DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 308
Aluno: João Vinícius Ribeiro de Andrade
Título: “Séries Temporais Dinâmicas: Uma Abordagem Fuzzy Para Ambientes não estacionários"
Orientador: Bruno José Torres Fernandes
Coorientador: Leandro Honorato de Souza Silva
Examinador Externo 1: Hugo Valadares Siqueira - (UTFPR)
Examinador Externo 2: Sérgio Campello Oliveira
Examinador Interno: João Fausto Lorenzato de Oliveira
Data-hora: 27 de setembro de 2024, às 9h.
Local: Formato Presencial.
Resumo:
"O drift, também conhecido como deriva de conceito, é um comportamento comum em ambientes dinâmicos e pode ocorrer em diversos domínios. No contexto de séries temporais, isso não é diferente, pois uma série pode ter um conceito inicial P(a), mapeado durante o treinamento do modelo, e, em um cenário real, apresentar um conceito completamente diferente ao longo do tempo. Em séries temporais, é possível observar mudanças nos fatores geradores dos dados, o que pode fazer com que uma série que inicialmente possuía um componente autorregressivo de ordem 1 passe a exibir um comportamento significativamente distinto, com um componente autorregressivo de ordem maior. Nos últimos anos, muitas estratégias foram desenvolvidas para lidar com o problema do drift em séries temporais. Essas estratégias frequentemente envolvem a análise do erro à medida que a vida útil do modelo avança. No entanto, o desafio persiste, pois, em muitos casos, as adaptações automáticas dos modelos não são suficientes para capturar as mudanças de conceito em diferentes cenários, além de geralmente não alterarem a estrutura inicial do modelo. Neste trabalho, propomos o modelo Dynamic Lag Selection Fuzzy Time Series (DLS-FTS), uma abordagem de séries temporais fuzzy projetada para lidar com a não estacionariedade dos dados. O DLS-FTS seleciona dinamicamente o melhor lag em cada timestamp durante a aplicação do modelo, baseando-se em uma métrica de avaliação das regras fuzzy. Além disso, o modelo incorpora mecanismos de adaptação contínua, que detectam a ocorrência de drift nos dados e, quando necessário, reconstroem o conjunto de regras do modelo. Os resultados experimentais indicam que o DLS-FTS supera significativamente os métodos tradicionais de previsão de séries temporais fuzzy. O modelo demonstrou uma capacidade adaptativa superior, resultando em menores erros de previsão (RMSE e MAPE) em comparação com outras abordagens. Além disso, o DLS-FTS provou ser particularmente eficaz em cenários de alta volatilidade, onde a incerteza e as mudanças nos dados são mais acentuadas. Esses resultados confirmam a robustez e a aplicabilidade do DLS-FTS em uma ampla variedade de contextos práticos, oferecendo uma ferramenta poderosa para analistas e pesquisadores que lidam com séries temporais em ambientes dinâmicos e incertos."
O Programa
