Sistema inteligente de seleção dinâmica baseado em janelas temporais mais próximas para previsão de séries temporais

Abstract

As séries temporais de aplicações reais apresentam padrões que mudam ao longo do tempo, tornando-as difíceis de prever usando apenas um modelo de previsão. Dessa forma, abordagens de seleção dinâmica têm se destacado na literatura devido à sua acurácia e capacidade de modelar diferentes padrões locais. Essas abordagens selecionam um ou mais modelos de um pool (ou comitê) para prever cada padrão de teste. Essa seleção é realizada com base no desempenho do pool em uma Região de Competência (RoC), um conjunto de amostras mais semelhante a um padrão de teste. A definição da RoC, a criação do pool, o número de modelos selecionados e a função de combinação são questões críticas para as abordagens de seleção dinâmica, uma vez que sua precisão está intimamente relacionada a eles. Esse trabalho propõe um sistema de seleção dinâmica baseado em um pool heterogêneo que realiza uma escolha baseada em dados para determinar: (i) o melhor tamanho da RoC, (ii) o conjunto dos modelos de previsão mais competentes e (iii) a função de combinação mais adequada. A seleção usa uma RoC composta pelas janelas antecedentes mais próximas a um padrão de teste. A proposta emprega um pool heterogêneo composto por seis modelos de previsão, dois estatísticos (modelos Autoregressive Integrated Moving Average (ARIMA) e Theta) e quatro modelos de aprendizagem de máquina (Support Vector Regression (SVR), Multilayer Perceptron (MLP), Extreme Learning Machine (ELM ) e Long Short-Term Memory (LSTM)). Uma análise experimental realizada com sete conjuntos de dados conhecidos mostrou que a proposta superou as abordagens de comitês e de modelos simples da literatura, indicando que é capaz de realizar uma seleção dinâmica melhor.