Autores

4136
250,964
4137
250,964

Informações:

Publicações do PESC

Título
Aprendizado Não-Paramétrico de Filtros de Partículas em Previsão de Séries Temporais
Linha de pesquisa
Inteligência Artificial
Tipo de publicação
Tese de Doutorado
Número de registro
Data da defesa
19/6/2008
Resumo

A maioria dos algoritmos para a previsão de séries temporais faz suposições sobre os dados de forma a facilitar a previsão ou necessita da especificação de um modelo paramétrico a ser aprendido. Muitos problemas reais exibem alto grau de nãolinearidade e em geral é difícil definir um modelo adequado. O objetivo deste trabalho é desenvolver um sistema automático que seja capaz de fazer a previsão de séries temporais sem a necessidade de qualquer outra informação e que não faça nenhuma suposição sobre os dados. O sistema proposto é baseado em filtros de partículas, utilizando estimação não-paramétrica de densidades com kernels, realizando o aprendizado dos kernels com um algoritmo similar ao EM. Outra proposta é o uso de curvas características de erro de regressão na avaliação comparativa de previsores de séries temporais e na seleção de componentes em comitês, de forma a maximizar a performance do conjunto. Uma extensa avaliação experimental é reportada e seus resultados mostram que a nova abordagem pode alcançar boa performance em domínios altamente não-lineares, com a vantagem de não necessitar de conhecimento especializado, permitindo seu uso por não-experts.

Abstract

Most of the algorithms for time series forecasting makes assumptions about the data, in order to facilitate prediction, or needs specifying a parametric model to be learned. Many real-world problems exhibit a high degree of non-linearity and usually it is difficult to define a proper model to be used. The objective of this work is to present a totally automated system for time series forecasting which does not need any other information but the series, and which does not make assumptions about the data. The proposed system is based on particle filters, utilizing nonparametric density estimation with kernels, performing the learning of kernels by using an EM-like algorithm. Another contribution is the use of regression error characteristic curves in the comparative evaluation of time series predictors and in the selection of components for ensembles, so that the global performance is maximized. An extensive experimental evaluation is reported and its results show that the new approach can achieve good performance in highly non-linear domains, with the advantage of no need of specialized knowledge, allowing its use for non-experts.

Arquivo
Topo