Search

Dissertação (mestrado) - Pontifícia Universidade Católica de Minas Gerais, Programa de Pós-Graduação em Engenharia Eletrica. Bibliografia: f. 128-133 Este trabalho busca desenvolver metodologias que possibilitem a previsão de valores futuros de séries temporais produzidas a partir de sistemas dinâmicos variantes no tempo. Em particular, consideramos sistemas inteligentes evolutivos para previsão diária da umidade relativa do ar (sistemas climatológicos). Além disso, consideramos problemas benchmarks da literatura de séries temporais como o problema do forno a gás de Box e Jenkins, e a equação diferencial com atraso de Mackey e Glass. Outro objetivo da pesquisa é construir uma ferramenta que permita a previsão de dados meteorológicos, como a umidade relativa do ar, a partir da modelagem utilizando séries temporais. No decorrer da pesquisa procurou-se estudar técnicas de estatística univariadas e multivariadas tais como, Média Móvel Simples e Exponencial e o método Box-Jenkins. Tais técnicas têm sido muito utilizadas nas últimas décadas, dentre outras, para identificação e modelagem de séries temporais e sistemas dinâmicos variantes no tempo. O estudo de sistemas inteligentes evolutivos neste contexto justifica-se pela limitação das técnicas estatísticas no sentido de se adaptar a novos comportamentos dinâmicos. Sendo assim, considerou-se o estudo de técnicas de inteligência computacional. Sistemas inteligentes evolutivos adaptam suas estruturas e parâmetros às dinâmicas dos dados coletados, possibilitando modelagem mais flexível e potencialmente mais precisa de séries temporais. Este trabalho investiga uma variedade de abordagens de modelagem inteligente evolutiva e estatística em previsão de séries temporais sintéticas e reais. Utiliza-se o MATLAB como plataforma de modelagem e simulação dos sistemas dinâmicos considerados. Propõe-se uma interface GUI para facilitar a manipulação de dados, visualização e análise dos resultados. Palavras-chave: Séries temporais. Estatística multivariada. Sistemas inteligentes evolutivos. Meteorologia. This work seeks to develop models, methodologies that allow forecasting future values of time series produced from time-varying dynamical systems. In particular, we consider evolving intelligent systems for forecasting daily relative humidity (climatic systems). Furthermore, we consider benchmark problems such as the Box-Jenkins gas furnace and the Mackey-Glass time-delay differential equation. This study aims at building a tool that allows meteorological predictions from time series data. Emphasis is on the study of univariate and multivariate statistical techniques such as Moving Average , Exponential Moving Average, and a method due to Box and Jenkins. Such techniques have been widely used in the past decades, among others, for identification and modeling of time series and time-varying dynamical systems. The study of evolving intelligent systems in nonstationary environment is justified by the limitation of statistical techniques to deal with never-before-seen dynamic behaviors. Computational intelligence methods are useful in this context and were therefore taken into consideration. Evolving intelligent systems adapt their structures and parameters to the dynamics of the collected data and allow the modeling of time series in a more flexible and efficient manner. Computational experiments evaluate several statistical and computational intelligence methods for predicting real and synthetic data from time series. MATLAB is used as simulation platform. A GUI interface is proposed to facilitate data handling and analysis of results.Keywords: Time series. Multivariate Statistics. Evolving intelligent systems. Meteorology.