph foi aplicado para o entendimento da variação de desempenho preditivo de algoritmos de previsão Regressão com Suporte Vetorial e a rede neural LSTM. Os resultados experimentais mostraram que o método tsMorph gerou séries temporais com variação gradual do desempenho preditivo e meta-características. Esta pesquisa contribuiu para o desenvolvimento de novas abordagens de previsão e entendimento de desempenho de algoritmos eficientemente. Os estudos em seleção de combinações de previsões e entendimento de desempenho podem ser facilmente incluídos nos processos de previsão de séries temporais e abrem perspectivas para pesquisa e desenvolvimento na área de meta-aprendizado e aprendizado de máquina automático. (AU)

• Processo FAPESP: 19/10012-2 - Meta-aprendizagem aplicada à previsão de séries temporais
• Beneficiário: Moisés Rocha dos Santos
• Modalidade de apoio: Bolsas no Brasil - Doutorado