Divulgação - Defesa Nº 250
Aluno: José Ivo Carille Neto
Título: “Uso de aprendizagem de máquina e análise multinível de abordagens hierárquicas na predição de despesa pública”
Orientador: Fernando Buarque de Lima Neto - (PPGEC)
Co-orientador: João Fausto Lorenzato de Oliveira - (PPGEC)
Examinador Externo: André Guimarães Ferraz – (UFPE)
Examinador Interno: Bruno José Torres Fernandes - (PPGEC)
Data-hora: 28/Junho/2022 - 10:00h AM
Local: Formato Remoto (https://meet.google.com/xtv-wasm-dbg?hs=224)
Resumo:
Diversos cenários onde a predição de séries temporais são objeto de estudo têm estruturas hierárquicas. As vendas mensais de um produto ao longo da última década no Brasil, por exemplo, podem ser divididas por Estado e, posteriormente, por municípios. Ou ainda poderiam ser divididas por tamanho ou sabor. Quando este tipo de estrutura aparece, são séries temporais hierárquicas. Levar essa característica das séries em consideração pode não só ajudar a obter resultados melhores, como mantém a coerência entre os valores gerados. Este trabalho constitui o desenvolvimento de modelo preditivo para a execução da despesa pública considerando a estrutura hierárquica deste domínio de aplicação. Este objetivo está em consonância com os desafios de uma Administração Pública alinhada a uma ação planejada e organizada. Como é próprio desta esfera de trabalho, esta necessidade não está fundamentada apenas por aspectos relacionados a gestão, mas também a própria legalidade na esteira da Lei de Responsabilidade Fiscal. Considerando este um desafio de mineração de dados, o trabalho explora a metodologia CRISP-DM e suas necessárias adaptações para considerar particularidades das séries temporais hierárquicas. Também são considerados modelos estatísticos como o ARIMA e modelos de aprendizagem de máquina. Extreme Learning Machines (ELM), por exemplo, é um método cuja utilização com séries temporais hierárquicas representa uma aplicação original. Este trabalho apresentou um modelo preditivo considerando a estrutura hierárquica das despesas públicas, portanto, que preza pela coerência de suas predições em diversos níveis. Esta aplicação demonstrou que a utilização de séries temporais hierárquicas aliadas a algoritmos de aprendizagem de máquina constituem uma valorosa para gerar resultados melhores no contexto das contas públicas.
O Programa
