Uma nova proposta para o treinamento não supervisionado em redes neurais de base radial para previsão de séries temporais

Abstract

Resumo: Análise de séries temporais possui frutíferas aplicações em diversas áreas, com destaque à previsão de demanda, processamento de sinais, estimativa de desempenho em obras de engenharia, entre outros. Acerca das metodologias empregadas a esta referida análise, destacam-se as redes neurais de função base radial (redes RBF - Radial Basis Function). Entre os entraves limitantes à aplicação das redes RBF à modelagem de séries temporais, ressalta-se a determinação do número e posicionamento adequado dos neurônios na camada intermediária, que dependendo da dimensão dos dados, demandam elevado tempo de processamento na busca por uma topologia ideal. Para tratar este problema, o presente estudo propõe, em detrimento do uso de técnicas de agrupamento não hierárquico, o emprego de um método de agrupamento hierárquico aplicado aos dados de entrada da rede RBF, para determinar o número de neurônios e seus respectivos posicionamentos. O método proposto foi submetido a séries temporais conhecidas na literatura e em séries de leituras de sistemas de instrumentação de duas grandes obras, a Usina Hidrelétrica de ITAIPU e Dutos enterrados da TRANSPETRO. Experimentos computacionais apontam para a redução significativa do número de topologias a serem testadas, produzindo desempenho igual ou superior a outras abordagens existentes na literatura, com significativa redução no tempo de processamento, além da abordagem do método em dois problemas reais, onde a previsão pode contribuir com o avanço nas práticas que visam a segurança dessas importantes obras.

Abstract: Temporal series analysis has fruitful applications in several areas, with emphasis on demand forecasting, signal processing, performance estimation in engineering works, among others. About the methodologies used to this that review, stand out the neural networks of radial basis function (RBF networks - Radial Basis Function). Among the obstacles that limit the application of RBF networks to the modeling of time series barriers, underscores the determination of the number of neurons and proper positioning in the middle tier, which depending on the size of the data, require high processing time in the search for an ideal optimal topology. To address this problem, this study, instead of using the techniques of nonhierarchical clustering, proposes the use of a hierarchical clustering method applied to the input data of RBF network to determine the number of neurons and their respective positions. The proposed method was subjected to temporal series known in the literature and readings of instrumentation systems series two great works, the Itaipu Dam Hydroelectric and Transpetro's buried Pipelines. Computational experiments point to a significant reduction in the number of topologies to be tested, producing performance equal or superior to other approaches in the literature, with a significant reduction in processing time, beyond the approach of the method in two real problems, where the prevision can contribute with the advancement in practices aimed at safety of these important work.