Impacto do tamanho da janela na previsão de séries temporais univariadas usando Machine Learning [Digital]
Dissertação
Português
681.3:004.85
Fortaleza, 2024.
67f.
Na tarefa de modelar problemas de previsão de séries temporais, o tamanho da janela (w) é um hiperparâmetro que define a quantidade de unidades de tempo que estarão presentes em cada exemplo para alimentar um modelo de aprendizado. Este hiperparâmetro é importante pois ajuda o modelo de aprendizado...
Ver mais
Na tarefa de modelar problemas de previsão de séries temporais, o tamanho da janela (w) é um hiperparâmetro que define a quantidade de unidades de tempo que estarão presentes em cada exemplo para alimentar um modelo de aprendizado. Este hiperparâmetro é importante pois ajuda o modelo de aprendizado a entender tendências de longo e curto prazo, assim como padrões sazonais, evitando ao mesmo tempo que ele seja afetado por flutuações aleatórias. Nesta dissertação, o objetivo é entender o efeito que o tamanho da janela tem nos resultados de algoritmos de aprendizado de máquina em problemas de previsão de séries univariadas. Para atingir esse objetivo, utilizamos 40 séries temporais de dois domínios distintos: varejo e transporte. Foram realizados treinamentos com variações no tamanho da janela usando quatro classes de algoritmos de aprendizado de máquina: Bagging, Boosting, Stacking e uma arquitetura de Rede Neural Recorrente. Notou-se que expandir o tamanho da janela pode
melhorar os resultados de métricas de avaliação até um ponto de estabilização, após o qual aumentar ainda mais o tamanho da janela não resulta em previsões mais precisas. A referida estabilização ocorreu em ambos os domínios estudados apenas quando os valores de w excederam 100 intervalos de tempo. Também observou-se que as arquiteturas de Rede Neural Recorrente não superam modelos ensemble em vários cenários de previsão de séries temporais univariadas.
Palavras-chave: Aprendizado de máquina. Janela deslizante. Série temporal. Tamanho da janela. Ver menos
melhorar os resultados de métricas de avaliação até um ponto de estabilização, após o qual aumentar ainda mais o tamanho da janela não resulta em previsões mais precisas. A referida estabilização ocorreu em ambos os domínios estudados apenas quando os valores de w excederam 100 intervalos de tempo. Também observou-se que as arquiteturas de Rede Neural Recorrente não superam modelos ensemble em vários cenários de previsão de séries temporais univariadas.
Palavras-chave: Aprendizado de máquina. Janela deslizante. Série temporal. Tamanho da janela. Ver menos
In the task of modeling time series forecasting problems, the size of the window (w) is a hyperparameter that defines the amount of time units that will be present in each example to feed a learning model. This hyperparameter is important because it helps the learning model to understand long and...
Ver mais
In the task of modeling time series forecasting problems, the size of the window (w) is a hyperparameter that defines the amount of time units that will be present in each example to feed a learning model. This hyperparameter is important because it helps the learning model to understand long and short-term trends, as well as seasonal patterns, while simultaneously avoiding being affected by random fluctuations. In this dissertation, the objective is to understand the effect that the window size has on the results of machine learning algorithms in univariate time series forecasting problems. To achieve this goal, we used 40 time series from two different domains: retail and transportation. Trainings were conducted with variations in the window size using four classes of machine learning algorithms: Bagging, Boosting, Stacking, and a Recurrent Neural Network architecture. It was noticed that expanding the window size can improve evaluation metric results up to a stabilization point, after which further increasing the
window size does not result in more accurate predictions. This stabilization occurred in both studied domains only when the values of w exceeded 100 time intervals. It was also observed that Recurrent Neural Network architectures do not outperform ensemble models in several scenarios of univariate time series forecasting.
Keywords: Machine learning. Sliding Window. Time Series. Window Size Ver menos
window size does not result in more accurate predictions. This stabilization occurred in both studied domains only when the values of w exceeded 100 time intervals. It was also observed that Recurrent Neural Network architectures do not outperform ensemble models in several scenarios of univariate time series forecasting.
Keywords: Machine learning. Sliding Window. Time Series. Window Size Ver menos
Caminha Neto, Carlos de Oliveira
Orientador
Silva, Caio César Ponte
Banca examinadora
Oliveira, Erneson Alves de
Banca examinadora
Barbosa, Rafael Barros
Banca examinadora
Universidade de Fortaleza. Programa de Pós-Graduação em Informática Aplicada
Dissertação (mestrado)