Algorithm selection and performance understanding for time series forecasting (2023)
- Authors:
- Autor USP: SANTOS, MOISÉS ROCHA DOS - ICMC
- Unidade: ICMC
- Sigla do Departamento: SME
- DOI: 10.11606/T.55.2023.tde-31082023-101122
- Subjects: ANÁLISE DE SÉRIES TEMPORAIS; APRENDIZADO COMPUTACIONAL; APRENDIZAGEM PROFUNDA; ALGORITMOS E ESTRUTURAS DE DADOS
- Keywords: Algorithm selection; Desempenho preditivo; Meta-aprendizado; Metalearning; Predictive performance; Seleção de algoritmos; Time series forecasting
- Agências de fomento:
- Language: Inglês
- Abstract: Previsão de séries temporais é uma tarefa estratégica no suporte à tomada de decisão. A grande disponibilidade, e variabilidade, de algoritmos capazes de induzir modelos preditivos tem gerado uma demanda por formas de seleção de algoritmos. Adicionalmente, para validação do modelo induzido, é importante entender o seu desempenho preditivo quando aplicado a uma série temporal. Esta tese investiga novas abordagens de seleção de algoritmos para combinação de previsões e entendimento de desempenho preditivo de modelos induzidos por algoritmos para previsão de séries temporais. Para isso, foi inicialmente pesquisado o estado da arte em previsão de séries temporais, com foco na seleção de algoritmos e entendimento de desempenho preditivo. Este estudo observou as limitações de abordagens existentes e identificou as lacunas na literatura que puderam ser solucionadas por esta pesquisa. As principais contribuições desta tese são quatro: o desenvolvimento de uma abordagem baseada em meta-aprendizado para seleção de combinações de previsão com decomposição de séries temporais; um método de geração de séries temporais sintéticas baseado em dataset morphing; a análise empírica de diferentes medidas de desempenho para escolha de meta-alvo na seleção de algoritmos por meta-aprendizado; a análise da aplicação de decomposição de sazonalidade e tendência com Loess como uma etapa de pré-processamento. A abordagem MetaFore combina algoritmos de aprendizado de máquina para as componentes detendência e resíduo na tarefa de previsão de séries temporais. As componentes são separadas com a decomposição de sazonalidade e tendência com Loess e a sazonalidade é prevista com o método naive sazonal. MetaFore foi avaliado nas séries temporais mensais da competição M4 e atingiu melhor desempenho preditivo e computacional que um método que é estado da arte, as redes neurais Long Short-Term Memory (LSTM), em mais de 70% dos conjuntos de dados. Na pesquisa, o método tsMorph gera séries temporais sintéticas de forma gradual transformando uma série temporal de origem em uma série temporal alvo. O método tsMorph foi aplicado para o entendimento da variação de desempenho preditivo de algoritmos de previsão Regressão com Suporte Vetorial e a rede neural LSTM. Os resultados experimentais mostraram que o método tsMorph gerou séries temporais com variação gradual do desempenho preditivo e meta-características. Esta pesquisa contribuiu para o desenvolvimento de novas abordagens de previsão e entendimento de desempenho de algoritmos eficientemente. Os estudos em seleção de combinações de previsões e entendimento de desempenho podem ser facilmente incluídos nos processos de previsão de séries temporais e abrem perspectivas para pesquisa e desenvolvimento na área de meta-aprendizado e aprendizado de máquina automático.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2023
- Data da defesa: 24.05.2023
- Status:
- Artigo publicado em periódico de acesso aberto (Gold Open Access)
- Versão do Documento:
- Versão publicada (Published version)
- Acessar versão aberta:
-
ABNT
SANTOS, Moises Rocha dos. Algorithm selection and performance understanding for time series forecasting. 2023. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2023. Disponível em: https://teses.usp.br/teses/disponiveis/55/55134/tde-31082023-101122/. Acesso em: 02 abr. 2026. -
APA
Santos, M. R. dos. (2023). Algorithm selection and performance understanding for time series forecasting (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de https://teses.usp.br/teses/disponiveis/55/55134/tde-31082023-101122/ -
NLM
Santos MR dos. Algorithm selection and performance understanding for time series forecasting [Internet]. 2023 ;[citado 2026 abr. 02 ] Available from: https://teses.usp.br/teses/disponiveis/55/55134/tde-31082023-101122/ -
Vancouver
Santos MR dos. Algorithm selection and performance understanding for time series forecasting [Internet]. 2023 ;[citado 2026 abr. 02 ] Available from: https://teses.usp.br/teses/disponiveis/55/55134/tde-31082023-101122/ - Motor learning and machine learning: predicting the amount of sessions to learn the tracing task
- Hybrid forecasting combinations by feature based metalearning
- Evaluation of error metrics for meta-learning label definition in the forecasting task
- Seasonal-trend decomposition based on Loess + machine learning: hybrid forecasting for monthly univariate time series
- Market movement prediction algorithm selection by metalearning
- How to balance financial returns with metalearning for trend prediction
- Feature selection using complex networks to support price trend forecast in energy markets
- Machine learning approach for trend prediction to improve returns on brazilian energy market
- Explainable machine learning for breast cancer diagnosis
- End-to-end data science (Pajé)
Informações sobre a disponibilidade de versões do artigo em acesso aberto coletadas automaticamente via oaDOI API (Unpaywall).
Por se tratar de integração com serviço externo, podem existir diferentes versões do trabalho (como preprints ou postprints), que podem diferir da versão publicada.
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
