Aprendizado Não-Paramétrico de Filtros de Partículas em Previsão de Séries Temporais

A maioria dos algoritmos para a previsão de séries temporais faz suposições sobre os dados de forma a facilitar a previsão ou necessita da especificação de um modelo paramétrico a ser aprendido. Muitos problemas reais exibem alto grau de nãolinearidade e em geral é difícil definir um modelo adequado. O objetivo deste trabalho é desenvolver um sistema automático que seja capaz de fazer a previsão de séries temporais sem a necessidade de qualquer outra informação e que não faça nenhuma suposição sobre os dados. O sistema proposto é baseado em filtros de partículas, utilizando estimação não-paramétrica de densidades com kernels, realizando o aprendizado dos kernels com um algoritmo similar ao EM. Outra proposta é o uso de curvas características de erro de regressão na avaliação comparativa de previsores de séries temporais e na seleção de componentes em comitês, de forma a maximizar a performance do conjunto. Uma extensa avaliação experimental é reportada e seus resultados mostram que a nova abordagem pode alcançar boa performance em domínios altamente não-lineares, com a vantagem de não necessitar de conhecimento especializado, permitindo seu uso por não-experts.