• Login
    View Item 
    •   DSpace Home
    • BIBLIOTECA DIGITAL: Teses & Dissertações
    • 40001016034P5 Programa de Pós-Graduação em Informática
    • Dissertações
    • View Item
    •   DSpace Home
    • BIBLIOTECA DIGITAL: Teses & Dissertações
    • 40001016034P5 Programa de Pós-Graduação em Informática
    • Dissertações
    • View Item
    JavaScript is disabled for your browser. Some features of this site may not work without it.

    Meta-regressão para a previsão de erros em séries temporais

    Thumbnail
    View/Open
    R - D - CONRADO MATTEI DE CABANE OLIVEIRA.pdf (1.357Mb)
    Date
    2021
    Author
    Oliveira, Conrado Mattei de Cabane, 1987-
    Metadata
    Show full item record
    Subject
    Ciência da Computação
    Processamento de dados
    Analise de series temporais - Processamento de dados
    Aprendizado do computador
    xmlui.dri2xhtml.METS-1.0.item-type
    Dissertação Digital
    Abstract
    Resumo: A presença de séries temporais em governos, pesquisas e empresas cresceu devido ao aumento da captura, processamento e armazenamento de dados. Por outro lado, existem vários modelos preditivos para cada serie temporal. Assim, a tarefa de previsão e escolha do melhor modelo para uma determinada serie temporal pode ser custosa. O objetivo deste artigo e criar um meta-regressor para prever erros em previsões de series temporais para facilitar a escolha do melhor modelo dada uma serie temporal e um modelo de previsão. Para ajustar este meta-regressor, usamos 60 características de extraídas de cerca de 100.000 series temporais. Nossos resultados experimentais mostram que o método proposto supera todos os quinze regressores usados neste trabalho e produz uma soma de erros 20% menor que o melhor regressor.
     
    Abstract: The presence of time series in governments, research, and companies has grown due to increased data capture, processing, and storage. On the other hand, there are several predictive models for every time-series. Thus, the prediction task and choosing the best model for a given time series can be costly. The purpose of this paper is to create a meta-regressor for predicting errors in time series predictions to facilitate the choice of the best model given a time series and a forecast model. To fit this meta-regressor, we have used 60 time-series features extract from about 100,000 time-series. Our experimental results show that the proposed method surpasses all fifteen regressors used in this work and produces a sum of errors 20% smaller than the best regressor.
     
    URI
    https://hdl.handle.net/1884/73224
    Collections
    • Dissertações [352]

    DSpace software copyright © 2002-2016  DuraSpace
    Contact Us | Send Feedback
    Theme by 
    Atmire NV
     

     

    Browse

    All of DSpaceCommunities & CollectionsBy Issue DateAuthorsTitlesSubjectsxmlui.ArtifactBrowser.Navigation.browse_typeThis CollectionBy Issue DateAuthorsTitlesSubjectsxmlui.ArtifactBrowser.Navigation.browse_type

    My Account

    LoginRegister

    Statistics

    View Usage Statistics

    DSpace software copyright © 2002-2016  DuraSpace
    Contact Us | Send Feedback
    Theme by 
    Atmire NV