[en] AUTOMFIS2: INTERPRETABLE MODEL FOR MULTIVARIATE TIME SERIES FORECASTING BASED ON ENSEMBLE OF FUZZY INFERENCE SYSTEMS AND MULTI-OBJECTIVE OPTIMIZATION

[pt] E-AUTOMFIS2: MODELO INTERPRETÁVEL PARA PREVISÃO DE SÉRIES MULTIVARIADAS BASEADO EM COMITÊS DE SISTEMAS DE INFERÊNCIA FUZZY E OTIMIZAÇÃO MULTIOBJETIVO

[pt] DIEGO DE LEMOS BRITO DA SILVA

[pt] ALGORITMO GENETICO

[pt] PREVISAO DE SERIES MULTIVARIADAS

[pt] OTIMIZACAO MULTIOBJETIVO

[pt] INTERPRETABILIDADE

[pt] SISTEMA DE INFERENCIA FUZZY

[en] GENETIC ALGORITHM

[en] MULTIVARIATE TIME-SERIES FORECASTING

[en] MULTIOBJECTIVE OPTIMIZATION

[en] INTERPRETABILITY

[en] FUZZY INFERENCE SYSTEM

[pt] No estágio inicial da modelagem de previsão, o foco primordial residia na acurácia dos modelos, muitas vezes negligenciando a interpretabilidade dos resultados. No entanto, à medida que esses modelos ganharam popularidade em diversas áreas, surgiu uma demanda crescente por modelos que fossem tanto confiáveis em relação a previsões quanto interpretáveis. Como resposta a essa demanda, uma série de modelos foram desenvolvidos com o intuito de conciliar esses dois aspectos, que são essencialmente contraditórios. Um exemplo desses modelos desenvolvidos com esse propósito é o e-AutoMFIS, baseado em princípios de lógica fuzzy e na técnica ensemble, com o objetivo de reduzir a dimensionalidade dos problemas e realizar previsões multivariadas. O e-AutoMFIS demonstrou-se promissor em comparação com modelos mais convencionais, superando-os em métricas de acurácia em alguns casos. Sua interoperabilidade, aliada a previsões mais acuradas, o torna uma ferramenta valiosa para análises mais aprofundadas. Apesar dos avanços alcançados, há áreas que demandam aprimoramento, como a configuração dos parâmetros do modelo, ainda realizada por meio de busca exaustiva, e a subamostragem aleatória, que pode necessitar de intervenção manual para otimização dos resultados. Diante desses desafios, esta dissertação propõe a otimização do e-AutoMFIS por meio do desenvolvimento do e-AutoMFIS2. Este trabalho detalha a arquitetura do e-AutoMFIS2, descrevendo as modificações implementadas no processo de subamostragem e a aplicação de um algoritmo genético de otimização multiobjetiva para seleção de hiperparâmetros. Além disso, discute os possíveis benefícios dessas mudanças e avalia os resultados por meio de estudos de caso, comparando-os com seu antecessor e outros modelos tradicionais na literatura, tanto em termos de acurácia quanto de interpretabilidade.

[en] In the initial stage of prediction modeling, the primary focus was on model accuracy, often overlooking the interpretability of results. However, as those models gained popularity in various fields, an increasing demand for accurate and interpretable models emerged. In response to this demand, a series of models was developed to reconcile those two inherently contradictory aspects. An example is the e-AutoMFIS, based on principles of fuzzy logic and ensemble technique, which aims to reduce the dimensionality of problems and make multivariate predictions. The e-AutoMFIS outperforms more conventional modes in accuracy metrics in some cases. Its interpretability, coupled with those gains in accuracy, makes it a valuable tool for deeper analyses. However, some aspects require improvement, such as the configuration of model parameters, still carried out through exhaustive search, and random subsampling, which may require manual intervention for results optimization. Faced with those challenges, this dissertation proposes the optimization of e-AutoMFIS through the development of e-AutoMFIS2. This work details the architecture of e-AutoMFIS2, describing the modifications implemented in the subsampling process and the application of a multiobjective optimization genetic algorithm for parameter selection. Additionally, the potential benefits of those changes are discussed and results are evaluated through case studies, comparing them with its predecessor and other traditional models in the literature regarding accuracy and interpretability.

MARLEY MARIA BERNARDES REBUZZI VELLASCO

RICARDO TANSCHEIT

RICARDO TANSCHEIT

MARLEY MARIA BERNARDES REBUZZI VELLASCO

JOSE FRANCO MACHADO DO AMARAL

KARLA TEREZA FIGUEIREDO LEITE

2025-05-13

2024-04-29

[pt] TEXTO

application/pdf

PORTUGUÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=70422@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=70422@2

https://doi.org/10.17771/PUCRio.acad.70422