T64B489O :E ;O/;83S<O :E ;36SO " /O7EMB6O=>?

@A 3/I7E6SI:4:E BE:E648 :E IT4J3BC E/5E/946I4 :E ;O/T6O8E E 43TOM4D<O

Previso de Sries Temporais dom Redes Neurais Artificiais Otimizadas por Algoritmo Gentico
Bruno Pires de Campos !"io #enri$ue erreira Roc%a

Orientador: Prof. Jeremias Barbosa Machado

Instituto de Engenharia de Sistemas e Tecnologias da Informao IESTI!
Resumo - O foco deste tra"al%o est! na previso de dados em uma srie temporal& O o"'etivo usar tcnicas de identifica(o de sistemas e de intelig)ncia artificial a fim de implementar um algoritmo $ue gere de forma parcimoniosa um modelo $ue simule os dados da curva real da maneira mais semel%ante poss*vel+ para $ue ento possam ser efetuadas previs,es+ $ue so dados de tend)ncia "aseados no padro de comportamento da curva real& Para a o"ten(o dos modelos das sries utiliza-se a a"ordagem por meio de modelos auto regressivos e de redes neurais ./P onde a determina(o dos regressores a serem utilizados feita com a a'uda da tcnica de algoritmo gentico& Resultados de sries sintticas e reais ilustram a efici)ncia do mtodo proposto& Palavras-C%ave0 Sries temporais+ .odelos AR+ Redes Neurais Artificiais+ Algoritmo gentico& de decis'es estrat#gicas. Por e+em$lo( o estudo do $adro de uma s#rie de %alores de uma ao na bolsa $ode tra-er uma tend*ncia futura indicando se # melhor %ender ou com$rar mais a'es. Ou no caso de em$resas de abastecimento de &gua em 1ue de tem$os em tem$os h& um $er)odo de seca e elas de%em ter reser%at2rios $re$arados( a $re%iso somente lembraria o usu&rio 1ue o ano 1ue %em de%e ser mais seco. Ou no caso de uma em$resa 1ue com$ra energia e 1ue de%e $agar multa caso em um determinado $er)odo ela e+tra$ole o consumo $redefinido em contrato. 3m algoritmo de $re%iso a$enas lembraria essa em$resa 1ue segundo o seu $adro de consumo no $r2+imo m*s ela de%e fechar um contrato maior ou menor de com$ra. /este conte+to este trabalho %isa encontrar uma maneira robusta e otimi-ada $ara delinear e $redi-er o com$ortamento de s#ries( ou se.a( uma maneira em 1ue o erro de $re%iso e o esforo com$utacional se.am os menores $oss)%eis. Para isso foram usadas duas t#cnicas de identificao( modelagem auto0regressi%a e treinamento de redes neurais( afim de encontrar uma soluo 1ue descre%a matematicamente a influ*ncia de um %alor da se1u*ncia da s#rie em um %alor seguinte( $ossibilitando a $re%iso de futuros %alores. 3ma das grandes dificuldades desse estudo # inferir 1ual seria a se1u*ncia dos %alores $assados mais influentes na $redio do %alor seguinte. 4 soluo $ro$osta $or esse trabalho sugere uso de 4lgoritmos 5en#ticos $ara selecionar a se1u*ncia de dados $assados 1ue baseia a identificao com menor erro diante da cur%a real. Este artigo est& organi-ado da seguinte forma: 4 seo II descre%e as caracter)sticas das s#ries tem$orais. /a seo III so a$resentados os modelos 46. 4 seo I7 aborda a t#cnica de redes neurais artificiais. 4 seo 7 discorre sobre algoritmos gen#ticos. /a seo 7I h& uma descrio da metodologia $ro$osta. 4 seo 7II demostra

I " Introduo
S#ries tem$orais esto $resentes em %&rias &reas do conhecimento humano como economia cotao de a'es e moedas!( f)sica incid*ncia de manchas solares!( engenharia consumo de energia el#trica de determinada regio ou ambiente!( entre outros. O estudo destas s#ries # de e+trema im$ort,ncia $ara se conhecer o com$ortamento e at# mesmo $redi-er %alores( $ossibilitando $lane.amentos a longo( m#dio ou curto $ra-o e au+iliando na tomada de decis'es. /os dias atuais gera0se e arma-ena0se uma imensa 1uantidade de dados a todo o momento( $or#m os dados em si no di-em nada( eles de%em ser inter$retados $ara se transformarem em informao. /esse conte+to esse trabalho $ro$'e uma an&lise 1ue $ode a.udar na tomada

os resultados obtidos. E $or fim a seo 7III a$resenta as conclus'es deste trabalho.

contudo( $retende0se utili-ar da t#cnica de algoritmos gen#ticos $ara reali-ar a seleo dos corretos regressores.

II " S#ries Tem$orais

S#ries Tem$orais so com$ostas $or medi'es se1u*nciais ao longo do tem$o de determinado $rocesso ou fenEmeno. Essas medi'es acontecem em $er)odo fi+o de tem$o e seu estudo ob.eti%a entender como elas esto relacionadas( ou se.a( medir a correlao entre diferentes obser%a'es da se1u*ncia tem$oral F@G. Essa correlao $ode ser encontrada atra%#s da identificao do sistema 1ue rege a s#rie( afim de se entender a $oss)%el influ*ncia de uma medida da s#ria no %alor de uma medio futura. /esse trabalho $retende0se utili-ar duas t#cnicas de identificao( uma $or modelagem auto0regressi%a 46! e outra $elo treinamento de uma rede neural artificial 6/4! $ara se chegar a um m#todo 1ue simule o com$ortamento da s#rie tem$oral suns$ot( 1ue enumera anualmente a 1uantidade de manchas solares e este nHmero est& diretamente relacionado I ati%idade do sol. O estudo dessa s#rie $ermite o monitoramento e $re%iso desta ati%idade tendo em %ista 1ue o nHmero de incid*ncia das manchas segue um ciclo F>G. Entradas Processo :in,mico Sa)das

T#cnicas de identificao Modelo matem&tico Bigura @: Identificao de sistemas O m#todo utili-ado $ara estimao dos $ar,metros $asso A! # o dos M)nimos Luadrados 1ue minimi-a o erro 1uadrado entre o %alor real e o estimado $elo modelo atra%#s da e1uao matricial 1ue define os $ar,metros do modelo: e M NTN!0@NTO @! onde e # o %etor dos $ar,metros estimados( N # matride regressores e O o %etor de sa)das.

III " Modelos 46

4 t#cnica de identificao de sistemas do ti$o Jcai+a $retaJ indica 1ue no se conhece as e1ua'es f)sicas 1ue regem o $rocesso ou fenEmeno em estudo. Sendo assim( neste ti$o de identificao tem0se $or ob.eti%o encontrar um modelo matem&tico 1ue descre%a a relao entra as entradas e sa)das do sistema a $artir de dados amostrados do $r2$rio $rocesso. 4 figura @ ilustra a estrutura $ela 1ual se obtem os modelos de sistemas a $artir de dados de entrada e sa)da de um $rocesso FAG. Os $assos $ara a identificao so: @0 ;oleta de dados de entrada e sa)da do sistema >0 Escolha da estrutura do modelo A0 Estimao de $ar,metros K0 7alidao do modelo 3m fator muito im$ortante $ara a correta identificao # a escolha correta da estrutura do modelo $asso >!. Para a modelagem de s#ries tem$orais( utili-am0se modelos autoregressi%os 46! em 1ue se dese.a sim$lesmente encontrar os $ar,metros da relao matem&tica entra as entradas e sa)das do sistema desconsiderando $oss)%eis influ*ncias e+2genas ao sistema( ou se.a( a relao entre as sa)das em instantes atrasados de tem$o e a sa)da atual ou futura no caso de modelos de $reditores. 4l#m disso( # im$ortante determinar 1ual a ordem correta do modelo( ou no caso dos modelos 46( 1uais os regressores 1ue iro com$E0lo. 3m m#todo muito usado # determinar $or tentati%a e erro 1uais so os regressores. /este trabalho(

I7 " 6edes /eurais 4rtificiais

6edes neurais artificiais( do ingl*s 4rtificial /eural /etPorQs( so sistemas com$utacionais baseados no funcionamento do c#rebro humano( ou se.a( grande 1uantidade de elementos $rocessadores de informao altamente conectados entre si ca$a-es de assimilar conhecimento $or treinamento FKG. O elemento b&sico de uma rede denomina0se neurEnio e seu funcionamento ocorre da seguinte forma: as entradas so multi$licadas $or $esos sin&$ticos e 1ue so combinadas atra%#s de uma soma $onderada. O resultado desta combinao $assa $osteriormente $or uma funo de ati%ao do neurEnio 1ue determinar& a sa)da FKG. Os $ar,metros utili-ados nas redes so: 0Ta+a de treinamento ou a$rendi-agem: um nHmero entre ? e @ 1ue indica a %elocidade do a$rendi-ado e de%e ser bem dimensionada $ara e%itar su$er treinamento 1ue nada mais # do 1ue a rede $erder sua ca$acidade de generali-ao. 0Momentum: constante 1ue considera o efeito dos a.ustes $assados nos a.ustes atuais dos $esos sin&$ticos. Este termo no foi usado neste trabalho FKG. 0;rit#rio de $arada $ara treinamento: o mais utili-ado # o nHmero m&+imo de ciclos. Tamb#m $ode ser le%ado em conta um erro m)nimo como $arada( $or#m esse m#todo $ode gerar um ele%ado tem$o de treinamento e=ou su$er treinamento.

>

4s redes neurais so classificadas em dois ti$os de acordo com a sua to$ologia: as redes $or camadas e as redes homog*neas. /as redes $or camadas( os neurEnios esto dis$ostos em linhas e so conectados entre uma camada e outra. J& nas redes homog*neas( os neurEnios so conectados com os neurEnios da %i-inhana e=ou at# com eles mesmos. E+istem basicamente dois ti$os de treinamento: o su$er%isionado e o no su$er%isionado. O treinamento su$er%isionado trabalha com um tutor 1ue indica a rede uma res$osta $retendida $ara os con.untos de entradas( .& no no su$er%isionado no e+iste essa indicao( ou se.a( a rede se auto organi-a $ara a.ustar uma sa)da FKG. 4s redes homog*neas utili-am o treinamento no su$er%isionado( como $or e+em$lo( a rede ti$o ma$a de Rohonen ou mem2ria associati%a no linear. 4s redes $or camadas utili-am o treinamento su$er%isionado( como $or e+em$lo( as redes $erce$tron( adaline e madaline( B8/ Bunction 8inQ /etPorQ!( entre outras FKG. /este trabalho utili-ou0se uma rede M8P Multi08aSer Perce$tron!( ou Perce$tron de Multi camadas 1ue foi %iabili-ada graas ao desen%ol%imento do algoritmo de bacQ$ro$agation error retro $ro$agao do erro!( $ermitindo o treinamento de camadas ocultas. Tal algoritmo trabalha em dois $assos: $rimeiramente as sa)das so $rocessadas e o flu+o de $rocessamento flui $elas camadas at# a camada de sa)da onde ocorre a com$arao entre a sa)da obtida e a es$erada $ara a1uele con.unto de entradas( o 1ue gera um erroT a $artir deste erro # obtido o c&lculo do gradiente 1ue # $ro$agado no sentido contr&rio ao flu+o inicial de maneira a a.ustar os $ar,metros da rede de forma a minimi-ar o erro FKG. 4 funo de ati%ao utili-ada foi a sigmoidal( mais comumente obser%ada na literatura.

0 O$eradores gen#ticos: so utili-ados $ara a mani$ulao e tratamento das informa'es $ara o correto funcionamento do algoritmo. So eles FWG: Y Seleo: tem $or ob.eti%o $er$etuar caracter)sticas dos indi%)duos com maiores )ndices de a$tido. Tal )ndice # mensurado atra%#s de uma funo denominada funo de fitness e os indi%)duos so classificados dos mais a$tos aos menos a$tos. 4 funo de fitness de$ende do $roblema em 1uesto $ara ser elaborada. Y ;rosso%er: # o $rocesso no 1ual os indi%)duos trocam $artes de suas informa'es gerando no%os indi%)duos( o 1ue garante aos descendentes caracter)sticas de interesse e $ossibilita a $rocura $or solu'es no%as e $ossi%elmente mais a$tas. Y Mutao: # um mecanismo 1ue altera aleatoriamente $artes dos indi%)duos( $or e+em$lo( a mudana de estado de um determinado bit. Isso # de interesse( $ois gera di%ersidade na $o$ulao( ou se.a( fa- com 1ue no%as $ossibilidades se.am testadas( al#m de $oder au+iliar no des%io de algum ti$o de con%erg*ncia $ara um m)nimo local. Para um bom funcionamento do algoritmo tamb#m se fanecess&rio a correta escolha de algumas %ari&%eis( os $ar,metros gen#ticos 1ue so: 0 Ta+a de mutao: indica o 1uanto de mutao ocorrer& na $o$ulao. Se for muito alta a busca $ode tornar0se essencialmente aleat2ria $or no $reser%ar caracter)sticas .& selecionadas. 3m bom uso e%ita 1ue o algoritmo fi1ue estagnado. 0 Ta+a de recombinao ou crosso%er: indica o 1uanto de crosso%er ocorrer& na $o$ulao. Se for muito alta( h& a $ossibilidade de $erda de estruturas de alta a$tido e se muito bai+a( h& o risco de o algoritmo ficar muito lento FWG.

7 " 4lgoritmos 5en#ticos

4lgoritmos gen#ticos( do ingl*s 5enetic 4lgorithims 54!( so t#cnicas de otimi-ao e busca estoc&stica ins$iradas na teoria da seleo natural de ;harles :arPin( descrita em seu c#lebre li%ro U4 Origem das Es$#ciesV. O funcionamento b&sico dos 54 consiste em gerar uma $o$ulao inicial constitu)da de indi%)duos( em 1ue cada indi%)duo # uma soluo do $roblema em 1uesto. 4 $artir disso os indi%)duos so a%aliados $or uma funo de a%aliao onde os melhores a%aliados so selecionados $ara conceber a $r2+ima gerao( $assando $or alguns $rocessos como crosso%er e mutao. O $rocedimento se re$ete at# 1ue o crit#rio de $arada definido se.a satisfeito FWG. Bundamentalmente( algoritmos gen#ticos so constitu)dos das seguintes estruturas: 0 Indi%)duos ou cromossomos: unidade b&sica 1ue forma a $o$ulao( cada um re$resenta uma soluo do $roblema em 1uesto. 0 Po$ulao: X constitu)da $elos indi%)duos.

7I " Metodologia Pro$osta

/este trabalho $retende0se reali-ar a obteno de modelos 1ue se.am ca$a-es de reali-ar a $re%iso de sa)das em s#ries tem$orais. Para a obteno dos modelos sero utili-adas t#cnicas de identificao de sistemas. Ser& utili-ada a metodologia cai+a $reta( onde( as entradas e sa)das da s#rie so conhecidas e dese.a0se encontrar a e1uao ou modelo 1ue as relaciona. Para a modelagem de uma s#rie tem$oral tem0se 1ue as entradas do modelo so sa)das $assadas da mesma s#rie Bigura >!. :e forma 1ue ao realimentar o modelo com essas sa)das $oder0se0& reali-ar $re%is'es de sa)das futuras. Entradas sa)das $assadas! Modelo Sa)das $re%is'es!

Bigura >: Modelo de s#rie tem$oral 3m dos $rinci$ais fatores $ara o sucesso da identificao de s#ries tem$orais # a correta seleo das entradas 1ue realmente tero influ*ncia na $re%iso da sa)da. /o conte+to desse trabalho as entradas so dados $assados de uma s#rie tem$oral( e as sa)das so dados seguintes( de modo 1ue a dificuldade seria decidir 1uais dessas sa)das $assadas de%ero entrar na com$osio do modelo da s#ries. 4 soluo $ro$osta neste trabalho sugere o uso da t#cnica de 4lgoritmos 5en#ticos com o ob.eti%o de otimi-ar a modelagem( encontrando a se1u*ncia de entradas 1ue minimi-aria os erros da identificao em relao a cur%a real de dados de forma a gerar modelos $arcimoniosos.

1uarto dado anterior( o 1uinto( o se+to( o s#timo( o oita%o e o nono seriam desconsiderados. :e modo 1ue se o 45 fosse eficiente( o indi%iduo selecionado seria F@ ? @ ? @ @ ? @ ? ?G. Mostrando 1ue cada dado da se1u*ncia( a $artir do @@]( de$endem dos %alores anteriores n0@!( n0A!( n0W!( n0[! e n0\!( 1ue so os dados 1ue foram usados na e1uao >!. Boram utili-adas tanto a identificao $or modelagem 46 1uanto $elo uso de uma 6/4( ambas otimi-adas $elo 45 1ue seleciona as melhores entradas atra%#s de uma se1u*ncia bin&ria de @? elementos( seguindo a metodologia do teste anterior. /a modelagem 46( a se1u*ncia bin&ria define 1uais entradas iro com$or a matri- de regressores. Por e+em$lo( na se1u*ncia F@ ? ? ? ? ? ? ? ? @G( somente o $rimeiro e o d#cimo dado anterior entrariam na matri- de regressores: O Q0@! O Q0@?! O Q0>! O R0@@! : : O R0n! O Q0n0^! :e forma 1ue ao se e+ecutar a formulao dos m)nimos 1uadrados( chega0se a uma e1uao 1ue simula a cur%a real: O Q!M a.O Q0@! Z b.O Q0@?! A! Em 1ue a e b so os $ar,metros do modelo resultante. 4 deciso da melhor se1u*ncia bin&ria foi feita com base na seleo do 45( 1ue testa %&rios indi%)duos se1u*ncia bin&ria! e seleciona a1uele 1ue a$resenta o menor erro entra a cur%a simulada $elo modelo da identificao e a cur%a real. /a identificao $or rede neural a se1u*ncia bin&ria decide 1uais entradas $assadas sero utili-ados $ara treinar a rede. Por e+em$lo( F@ ? @ ? ? ? @ ? ? ?G define 1ue as entradas da rede neural sero o $rimeiro( terceiro e s#timo %alores anteriores da se1u*ncia de dados reais( de forma 1ue a matri- de entrada # dada $or: O Q0@! O Q0>! _ O Q0n! O Q0A! O Q0K! _ O Q0n0>! O Q0`! O Q0\! _ O Q0n0[! 4 refer*ncia de a$rendi-ado da rede # a se1u*ncia dos dados reais no seguinte %etor: a O Q! O Q0@! ... O Q0n! a :e modo 1ue a rede ser& treinada $ara 1uando as entradas forem as da se1u*ncia da $rimeira coluna da matri- de entradas( a sa)da da rede de%er& ser o %alor da $rimeira coluna do %etor de refer*ncia. O mesmo %ale $ara as demais colunas da matri- de entradas com suas res$ecti%as refer*ncias no %etor de refer*ncias. VII.1.2 Modelagem 46

7II " 6ES38T4:OS

Para testar a %alidade da metodologia $ro$osta so a$resentados a seguir dois e+em$los. /o $rimeiro e+em$lo tem0se uma s#rie sint#tica obtida $or meio de simulao onde dese.a obser%ar se a metodologia $ro$osta # ca$a- de recu$erar o modelo utili-ado na gerao dos dados( ou se.a( determinar 1uais entradas de%em entrar na com$osio do modelo da s#rie. O segundo e+em$lo se trata de uma s#rie natural denominada de suns$ot 1ue # uma s#rie de manchas formadas na su$erf)cie solar e 1ue esto diretamente ligadas a sua ati%idade. 4 funo de fitness usada $elo 45 em todos os testes sem$re recebe uma se1u*ncia bin&ria de cada indi%)duo como entrada( im$lementa a identificao baseada na se1u*ncia de entrada e fornece como sa)da o erro entre a cur%a real e a cur%a do modelo. O 45 ir& selecionar o indi%)duo 1ue gerou o menor erro. 7II.@ " S#rie Sint#tica Para este e+em$lo gerou0se uma s#rie tem$oral a $artir da seguinte e1uao: S Q!M WS Q0@! " S Q0A! " S Q0W! Z WS Q0[! " KS Q0\! >!

/essa e1uao nota0se 1ue a sa)da S Q! de$ende da $rimeira entrada anterior S Q0@!!( da terceira S Q0A!!( da 1uinta S Q0W!!( da se+ta S Q0[!! e da oita%a S Q0\!!. VII.1.1 Teste de converso Para com$ro%ar se o 45 seria ca$a- de selecionar as entradas corretas da se1u*ncia foi elaborada a funo de fitness 1ue recebe como entrada uma se1u*ncia bin&ria de @? %alores( na 1ual os %alores em @ selecionariam a entrada $ara modelagem e os em ? descartaria essa entrada. Essa se1u*ncia # o indi%)duo do 45. Por e+em$lo( na se1u*ncia F@ @ @ ? ? ? ? ? ? @G( o $rimeiro dado anterior( o segundo( o terceiro e o d#cimo seriam usados como entradas da identificao en1uanto 1ue o

/a identificao 46 o resultado es$erado foi atingido. O 45 selecionou corretamente o modelo da e1uao >!. VII.1.3 Treinamento RNA /o caso da identificao $or 6/4 o 45 no selecionou as entradas es$eradas. O indi%)duo resultante foi F@ ? @ ? @ @ @ @ ? @G. :e forma 1ue o algoritmo no e+cluiu a s#tima e nem a d#cima entrada anterior 1ue segundo a e1uao >! no teriam correlao com o %alor seguinte da se1u*ncia de dados. O $onto $ositi%o foi 1ue a funo mante%e as entradas rele%antes. O resultado no foi o es$erado $or1ue a rede neural acaba reali-ando uma com$ensao na distribuio de $esos o 1ue fa- com 1ue o resultado se.a di%ergente do es$erado. 4 figura A a$resenta dados da s#rie sint#tica 1ue se dese.a%a modelar.

Bigura W: Sa)da da 6/4 4 dimenso dos erros mostra 1ue as duas identifica'es foram bem sucedidas( al#m do erro da modelagem 46 ter sido menor 1ue o da sa)da 6/4.

VII.2 Srie Natural /o $r2+imo e+em$lo $retende0se reali-ar a identificao de uma s#rie tem$oral e utili-ar o modelo resultante $ara gerar dados de $re%iso. 4 s#rie utili-ada foi dados do Suns$ot( 1ue # uma s#rie tem$oral formada $ela ocorr*ncia anual de manchas solares( 1ue indica o n)%el da ati%idade solar F>G. Os dados obser%ados e 1ue com$'em esta s#rie so a$resentados na figura [. Bigura A: S#rie sint#tica /a figura K $ode0se obser%ar os dados obtidos a $artir do modelo 46 identificado. O modelo 46 obte%e o somat2rio dos m2dulos dos erros igual a K(\`@W+ @?0@K.

Bigura [: S#rie Tem$oral Suns$ot 3m $asso im$ortante # garantir 1ue a s#rie analisada no contenha %alores errEneos( causados $or falha de e1ui$amento de medio ou ru)dos na transmisso das medidas. 41ui as medidas do suns$ot .& foram $r#0 tratadas onde se eliminaram $oss)%eis ru)dos( restando a$enas a cur%a m#dia dos dados. ;om a identificao im$lementada o teste final foi %erificar se o modelo resultante ou a rede treinada seriam ca$a-es de gerar %alores de $re%iso coerentes com a realidade( atra%#s da realimentao das sa)das na rede treinada ou na e1uao modelada e ento com$arar os resultados com os dados reais da s#rie do Suns$ot. Im$lementou0se a identificao da s#rie tem$oral Suns$ot %ia modelagem 46 e treinamento de uma 6/4( ambas otimi-adas $elo 45 seguindo a mesma metodologia do teste de con%erso. ;om a identificao finali-ada reali-ou0se a realimentao das sa)das no modelo a fim de se obser%ar a ca$acidade de $re%iso da soluo $ro$osta

Bigura K: Sa)da do modelo 46 4 figura W a$resenta os dados obtidos a $artir do modelo obtido $ela 6/4. O somat2rio dos m2dulos dos erros da 6/4 foi de >(K+@?0@A.

neste trabalho com$arando as sa)das do modelo identificado com a cur%a real. VII.2.1 Previso com modelo AR /a identificao $or modelagem 46 o 45 selecionou 1ue o indi%)duo 1ue chegou no melhor modelo( a1uele 1ue gerou a cur%a mais $arecida com os dados reais foi F@ @ @ @ @ @ @ @ @ @G com erro total de @^^K(` entre a cur%a real e a do modelo. Para efeito de com$arao entre a cur%a real e a cur%a do modelo( os resultados so a$resentados na figura `: Bigura ^ 0 ;om$arao entre cur%a real e a do modelo " Segundo modelo 46 O resultado de AW $re%is'es com$arando0se com a cur%a real # a$resentado na figura @?.

Bigura `: ;om$arao entre cur%a real e a do modelo " Modelo 46 Percebe0se 1ue a identificao foi bem sucedida. O $r2+imo teste foi gerar AW dados de $re%iso e com$arar com a cur%a real. Por#m $ela an&lise da figura \( nota0se 1ue esse modelo no foi ca$a- de gerar $re%is'es satisfat2rias.

Bigura @? 0 ;om$arao da $re%iso com a cur%a real " Segundo Modelo 46 ;omo $ode se notar( o modelo 46 com mais entradas modelou melhor a s#rie sob estudo( $ois( melhorou sua ca$acidade de generali-ao. VII.2.2 Previso e RNA /a modelagem $or treinamento de uma rede neural o 45 identificou 1ue a rede 1ue identificou melhor a s#rie suns$ot te%e como refer*ncia o indi%)duo F? ? @ ? ? ? @ ? @ @G. 4 simulao da rede e os dados reais $odem ser com$arados a seguir na figura @@:

Bigura \: ;om$arao da $re%iso com a cur%a real0 Modelo 46 4lterando0se os $ar,metros da identificao atingiu0se um bom resultado de $re%iso com uma se1u*ncia bin&ria de [W dados anteriores( o somat2rio de erros entre os dados reais e os da identificao foi igual a @@[W(`. O indi%iduo 1ue o 45 selecionou foi: F? @ @ @ @ @ @ @ @ @ @ @ @ @ ? ? @ @ @ @ @ ? @ ? @ @ @ @ @ @ @@@@@@?@@??@?@@@?@@@@?@@@@@@@@@ @ @ @ @ @G Sua identificao com$arada com a s#rie real $ode ser %ista na figura ^:

Bigura @@ 0 ;om$arao entre cur%a real e a do modelo 6ede /eural O resultado de AW $re%is'es com$arado aos dados reais utili-ando0se o modelo de redes neurais # a$resentado na figura @>.

ca$acidade de a$ro+imao uni%ersal 1ue as redes neurais a$resentam FKG.

7III. ;O/;83S<O
O ob.eti%o deste trabalho no # $re%er e+atamente o com$ortamento da cur%a real( mas sim ter %alores de tend*ncia dessa cur%a baseados na an&lise de seus dados $assados. :esse modo os resultados de ambas as t#cnicas( 46 e 6/4( mostraram0se eficientes num conte+to em 1ue a cur%a real tem certo $adro de com$ortamento. 6edes neurais com um nHmero de neurEnios maior 1ue @? na camada escondida $ro%ocaram o su$er treinamento( onde a rede $erdia a abrang*ncia e o resultado da $re%iso no foi bom. PEde0se concluir 1ue a identificao 46 necessita de muito mais $ontos anteriores $ara resultar em $re%is'es eficientes do 1ue a identificao com 6/4. En1uanto a t#cnica 46 $recisou de WK dados $assados a 6/4 necessitou de K. 4 combinao 45 com 6/4 mostrou0se eficiente tendo em %ista 1ue o $adro $ara uma se1u*ncia bin&ria seria usar F@ @ @ @ @ @ @ @ @ @ G onde todos os de- %alores $assados teriam alta correlao com o %alor seguinte. 4o a$licar a metodologia $ro$osta( o 45 selecionou o indi%)duo com a melhor identificao: F? ? @ ? ? ? @ ? @ @G. Isso mostra 1ue nem todos os @? dados $assados tinham influ*ncia no %alor seguinte da se1u*ncia de dados reais. ;om isso se ganha em economia de $rocessamento e em otimi-ao de resultado.

Bigura @> 0 ;om$arao da $re%iso com a cur%a real $ara a 6/4 " dados Suns$ot Esse resultado foi atingido treinando0se uma rede com @? neurEnios na camada oculta utili-ando o UbacQ $ro$agationV como algoritmo de treinamento. O somat2rio do erro entre a cur%a real e a da identificao foi de @@>>(\. Em todos os testes descritos o 45 foi configurado com: Tamanho da $o$ulao " @?? indi%)duos Ta+a de crosso%er " ?.\ Ta+a de mutao " ?.?> O gr&fico do melhor %alor da funo de fitness em cada gerao do 45 com$arado aos %alores da m#dia na figura @A:

IN. 4564:E;IME/TOS
4o orientador Prof. Jeremias Barbosa Machado $or sua constante contribuio e ateno $ara com os orientados.

N. 6EBE6b/;I4S
F@G P.4. Morettin( ;.M.;. Toloi " An lise de Sries Tem!orais( Ed. Edgard Blucher( >??[. F>G M.;.B. de ;astro 0 UPredio /o08inear de S#ries Tem$orais 3sando 6edes /eurais 6BB $or :ecom$osio em ;om$onentes Princi$aisV( $$. `0 @`( ;am$inas( Mar. >??@. FAG 8. 8.ung " S"stem Identi#ication T$eor" #or t$e %ser& Ed. Prentice 9all( @^^^. FKG S.S. 9aSQin " Redes neurais'Princ(!ios e !r tica ( Ed. BooQman( >??@. FWG T. BacQ( :.B. Bogel( c. MichalePic- 1 )volutionar" *om!utation 1+ ,asic Algorit$ms and -!erators( Ed. TaSlor d Brancis 8T:( >???.

Bigura @A: Melhor Bitness e Bitness M#dia ;omo $Ede0se obser%ar $elos resultados obtidos $ela res$ostas a$resentadas nas figuras \( @? e @>( a rede neural a$resentou melhor resultado( sendo ca$a- de $re%er com maior e+atido os %alores futuros a serem obtidos como sa)da na s#rie tem$oral( utili-ando menos informa'es de instantes $assado se com$arado ao modelo 46 com WK regressores. Este fato se de%e a

BIO564BI4:

Bruno Pires de Campos /asceu em Es$)rito Santo do Pinhal SP! em @^\\. Estudou em sua cidade natal e em Mogi0Mirim SP!. Ingressou na 3/IBEI em >??^( foi estagi&rio na em$resa Eli$se SoftPare com$ondo o time do su$orte t#cnico.

!"io #enri$ue erreira Roc%a /asceu em ;a$it2lio M5!( em @^\^. Estudou em 7iosa e Ita.ub&. Ingressou na 3/IBEI em >??^( e no ano de >?@A foi estagi&rio na em$resa BI4T 4utom2%eis S=4 fa-endo $arte da engenharia industrial.