Modelos inspirados na natureza para a previsão de séries temporais

Abstract

Novas alternativas para a Previsão de Séries Temporais emergiram a partir da disciplina da Inteligência Artificial, onde foram desenvolvidas ferramentas inspiradas na natureza, como as Redes Neuronais Artificiais (RNAs) e os Algoritmos Genéticos e Evolucionários (AGEs), que se tornaram populares. As RNAs são candidatas naturais para uma previsão não linear, enquanto que os AGEs providenciam uma procura adaptativa, sendo talhados para uma optimização global. O presente trabalho descreve uma utilização de ambos estes paradigmas para a PST. Foram efectuados testes comparativos com métodos convencionais de previsão (e.g., o Alisamento Exponencial e a metodologia de Box Jenkins), em diferentes séries reais e artificiais, demonstrando que os modelos inspirados na natureza exibem melhores previsões, especialmente quando são considerados sistemas complexos (e.g., séries não lineares e caóticas). Por último, estes modelos foram também aplicados à previsão em tempo real, onde as RNAs revelaram os melhores resultados.

New alternative approaches for Time Series Forecasting (TSF) emerged from the Artificial Intelligence arena, where optimization methods inspired on natural processes, such as Artificial Neural Networks (ANNs) and Genetic and Evolutionary Algorithms (AGEs) are popular. ANNs are potential nonlinear candidates for forecasting, while GEAs perform an adaptive search, being suited for global optimization. The present work reports ou the use of both paradigms for TSF. Comparative tests with conventional methods (e.g., Exponential Smoothing and the Box-Jenkins methodology), performed on several real and artificial series, favored the bio-inspired modeis, specially when harder tasks are at stake; i.e., when nonlinear and chaotic series are considered. Finally, the models were also applied to real-time forecasting, being the best results given by the ANNs.