[en] GPFIS-FORECAST: A GENETIC-FUZZY SYSTEM BASED ON GENETIC PROGRAMMING FOR FORECAST PROBLEMS

[pt] GPFIS-FORECAST: UM SISTEMA FUZZY-GENÉTICO BASEADO EM PROGRAMAÇÃO GENÉTICA MULTIGÊNICA PARA PROBLEMAS DE PREVISÃO UNIVARIADA

[pt] MARCO ANTONIO DA CUNHA FERREIRA

[pt] PREVISAO

[pt] SISTEMAS FUZZY GENETICOS

[pt] PROGRAMACAO GENETICA

[en] FORECASTING

[en] GENETIC-FUZZY SYSTEMS

[en] GENETIC PROGRAMMING

[pt] Métodos de previsão são muito importantes para o desenvolvimento de diversas atividades no cotidiano produtivo de nossa sociedade. Vários modelos estatísticos são desenvolvidos até hoje, contudo possuem muitos pressupostos que devem ser seguidos com o intuito de se obter uma resposta aceitável. Modelos não estatísticos para prever séries temporais como os que envolvem Sistemas de Inferência Fuzzy (SIFs) fornecem uma descrição do processo de previsão por meio de regras linguísticas. Explora-se, nesta dissertação, o GPFIS-Forecast: versão do GPFIS - Sistema de Inferência Fuzzy Genético baseado em Programação Genética Multigênica - para previsão de série temporais univariadas. O modelo apresenta, em sua execução, quatro etapas básicas: Fuzzificação, Inferência, Defuzzificação e Avaliação. Em cada uma destas etapas, pode-se fazer uso de diferentes configurações, com implicações evidentes nos resultados finais. Este trabalho propõe o aperfeiçoamento do GPFIS-Forecast em duas vertentes principais:( i) aumentar a quantidade de possibilidades de configurações, avaliando se podem contribuir significativamente para a acurácia das previsões;(ii) adicionar informações complementares como alternativas para a interpretação do resultado do modelo, tendo como compromisso tanto a acurácia e quanto a interpretabilidade. Os estudos de caso demonstram que, em casos de séries temporais com pouca tendência, o GPFIS-Forecast apresenta uma acurácia entre as 10 melhores da competição NN3; quando há forte tendência, faz-se necessário o uso de pré-processamento, prejudicando a interpretabilidade do resultado. Os Limites de Previsão Fuzzy introduzidos neste trabalho agregam mais informação ao resultado da previsão pontual, apontando possíveis ajustes finais nas bases de regras de modelos com maior granularidade.

[en] Forecasting methods are very important for the development of various activities in everyday society. Several statistical models have been developed, but many assumptions must be made in order to obtain an acceptable response. Nonstatistical models for time series forecasting such as those involving systems Fuzzy Inference Systems (FIS) provide a description of the process through linguistic rules. This dissertation delves into GPFISForecast: a version of GPFIS - Fuzzy Inference System based on Multigene Genetic Programming - for univariate time series forecasting. This model consists of four basic stages: Fuzzification, Inference, Defuzzification and Evaluation. In each of these steps, different configurations will have distinct impacts on the results. This work proposes the improvement of GPFIS-Forecast along two main lines (i) increase the amount of possible configurations and assess their contribution to a better forecasting accuracy and (ii) add further information to the interpretation of results, keeping in mind both accuracy and interpretability. The case studies show that in the case of time series with small tendency, GPFIS-Forecast provides a good accuracy; when tendency is larger and pre-processing becomes necessary, interpretability is affected. The Fuzzy Forecasting Limits introduced here add more information to the result, pointing to possible adjustments to rule bases of models with greater granularity.

RICARDO TANSCHEIT

MARLEY MARIA BERNARDES REBUZZI VELLASCO

RICARDO TANSCHEIT

MARLEY MARIA BERNARDES REBUZZI VELLASCO

KARLA TEREZA FIGUEIREDO LEITE

JORGE LUIS MACHADO DO AMARAL

2016-07-22

2015-09-15

[pt] TEXTO

application/pdf

PORTUGUÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=26987@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=26987@2

https://doi.org/10.17771/PUCRio.acad.26987