|
Please use this identifier to cite or link to this item:
http://hdl.handle.net/10174/29054
|
Title: | Estudo comparativo de métodos de análise e previsão de séries temporais: métodos estatísticos versus redes neuronais |
Authors: | Moreno, Fernando Jorge Tavares dos Santos |
Advisors: | Gomes, Dulce Maria de Oliveira |
Keywords: | Séries temporais Redes Neuronais Tendência Estacionariedade Sazonalidade Time series Neural Networks Trend Stationary Seasonality |
Issue Date: | 8-Jan-2021 |
Publisher: | Universidade de Évora |
Abstract: | Os mecanismos modernos de recolha de dados, não só tem levado ao surgimento de novas técnicas de
análise e compreensão do comportamento dos dados, mas também a dúvidas sobre as melhores técnicas
a utilizar. Neste contexto, as séries temporais assumem particular importância, visto que a compreensão
da sequência dos acontecimentos possibilita a determinação de critérios de análise e previsão de qualquer
problema sequencialmente disposto no tempo.
A compreensão dos acontecimentos fornece para os diferentes intervenientes uma vantagem num ambiente
de maior competitividade, e esse trabalho vai na prespetiva de esclarecer as diferentes técnicas de análise
e ajustamentos dos dados sequênciais, tanto utilizando métodos estatísticos como técnicas de inteligência
artificial.
Primeiramente, efectuou-se uma revisão bibliográfica tanto das técnicas estatísticas como de inteligência
artificial posteriormente houve uma divisão dos dados entre séries não estacionárias com tendência e séries
não estacionárias com tendência e sazonalidade, e aplicadas diferentes técnicas para o ajustamento das
séries, e feita no final uma comparação entre elas. O resultado deste trabalho, vai no sentido de fornecer os
mecanismos existentes de ajustamento e servir como referência na utilização de análise de dados sequênciais,
e abrir oportunidades de novas prespetivas de análise de dados; Abstract:
Modern data collection mechanisms have not only led to the emergence of new techniques for analyzing
and understanding data behavior, but also to doubts about the best techniques to use. In this context, the
time series are of particular importance, since understanding the sequence of events, makes it possible to
determine criteria for analyzing and predicting any problem sequentially arranged over time.
Understanding the events provides different players with an advantage in a more competitive environment,
and this work aims to clarify the different techniques for analyzing and adjusting sequential data, using
both statistical and artificial intelligence methods.
First, a bibliographic review of both statistical and artificial intelligence techniques was carried out, later
on there was a division of the data between non-stationary series with tendency and non-stationary series
with trend and seasonality, and different techniques were applied to adjust the series, and a comparison
is made at the end. The result of this work is to provide the existing adjustment mechanisms and to
serve as a reference in the use of sequential data analysis, and to open opportunities for new data analysis
perspectives. |
URI: | http://hdl.handle.net/10174/29054 |
Type: | masterThesis |
Appears in Collections: | BIB - Formação Avançada - Teses de Mestrado
|
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.
|