skip to main content
Visitante
Meu Espaço
Minha Conta
Sair
Identificação
This feature requires javascript
Tags
Revistas Eletrônicas (eJournals)
Livros Eletrônicos (eBooks)
Bases de Dados
Bibliotecas USP
Ajuda
Ajuda
Idioma:
Inglês
Espanhol
Português
This feature required javascript
This feature requires javascript
Primo Search
Busca Geral
Busca Geral
Acervo Físico
Acervo Físico
Produção Intelectual da USP
Produção USP
Search For:
Clear Search Box
Search in:
Produção Intelectual da USP
Or hit Enter to replace search target
Or select another collection:
Search in:
Produção Intelectual da USP
Busca Avançada
Busca por Índices
This feature requires javascript
Tipo de recurso
criteria input
qualquer lugar do registro
no título
como autor
no assunto
Data de publicação
lsr01
lsr02
lsr03
lsr04
Orientador
Show Results with:
no título
Show Results with:
qualquer lugar do registro
no título
como autor
no assunto
Data de publicação
lsr01
lsr02
lsr03
lsr04
Orientador
Mostra resultados com:
criteria input
que contêm minhas palavras de busca
com a frase exata
começa com
Mostra resultados com:
Índice
criteria input
E
OU
NÃO
This feature requires javascript
Decomposição de séries temporais preservando o viés determinístico
Duarte, Felipe Simões Lage Gomes
Biblioteca Digital de Teses e Dissertações da USP; Universidade de São Paulo; Instituto de Ciências Matemáticas e de Computação 2020-01-13
Acesso online
Exibir Online
Detalhes
Resenhas & Tags
Mais Opções
This feature requires javascript
Enviar para
Adicionar ao Meu Espaço
Remover do Meu Espaço
E-mail (máximo 30 registros por vez)
Imprimir
Link permanente
Referência
EasyBib
EndNote
RefWorks
del.icio.us
Exportar RIS
Exportar BibTeX
This feature requires javascript
Título:
Decomposição de séries temporais preservando o viés determinístico
Autor:
Duarte, Felipe Simões Lage Gomes
Orientador:
Hruschka, Eduardo Raul; Mello, Rodrigo Fernandes de
Assuntos:
Análise De Séries Temporais
;
Decomposição De Séries Temporais
;
Predição De Séries Temporais
;
Séries Temporais
;
Time Series
;
Time Series Analysis
;
Time Series Decomposition
;
Time Series Prediction
Notas:
Tese (Doutorado)
Descrição:
Avanços tecnológicos possibilitaram a coleta e modelagem de grandes quantidades de dados produzidos ao longo do tempo por fenômenos industriais, humanos e naturais. Em se tratando de séries temporais, tais dados são compostos por influências determinísticas, relacionadas a eventos recorrentes e unicamente dependentes de observações passadas, e estocásticas, associadas a efeitos aleatórios. Modelos produzidos com base em apenas uma dessas influências tendem a produzir resultados sub-ótimos e incompletos. Portanto, idealmente, deve-se modelar o componente estocástico por meio de ferramentas estatísticas e o determinístico utilizando ferramentas da área de Sistemas Dinâmicos. Esse cenário leva à inerente necessidade da decomposição de dados temporais, em busca de modelos mais acurados e melhores resultados de predição. Diversas abordagens têm sido utilizadas para realizar tal decomposição, tais como: (i) Transformada de Fourier; (ii) Transformadas Wavelet; (iii) Médias Móveis; (iv) Análise Espectral Singular; (v) Lazy; (vi) GHKSS; e (vii) outras abordagens baseadas no método de decomposição de modo empírico (EMD Empirical Mode Decomposition). Tais abordagens apresentam problemas associados à imposição de viés definido pelos seus conjuntos de funções admissíveis, sendo que o senoidal é predominante sobre o componente determinístico resultante, descaracterizando o viés original dos dados e levando a modelagens sub-ótimas, consequentemente gerando resultados insatisfatórios para o processo de predição. Neste contexto, esta tese de doutorado introduz três abordagens de decomposição de séries temporais que visam preservar, ao máximo, as influências determinísticas por meio da utilização de espaços-fase, resultando em representações mais fiéis do viés original dos dados: (i) Spring, (ii) Spring Time Domain e (iii) Spring*. Essas abordagens foram experimentalmente avaliadas e comparadas ao estado da arte com base em métricas comumente adotadas na literatura, mais precisamente: Média do Erro Absoluto (do inglês Mean Absolute Error MAE) e Distância Média da Linha Diagonal (do inglês Mean Distance from Diagonal Line MDDL). Spring e suas variantes comprovaram ser mais eficazes para a segmentação entre influências determinísticas e estocásticas, naturalmente levando à melhoria do processo de modelagem e predição de séries temporais. Por fim, para validar a hipótese de que as decomposições propostas melhoram resultados de predição, as abordagens foram conectadas às técnicas de modelagem polinomial e de funções de base radial, permitindo reduzir significativamente erros decorrentes do processo de previsão.
DOI:
10.11606/T.55.2020.tde-16032020-170344
Editor:
Biblioteca Digital de Teses e Dissertações da USP; Universidade de São Paulo; Instituto de Ciências Matemáticas e de Computação
Data de criação/publicação:
2020-01-13
Formato:
Adobe PDF
Idioma:
Português
Links
Este item no Dedalus
Teses e Dissertações USP
Acesso ao doi
E-mail do autor
E-mail do orientador
E-mail do orientador
This feature requires javascript
This feature requires javascript
Voltar para lista de resultados
This feature requires javascript
This feature requires javascript
Buscando em bases de dados remotas. Favor aguardar.
Buscando por
em
scope:(USP_PRODUCAO)
Mostrar o que foi encontrado até o momento
This feature requires javascript
This feature requires javascript