Algorithm selection and performance understanding for time series forecasting (2023)
- Authors:
- Autor USP: SANTOS, MOISÉS ROCHA DOS - ICMC
- Unidade: ICMC
- Sigla do Departamento: SME
- DOI: 10.11606/T.55.2023.tde-31082023-101122
- Subjects: ANÁLISE DE SÉRIES TEMPORAIS; APRENDIZADO COMPUTACIONAL; APRENDIZAGEM PROFUNDA; ALGORITMOS E ESTRUTURAS DE DADOS
- Keywords: Algorithm selection; Desempenho preditivo; Meta-aprendizado; Metalearning; Predictive performance; Seleção de algoritmos; Time series forecasting
- Agências de fomento:
- Language: Inglês
- Abstract: Previsão de séries temporais é uma tarefa estratégica no suporte à tomada de decisão. A grande disponibilidade, e variabilidade, de algoritmos capazes de induzir modelos preditivos tem gerado uma demanda por formas de seleção de algoritmos. Adicionalmente, para validação do modelo induzido, é importante entender o seu desempenho preditivo quando aplicado a uma série temporal. Esta tese investiga novas abordagens de seleção de algoritmos para combinação de previsões e entendimento de desempenho preditivo de modelos induzidos por algoritmos para previsão de séries temporais. Para isso, foi inicialmente pesquisado o estado da arte em previsão de séries temporais, com foco na seleção de algoritmos e entendimento de desempenho preditivo. Este estudo observou as limitações de abordagens existentes e identificou as lacunas na literatura que puderam ser solucionadas por esta pesquisa. As principais contribuições desta tese são quatro: o desenvolvimento de uma abordagem baseada em meta-aprendizado para seleção de combinações de previsão com decomposição de séries temporais; um método de geração de séries temporais sintéticas baseado em dataset morphing; a análise empírica de diferentes medidas de desempenho para escolha de meta-alvo na seleção de algoritmos por meta-aprendizado; a análise da aplicação de decomposição de sazonalidade e tendência com Loess como uma etapa de pré-processamento. A abordagem MetaFore combina algoritmos de aprendizado de máquina para as componentes detendência e resíduo na tarefa de previsão de séries temporais. As componentes são separadas com a decomposição de sazonalidade e tendência com Loess e a sazonalidade é prevista com o método naive sazonal. MetaFore foi avaliado nas séries temporais mensais da competição M4 e atingiu melhor desempenho preditivo e computacional que um método que é estado da arte, as redes neurais Long Short-Term Memory (LSTM), em mais de 70% dos conjuntos de dados. Na pesquisa, o método tsMorph gera séries temporais sintéticas de forma gradual transformando uma série temporal de origem em uma série temporal alvo. O método tsMorph foi aplicado para o entendimento da variação de desempenho preditivo de algoritmos de previsão Regressão com Suporte Vetorial e a rede neural LSTM. Os resultados experimentais mostraram que o método tsMorph gerou séries temporais com variação gradual do desempenho preditivo e meta-características. Esta pesquisa contribuiu para o desenvolvimento de novas abordagens de previsão e entendimento de desempenho de algoritmos eficientemente. Os estudos em seleção de combinações de previsões e entendimento de desempenho podem ser facilmente incluídos nos processos de previsão de séries temporais e abrem perspectivas para pesquisa e desenvolvimento na área de meta-aprendizado e aprendizado de máquina automático.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2023
- Data da defesa: 24.05.2023
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
ABNT
SANTOS, Moises Rocha dos. Algorithm selection and performance understanding for time series forecasting. 2023. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2023. Disponível em: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-31082023-101122/. Acesso em: 04 jun. 2024. -
APA
Santos, M. R. dos. (2023). Algorithm selection and performance understanding for time series forecasting (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/55/55134/tde-31082023-101122/ -
NLM
Santos MR dos. Algorithm selection and performance understanding for time series forecasting [Internet]. 2023 ;[citado 2024 jun. 04 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-31082023-101122/ -
Vancouver
Santos MR dos. Algorithm selection and performance understanding for time series forecasting [Internet]. 2023 ;[citado 2024 jun. 04 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-31082023-101122/ - Motor learning and machine learning: predicting the amount of sessions to learn the tracing task
- Hybrid forecasting combinations by feature based metalearning
- Seasonal-trend decomposition based on Loess + machine learning: hybrid forecasting for monthly univariate time series
- Evaluation of error metrics for meta-learning label definition in the forecasting task
- How to balance financial returns with metalearning for trend prediction
- Machine learning approach for trend prediction to improve returns on brazilian energy market
- Market movement prediction algorithm selection by metalearning
- Feature selection using complex networks to support price trend forecast in energy markets
- Explainable machine learning for breast cancer diagnosis
- End-to-end data science (Pajé)
Informações sobre o DOI: 10.11606/T.55.2023.tde-31082023-101122 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas