Show simple item record

dc.contributor.advisorChaves Neto, Anselmo, 1945-pt_BR
dc.contributor.authorCorrea, Jairo Marlonpt_BR
dc.contributor.otherTeixeira Junior, Luiz Albinopt_BR
dc.contributor.otherUniversidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Métodos Numéricos em Engenhariapt_BR
dc.date.accessioned2017-04-11T19:31:46Z
dc.date.available2017-04-11T19:31:46Z
dc.date.issued2015pt_BR
dc.identifier.urihttp://hdl.handle.net/1884/41955
dc.descriptionOrientador : Prof. Dr. Anselmo Chaves Netopt_BR
dc.descriptionCo-orientador : Prof. Dr. Luiz Albino Teixeira Júniorpt_BR
dc.descriptionTese (doutorado) - Universidade Federal do Paraná, Setor de Tecnologia, Programa de Pós-Graduação em Métodos Numéricos em Engenharia. Defesa: Curitiba, 21/12/2015pt_BR
dc.descriptionInclui referências : f.123-128pt_BR
dc.descriptionÁrea de concentração: Programação matemáticapt_BR
dc.description.abstractResumo: A proposta deste trabalho é apresentar uma nova metodologia híbrida WARIMAX-GARCH Neural para a previsão pontual e intervalar de séries temporais estocásticas. Fundamentalmente, é aplicada a decomposição Wavelet em séries históricas compostas por registros de monitoramento de barragens e suas componentes de aproximação e detalhe, as quais são modeladas, individualmente, via ARIMA-GARCH e Redes Neurais Artificiais (RNA). A partir de então, são realizadas as previsões pontuais fora da amostra pelas técnicas de modelagem e os resultados são combinados linearmente. As componentes de aproximação e detalhe são completadas com as previsões combinadas e passam a ser utilizadas como variáveis de entrada (exógenas híbridas) na modelagem da série em estudo. Em cada série temporal é aplicada a metodologia WARIMAX-GARCH Neural e são realizadas as previsões pontuais e intervalares, sob a suposição de inovações gaussianas. As séries temporais utilizadas neste trabalho de tese foram as séries temporais dos deslocamentos horizontais de blocos da barragem principal da Usina Hidrelétrica de Itaipu, aferidas pelos pêndulos diretos automatizados. Os desempenhos preditivos alcançados pela metodologia proposta, em relação aos resultados obtidos pelas modelagens tradicionais ARIMA-GARCH e RNA, foram consideravelmente vantajosos. Nas comparações dos resultados obtidos através do modelo WARIMAX-GARCH Neural com métodos tradicionais, a redução do erro preditivo chegou a 91%. Palavras-chave: Monitoramento de Barragens, Previsão de Séries Temporais, Modelos ARIMA, Modelos GARCH, Redes Neurais Artificiais, Decomposição Wavelet.pt_BR
dc.description.abstractAbstract: This research proposes a new WARIMAX-GARCH Neural hybrid methodology for point and interval prediction of stochastic time series. Fundamentally, it is applied the wavelet decomposition on the time series made of monitoring data and its approximation and detail components were modeled by ARIMA-GARCH and Artificial Neural Networks (ANN). Thereafter, the point forecasts are performed out the sample by both modeling techniques and these results are combined linearly. The approximation and detail components are completed with the combined forecasts and are used as input variables (hybrid exogenous) in the modeling time series under study. In each time series is applied the WARIMAX-GARCH Neural methodology and are made the point and interval forecast, under the assumption of Gaussian innovations. The time series used in this research were the time series of horizontal displacements of the main dam blocks of Itaipu hydroelectric plant, measured by automated direct pendulums. The predictive performances achieved by the proposed method compared to the results obtained by traditional modeling ARIMA-GARCH and RNA were considerably advantageous. Comparing the results obtained by WARIMAX-GARCH Neural model to traditional methods there was a reduction of up to 91% of the predictive error. Keywords: Dams Monitoring, Forecast Time Series, ARIMA Models, GARCH Models, Artificial Neural Networks, Wavelet Decomposition.pt_BR
dc.format.extent173 f. : il. algumas color., grafs., tabs.pt_BR
dc.format.mimetypeapplication/pdfpt_BR
dc.languagePortuguêspt_BR
dc.relationDisponível em formato digitalpt_BR
dc.subjectAnálise numéricapt_BR
dc.subjectAnalise de series temporais - Processamento de dadospt_BR
dc.subjectBarragens de concretopt_BR
dc.subjectRedes neurais (Computação)pt_BR
dc.subjectTesespt_BR
dc.titleMétodo warimax-garch neural para previsão de séries temporaispt_BR
dc.typeTesept_BR


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record