dc.contributor.author | Camargo, Juliana Shibaki | |
dc.date.accessioned | 2021-11-11T23:14:04Z | |
dc.date.available | 2021-11-11T23:14:04Z | |
dc.date.issued | 2021-10-22 | |
dc.identifier.citation | CAMARGO, Juliana Shibaki. Método bagging para aprimoramento de previsões de séries temporais. 2021. Dissertação (Mestrado em Estatística) – Universidade Federal de São Carlos, São Carlos, 2021. Disponível em: https://repositorio.ufscar.br/handle/ufscar/15101. | * |
dc.identifier.uri | https://repositorio.ufscar.br/handle/ufscar/15101 | |
dc.description.abstract | Different methodologies are proposed and explored aiming to reduce time series forecasting
error. A promising approach consists in combining different forecasts from different models
in order to get a better accuracy, i.e., a smaller forecast error. This work aims to review and
apply the bootstrap aggregating method, also known as bagging, in order to improve time series
forecasting. First, each time series is divided into training and testing time series, and then
the moving block bootstrap methodology is applied to the training series to generate different
resampled time series, and then forecasting for each one of the series is performed and combined,
thus obtaining the final combined forecast. The test data set is used to calculate the accuracy of
the models, individual and combined. A simulation study of time series and application to a real
time series data sets are presented. The chosen and fitted model for each of the time series was
an autoregressive integrated moving average (ARIMA). The accuracy measurements used were
the mean square error and its root, mean arctangent absolute percentage error and the symmetric
mean absolute percentage error. Finally, the impact on the forecasts of the combined model by
varying the resampling method parameters was explored and comparisons between the combined
and individual forecasting methods were also carried out. | eng |
dc.description.sponsorship | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) | por |
dc.language.iso | por | por |
dc.publisher | Universidade Federal de São Carlos | por |
dc.rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | * |
dc.subject | Previsão | por |
dc.subject | Séries temporais | por |
dc.subject | Forecast | eng |
dc.subject | Time Series | eng |
dc.subject | Bagging | eng |
dc.subject | Bootstrap | eng |
dc.subject | Moving block bootstrap | eng |
dc.title | Método bagging para aprimoramento de previsões de séries temporais | por |
dc.title.alternative | Bagging method for improving time series forecasts | eng |
dc.type | Dissertação | por |
dc.contributor.advisor1 | Diniz, Carlos Alberto Ribeiro | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/3277371897783194 | por |
dc.contributor.advisor-co1 | Andrade Filho, Marinho Gomes de | |
dc.contributor.advisor-co1Lattes | http://lattes.cnpq.br/4126245980112687 | por |
dc.description.resumo | Diferentes metodologias são propostas e exploradas com o intuito de reduzir o erro de previsão
de séries temporais. Uma estratégia que vem se apresentando bastante promissora consiste em
combinar diferentes previsões de diferentes modelos a fim de se obter uma melhor acurácia, ou
seja, um menor erro de previsão. Este trabalho teve como objetivo realizar um estudo e aplicação
do método bootstrap aggregating, mais conhecido como bagging, para aprimorar previsões
de séries temporais. Primeiramente, cada série temporal foi separada em série de treinamento
e série de teste, e então utilizou-se a metodologia moving block bootstrap aplicada à série de
treinamento para gerar diferentes séries reamostradas, realizar a previsão de cada uma delas e
combiná-las, obtendo-se assim uma previsão final combinada. Posteriormente, a série de teste
foi utilizada para calcular a acurácia dos modelos, individual e combinado. Foram realizados um
estudo com séries simuladas e uma aplicação com séries temporais reais mensais. O modelo
escolhido e ajustado para cada uma das séries foi o auto-regressivo integrado de médias móveis
(ARIMA). As medidas de acurácia utilizadas foram o erro quadrático médio e sua raiz, o erro
percentual absoluto médio arcotangente e o erro percentual absoluto médio simétrico. Ao final
do estudo, explorou-se o impacto que a variação dos parâmetros da reamostragem do modelo
combinado causa na previsão e foram realizadas comparações entre os métodos de previsão
combinado e individual. | por |
dc.publisher.initials | UFSCar | por |
dc.publisher.program | Programa Interinstitucional de Pós-Graduação em Estatística - PIPGEs | por |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA | por |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA::ESTATISTICA::ANALISE DE DADOS | por |
dc.subject.cnpq | ENGENHARIAS::ENGENHARIA DE PRODUCAO::PESQUISA OPERACIONAL::SERIES TEMPORAIS | por |
dc.description.sponsorshipId | CAPES: 88882.426988/2019-01 | por |
dc.publisher.address | Câmpus São Carlos | por |
dc.contributor.authorlattes | http://lattes.cnpq.br/1432636060298365 | por |