[en] ANALYSIS AND DEVELOPMENT OF A STAR-TREE MODEL ESTIMATION SOFTWARE

[pt] ANÁLISE E DESENVOLVIMENTO DE SISTEMA DE ESTIMAÇÃO DE MODELOS DA CLASSE STAR-TREE

[pt] BERNARDO DA ROCHA SPINDEL

[pt] ALGORITMO GENETICO

[pt] ENGENHARIA ELETRICA

[pt] OTIMIZACAO

[en] GENETIC ALGORITHM

[en] ELECTRICAL ENGINNERING

[en] OPTIMIZATION

[pt] Na análise de séries temporais, os modelos lineares amplamente difundidos e utilizados, como regressões lineares e modelos auto-regressivos, não são capazes de capturar sua natureza muitas vezes não-linear,oferecendo resultados insatisfatórios. Séries financeiras, por exemplo, apresentam este tipo de comportamento. Ao longo dos últimos anos, houve o surgimento de muitos modelos não lineares para análise de séries temporais, tanto estatísticos como de inteligência computacional, baseados em redes neurais. Esta dissertação se propõe a analisar a performance do modelo STAR-Tree sob diversos cenários de conFiguração, parametrização e metodologias de estimação. Esta classe de modelos subdivide os dados de uma série temporal em regiões distintas que atendem critérios especificados em funções chamadas de pertinências. A cada região é atribuído um modelo linear auto-regressivo. Cada dado estimado pode estar em alguma das regiões com algum grau de pertinência determinado pelas funções fornecidas pelo modelo principal. Fatores como a proximidade das regiões, a suavidade das funções de pertinência e a falta de diversidade nos dados podem dificultar a estimação dos modelos. Para avaliar a qualidade das estimações sob os diversos cenários, foi construído um sistema capaz de gerar séries artificiais, importar séries externas, estimá-las sob a modelagem STAR-Tree, e gerar simulações de Monte Carlo que avaliam a qualidade da estimação de parâmetros e a capacidade de detecção das estruturas de árvore do modelo. Ele foi utilizado como ferramenta para realizar as análises presentes na dissertação, e permitiu que se testassem diferentes conFigurações de métodos e parametrizações com facilidade.

[en] In time series analysis, linear models that have been broadly used, such as linear regressions and auto-regressive models, are not able to capture the some times non linear nature of some data, offering poor estimation results. Financial series, for instance, show that kind of behavior. Over the last years, a great number of non linear models have been developed in order to analyze time series, some of them statistical, others based on computational intelligence techniques such as neural networks. The purpose of this dissertation is to analyze the performance of the STAR-Tree model under distinct scenarios that differ in model specification, parameterization and estimation methodologies. This class of models splits time series data into individual regions which fulfill the criteria set up by functions called pertinences. A linear model then is selected for each one of those regions. Each estimated data point can belong to one of the mentioned regions with some degree of pertinence, supplied by the above mentioned pertinence functions. Aspects like the proximity between regions, the smoothness of the pertinence functions and the lack of diversity in real data can significantly affect the estimation of models. In order to evaluate the quality of the estimations under the different proposed scenarios, a software was developed with the capabilities of generating artificial time series, importing external series, estimating them under the STAR-Tree model, and generating Monte Carlo simulations that evaluate the quality of parameter estimation and the tree structure detection capability of the model. The software was used as the single tool to generate this dissertation’s analyses, and allowed that different model specifications and methods could be tested without difficulty.

ALVARO DE LIMA VEIGA FILHO

ALVARO DE LIMA VEIGA FILHO

CRISTIANO AUGUSTO COELHO FERNANDES

JOEL MAURICIO CORREA DA ROSA

2009-09-10

2008-08-29

[pt] TEXTO

application/pdf

application/pdf

application/pdf

application/pdf

application/pdf

application/pdf

application/pdf

PORTUGUÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=14099@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=14099@2

https://doi.org/10.17771/PUCRio.acad.14099