DEFESA DE TESE DE DOUTORADO Nº 35

Aluna: Emilly Pereira Alves

Título: “Uma Abordagem Híbrida Multiobjetivo para Previsão de Séries Temporais Considerando Instantes de Pico"

Orientador: João Fausto Lorenzato de Oliveira

Coorientador: Paulo Salgado Gomes de Mattos Neto (UFPE)

Examinadora Externa: Teresa Bernarda Ludermir (UFPE)

Examinador Externo: Manoel Henrique da Nóbrega Marinho (UPE)

Examinador Externo: Hugo Valadares Siqueira (UTFPR)

Examinador Interno: Carmelo José Albanez Bastos Filho

Data-hora: 19 de novembro de 2025 Às 9h

Local: formato presencial - Sala CSEC (UPE/POLI)

---

Resumo:

         "A previsão de séries temporais tem se mostrado uma ferramenta importante para a tomada de decisões em diversas áreas, como finanças, energia, saúde e meteorologia. No setor energético, as previsões são fundamentais tanto para o planejamento da demanda quanto para a estimativa da oferta, especialmente em sistemas com alta penetração de fontes renováveis, ajudando a evitar a subestimação ou superestimação do consumo. Nesse contexto, modelos estatísticos tradicionais e técnicas de aprendizagem de máquina têm sido amplamente explorados. Nos sistemas de previsão, as técnicas puramente lineares enfrentam limitações na captura de padrões não lineares. Por outro lado, as técnicas puramente não lineares enfrentam desafios relacionados à especificação de parâmetros. Para contornar essas limitações, sistemas híbridos de previsão se destacam na literatura, combinando métodos lineares e não lineares e oferecendo uma solução mais eficaz para lidar com a complexidade das séries reais. Em se tratando de aprendizagem de máquina, a escolha adequada dos hiperparâmetros das técnicas utilizadas é crucial para garantir um bom desempenho do modelo. De maneira geral, nos sistemas de previsão de séries temporais, os hiperparâmetros são escolhidos de modo a minimizar o erro global de previsão, no entanto, essa abordagem pode não ser suficiente em contextos nos quais valores de pico desempenham um papel estratégico, como no setor energético. A otimização simultânea desses dois objetivos caracteriza-se como um problema multiobjetivo pois há um conflito inerente entre eles: um modelo que minimiza o erro médio global pode não ser eficaz na identificação e previsão de picos, que representam eventos abruptos e muitas vezes anômalos. Por outro lado, um modelo altamente sensível aos picos pode comprometer sua acurácia geral, superestimando variações. Essa característica motiva a principal contribuição deste trabalho: um novo sistema híbrido para previsão que visa reduzir simultaneamente os erros globais e os erros nos picos, denominado Multi-objective Hybrid System (MHSys), baseado nos modelos ARIMA (Autoregressive Integrated Moving Average), SVR (Support Vector Regression) e NSGA-II (Non-dominated Sorting Genetic Algorithm II). A arquitetura do MHSys se baseia em um sistema de previsão sequencial e de combinação não linear, cuja etapa de otimização multiobjetivo é realizada durante a combinação da previsão da série e da previsão residual. Diferentemente das abordagens convencionais em problemas multiobjetivo, o MHSys adota uma estratégia de unificação de Pareto, ampliando a capacidade de exploração das soluções, proporcionando uma representação mais precisa da Fronteira de Pareto e aumentando a probabilidade de encontrar soluções diversificadas e próximas à fronteira ideal. Os resultados indicam que o MHSys é uma abordagem eficaz para a previsão de séries temporais aplicadas ao setor energético, melhorando tanto a precisão do sistema quanto a capacidade de exploração das soluções quando comparado às fronteiras individuais."