Documente Academic
Documente Profesional
Documente Cultură
1
ESPAÇO ENERGIA | ISSUE xx | MONTH 20xx
Dentre os modelos e algoritmos existentes para prever uma entre outros. No caso da série temporal ( y t ) t =1 apresentar
T
2
ESPAÇO ENERGIA | ISSUE xx | MONTH 20xx
comumente, são utilizadas na modelagem de séries Para a formulação dual, serão introduzidos alguns
temporais, para fins de geração de previsões.
multiplicadores de Lagrange (α ,α ) não negativos conforme
i
*
i
De acordo com [21] e [17], tem-se que a decomposição relata [9] e [19]. Logo o problema, agora de maximização, na
wavelet de uma série temporal . é dada, genericamente, sua forma dual é dado por:
na equação 3.
1 l l
α i ,α i* ∈ [ 0, C ] , ∀i = 1,..., l
detalhe e de aproximação e são calculados, ainda nesta
ordem, a partir do produto interno usual entre . e e a função linear de aproximação passa a ser:
4 , . (isto é, 3 , ∑6708 5 4 , 5 ) e entre . e
(,
. (isto é, 2 (, ∑6708 5 4 , 5 ), para todo l
nível de decomposição. Em particular, em uma A formulação dual do problema SVR fornece como
decomposição wavelet de nível p=2, onde o truncamento, em alternativa trabalhar em um espaço de alta
(3), ocorre na segunda componente de detalhe, se adota dimensionalidade. Assim, pode-se realizar um mapeamento
)* 2. Com efeito, tem-se que: . +$ . , .$ . , não linear dos dados de entrada para um espaço de dimensão
.9 . +:, onde : é o vetor de erro de aproximação. maior, onde a regressão linear torna-se possível. Para isso,
Independente do nível p de decomposição wavelet, observa- utiliza-se a abordagem baseada em funções Kernel
se empiricamente que : é, em geral, constituído de valores K ( x , x ' ) := φ ( x ) , φ ' ( x ) , cuja sua introdução no problema
muito próximos a zero, de modo que pode ser de otimização faz com que este passe a ser descrito da
desconsiderado para fins de geração de previsões (pontuais). seguinte forma:
1 l l
4 Support Vector Regression Maximizar − ∑ (α i − αi* )(α j − α *j ) K ( x i , x j ) − ε ∑ (α i + α i* )
2 i , j =1 i =1
3
ESPAÇO ENERGIA | ISSUE xx | MONTH 20xx
Já [25] propôs o método de combinar os resultados dos eficiência na modelagem de séries oriundas de processos não
modelos de previsão mais eficientes, com a finalidade de lineares. Obtidas as previsões das componentes wavelet,
agregar as características mais relevantes de cada um dos estas serão combinadas linearmente a fim de se obter a
modelos utilizados em uma determinada situação, os autores previsão ̂7 .
sugeriram uma combinação, para a previsão da série
Considere a sequência infinita ̃ 7 ∈ # obtida da série
temporal {yt }Tt=1 , onde a previsão é combinada temporal 7 6708 , onde é a cardinalidade da série, a partir
, 5 ∈ G1, … , H
linearmente. da igualdade ̃7 F 7
0, 5 ∈ # \ G1, … , H
. Segundo [19], a
Foi utilizado em [26] a média aritmética das previsões decomposição wavelet de nível de uma série temporal ̃7
individuais. Já em [13] foi proposto, entre outros métodos, em relação a uma determinada base ortonormal wavelet é
uma combinação linear sem restrição para os coeficientes e representada por (9).
adição de uma constante. No trabalho de [27] é proposto o
uso de filtros de Kalman para o cálculo dos coeficientes e que ̃7 ≅ K̃7 ∑ ∈LM%( 2 (, (,
,
(Q RS8
estes sejam variáveis ao longo do tempo. ∑ 0 (
N∑ ∈LO% 3 , 4 , P (9)
No trabalho de [24] ele utilizou programação matemática Onde ΓU%( e ΓV% são subconjuntos de índices em #. A
para calcular os coeficientes da combinação linear. O autor
determinação de tais conjuntos ocorre através da
minimização do erro quadrático médio (MSE) entre ̃7 e K̃7 .
otimizou um problema de programação não linear, onde a
função objetivo era constituída pela soma dos erros de
previsão ao quadrado. As componentes de aproximação ∑ ∈LM%( 2 (, (,
e
detalhe ∑ ∈LM%( 2 (, (,
provenientes da decomposição
6 A metodologia híbrida da série de resíduos foram obtidos a partir do aplicativo
computacional Matlab 8.0, que oferece várias opções de
A comparação entre a modelagem linear ARIMA e da bases wavelet, tais como: as famílias daubechies (db), coiflets
modelagem não linear SVR nos últimos anos vem (coif) e symlets (sym), desenvolvidas por Ingrid Daubechies
despertando a atenção de cientistas em volta do mundo, [20]. Neste trabalho, a série 7 foi decomposta em nível
fazendo uma revisão da literatura se encontram estudos 2, que resulta em duas componentes de detalhe W8 WA e
comparativos entre o desempenho destes métodos, como uma de aproximação XA .
por exemplo , [5], [11], [28], [29], [30], [31], [32] , [33] e [34]
entre outros. No entanto, não se pode afirmar que nenhum Uma vez obtidas as componentes wavelet de aproximação e
deles é um modelo universal e o mais apropriado para todas detalhe para a série de resíduos, estas foram modeladas por
as situações. SVR, resultando as previsões das componentes wavelet de
detalhe W YA e aproximação XZA . No passo seguinte
Y8 W
Do fato de ser de interesse extrair completamente
obteve-se a previsão do resíduo a partir da combinação linear
características lineares e não lineares de um conjunto de
descrita em (10)
dados em um problema real a metodologia híbrida que tem
ambas capacidades mostra ser uma boa estratégia de ̂7 [8 XZA , [A W
Y8 , [\ W
YA 10
utilização, já que, combinando diferentes modelos,
características distintas podem ser capturadas, na literatura onde [8 , [A [\ são parâmetros a serem determinados com
pode-se encontrar alguns trabalhos que visam capturar a resolução do problema de programação não linear (11),
estruturas lineares e não lineares através de metodologias cuja função objetivo é a raiz do erro quadrático médio (RMSE)
hibridas, tais como: [35] , [36], [3], [1], [12], [27], [4], [37], entre o resíduo 7 e a sua previsão combinada ̂7 .
[2].
8
] ' ^]_` a ∑6708 7 & ̂7 A 11
Seja a série temporal ;7 <7 , =7 , :7 , onde Lt denota a 6
4
ESPAÇO ENERGIA | ISSUE xx | MONTH 20xx
8
]X` ∑6707(|;7 & ;B7 | 12 ( yt ) são
6 Os dados que formam a série temporal
provenientes do aparelho denominado base de alongâmetro
7 Materiais e métodos que mede a abertura e o fechamento, o recalque e o
deslizamento entre os blocos.
A Itaipu é uma empresa que se preocupa com a segurança de
suas operações, mantendo um monitoramento de seu A figura 2 mostra o comportamento dos deslocamentos
desempenho através da análise de dados coletados pela relativos do bloco I(11), nas direções de abertura entre juntas
instrumentação que medem indicadores críticos do e deslizamento (que são os deslocamentos horizontais), do
comportamento da barragem. Dentre os diversos fatores que aparelho base de alongâmetro JS-I-35:
se pode considerar em uma barragem de concreto os
deslocamentos ocorridos nos blocos e entre eles surgem 800
abertura mm
como um assunto de extremo interesse e análise, os blocos recalques mm
700
sofrem a ação do nível do lago, das variações das
temperaturas, por exemplo, no verão ocorre uma dilatação 600
5
ESPAÇO ENERGIA | ISSUE xx | MONTH 20xx
encontram-se as bases utilizadas para decomposição Foram realizadas várias simulações para as séries supra
Wavelet, escolhidas após alguns testes, e as respectivas citadas e está apresentado na Tabela 3 os parâmetros que
componentes. melhor se ajustaram, baseado nos dados de treinamento e
que foram escolhidos de acordo com as medidas de acurácia
Tabela 1– Modelo Arima
mean square error (MSE) e Squared correlation coefficient
SÉRIE MODELO Equação (SCC).
JS-I-35-X Arima Wt = 0.418Wt −1 − 0.040Wt −4 +
(36,0,11) Tabela 2– Decomposição Wavelet
+ 0.398Wt −11 + 0.285Wt −36 +
SÉRIES Base Aproximação Detalhes
+ 0.141at −2 + 0.272at −5 + r-JS-I-35-X Daubechies r-A2-X r-D1-X
− 0.377at −11 8 r-D2-X
JS-I-35-Y Arima Wt = 0.894Wt −1 − 0.163Wt −6 + r-JS-I-35-Y Daubechies r-A2-Y r-D1-Y
(9,0,16) 8 r-D2-X
+ 0.279Wt −9 − 0.362at −1 +
+ 0.324at −6 − 0.154at −16 Em seguida foi feita a combinação das séries dos resíduos
previstas via SVR. Das componentes: r-A2-X, r-D1-X e r-D2-X
Para o uso do SVR foi utilizada uma biblioteca para máquinas resultou nos parâmetros, ρ rA X =1.015 , ρ rD X = 1.069 e
2 1
de vetores suporte para Matlab denominada de LIBSVM [39], ρ rD = 0.5616 , e, para a série dos resíduos r-A2-Y, r-D1-Y e
2X
sendo que a biblioteca LIBSVM é atualmente um dos
r-D2-Y foram obtidos os parâmetros ρ rA Y = 1 .0099 ,
softwares mais utilizados para regressão em vetores suporte. 2
6
ESPAÇO ENERGIA | ISSUE xx | MONTH 20xx
A comparação entre o valor real e o valor previsto via Arima, Neste trabalho, foi proposta uma modelagem híbrida para
SVR e ARIMA-SVR para os 12 valores fora da amostra de previsão de séries temporais usando os modelos ARIMA,
dados da série JS-I-35-Y é apresentada na Figura 4. decomposição Wavelet, a regressão de vetores suporte (SVR)
e a combinação de previsões. A eficácia do método foi
verificada através da aplicação em um problema real que
9 Conclusão
mede os deslocamentos relativos entre blocos.
Com intuito de diminuir erros de previsão, o estudo de séries
Os dados que formam a série temporal que é bivariada são
temporais vem crescendo bastante nos últimos anos, pois é
provenientes do aparelho denominado base de alongâmetro
sensato que quanto maior a eficiência do método preditivo
e que mede a abertura (JS-I-35-X) e os recalques (JS-I-35-Y)
ou da metodologia que leva às previsões de menor acurácia
entre os blocos 10 e 11 da barragem da Usina Hidrelétrica de
propiciará a técnicos e engenheiros uma ferramenta de apoio
Itaipu. Os resultados obtidos mostram que a metodologia
nos processos de tomadas de decisões.
híbrida denominada de ARIMA-SVR obteve ganhos preditivos
Dos vários métodos de análise e previsão de séries temporais para ambas as séries testadas. Comprovando que a
existentes o modelo ARIMA é sem dúvida o mais popular metodologia proposta para previsões de séries temporais
deles, entretanto nos últimos anos o método de Regressão contribui para melhora da acurácia nas previsões pontuais,
por Vetores Suporte (SVR) surge como uma novidade neste caso comparadas com as técnicas ARIMA e SVR.
promissora neste campo, demonstrando sua boa capacidade
de generalização através da obtenção de bons resultados. Agradecimentos
Embora estas duas técnicas mostrem seu potencial não se
pode dizer que uma técnica é melhor que outra, portanto a Às instituições: Itaipu Binacional, PPGMNE (Programa de Pós
metodologia hibrida aqui apresentada serve como uma Graduação em Métodos Numéricos em Engenharias), CEASB
alternativa na obtenção de melhores resultados. (Centro de Estudos Avançados em Segurança de Barragens),
PTI (Parque Tecnológico Itaipu, e, em especial, aos
engenheiros: Cláudio Neumann Júnior e Dimilson Coelho.
7
ESPAÇO ENERGIA | ISSUE xx | MONTH 20xx
8
ESPAÇO ENERGIA | ISSUE xx | MONTH 20xx
limitado de combinações de previsões, Economia Aplicada, [32] L. L. Teixeira, S. B. Rodrigues, P. H. Siqueira, A. C. L. d. Silva
vol. 12, pp. 177-198, 2008. e L. A. Teixeira Jr, Comparativo entre arima, redes neurais
artificiais, máquinas de vetores suporte para regressão e
[15] A. E. Faria, E. Mubwandarikwa, Multimodality on the combinação linear de previsões de vasões mensais no posto
Geometric Combination of Bayesian Forecasting Models, 266-itaipu, XXI SIMPEP, 2014.
International Journal of Statistics and Management
System, pp. 1-25, 2008. [33] E. K. Lafdani, A. M. N. Nia e A. Ahmadi, Daily suspended
sediment load prediction using artificial neural networks
[16] P. P. Morettin e C. M. Toloi, Análise de Séries Temporais, São and support vector machines, Journal of Hydrology, vol.
Paulo: Blucher, 2006. 478, pp. 50-62, 2013.
[17] S. Mallat, A Wavelet Tour of Signal Processing., San Diego: [34] Z. He, X. Wen, H. Liu , J. Du, A comparative study of artificial
Academic Press, 2009. neural network, Journal Hydrology, vol. 509, pp. 379-386,
2014.
[18] N. Levan e C. S. Kubrusly, A Wavelet Time-Shift Detail
Decomposition, Mathematics and Computers in [35] F. M. Tseng, H. C. Yu, G. H. Tzeng, Combining neural
Simulation, vol. 63, pp. 73-78, 2003. network model with seasonal time series ARIMA model,
Technological Forecasting & Social Change, pp. 71-87,
[19] L. A. Teixeira Jr, J. F. M. Pessanha, M. L. Menezes, K. M. 2002.
Cassiano e R. C. Souza, Redes Neurais Artificiais E
Decomposição Wavelet Na Previsão Daradiação Solar [36] P. G. Zhang, Time series forecasting using a hybrid ARIMA
Direta, Simpósio Brasileiro de Pesquisa Operacional, Rio de and neural network model, Neurocomputing, pp. 159-175,
Janeiro, 2012. 2003.
[20] I. DAUBECHIES, Orthonormal basis of compactly supported [37] B. Zhu e Y. Wei, Carbon price forecasting with a novel hybrid
wavelets, Comm. Appl. Math., pp. 909-996, 1988. ARIMA and least Squares support vector machines
methodology, Omega, pp. 517-524, 2013.
[21] C. S. Kubrusly, N. Levan, Abstract Wavelets Generated by
Hilbert Space Shift Operators, Adv. Math. Sci. Appl., vol. 14, [38] C. I. Osako, A manutenção dos drenos nas Fundações de
pp. 643-660, 2006. Barragens o caso da Usina Hidrelétrica de Itaipu, Dissertação
Curso de Pós-Graduação em Construção Civil, Setor de
[22] A. J. SMOLA e B. Schölkopf, A Tutorial on Support Vector Tecnologia, Universidade Federal do Paraná, 2002.
Regression, NeuroCOLT Technical Report, 1998.
[39] C. C. Chang, C. J. Lin, LIBSVM: a library for support vector
[23] R. T. CLEMEN, Combining forecasts: A review and annotated machines, [Online]. Available:
bibliography, International Journal of Forecasting, pp. 559- http://www.csie.ntu.edu.tw/~cjlin/libsvm. [Acesso em 5
583. Janeiro 2014].
[24] L. A. Teixeira Jr., Combinação SSA-Wavelet de métodos
preditivos com ajuste numérico MINIMAX, na geração de
previsões e de cenários, Puc. Rio de Janeiro, 2013.