Redes Bayesianas Dinâmicas para Previsão de Séries Temporais: Aplicação ao Setor Elétrico

Autores

4494
Marcelo Andrade Teixeira
250,750
4495
Gerson Zaverucha
(Orientador)
250,750

Informações:

Publicações do PESC

Título
Redes Bayesianas Dinâmicas para Previsão de Séries Temporais: Aplicação ao Setor Elétrico
Linha de pesquisa
Inteligência Artificial
Tipo de publicação
Tese de Doutorado
Número de registro
Data da defesa
31/5/2005
Resumo
Este trabalho desenvolve uma abordagem de previsão de séries temporais para a qual não existem muitos trabalhos na literatura: a previsão de um valor contínuo através da estimação não-paramétrica da função densidade de probabilidade da variável aleatória contínua que se deseja prever. Para essa estimação não-paramétrica empregamos Redes Bayesianas e Redes Bayesianas Dinâmicas com variáveis aleatórias discretas através da discretização dos dados contínuos. Dessa forma criamos vários sistemas de previsão: Markov Model for Regression, Hidden Markov Model for Regression e Multi-Hidden Markov Model for Regression. A principal contribuição deste trabalho foi a generalização desses sistemas pelo uso da fuzzificação no lugar da discretização: Fuzzy Bayes Predictor, Fuzzy Markov Predictor, Fuzzy Hidden Markov Predictor e Fuzzy Multi-Hidden Markov Predictor. Também desenvolvemos métodos para efetuar o particionamento do espaço de dados contínuos a fim de serem usados por nossos sistemas que fazem fuzzificação. Nossos sistemas foram aplicados às tarefas de previsão single-step e multi-step de séries de carga elétrica mensal. As séries temporais empregadas apresentam um comportamento de mudança abrupta e significativa em seus últimos anos, como quando ocorre um racionamento de energia. Obtivemos resultados competitivos quando comparamos com várias técnicas estatísticas conhecidas.
Abstract

This work presents an approach for time series prediction for which there are not many works in the literature: the prediction of a continuous value through the estimation of the probability density function of the continuous random variable meant to be predicted. For this nonparametric estimation we employed Bayesian Networks and Dynamic Bayesian Networks with discrete random variables by the discretization of the continuous data. This way we created several systems for prediction: Markov Model for Regression, Hidden Markov Model for Regression and Multi-Hidden Markov Model for Regression. The main contribution of this work was the generalization of these systems by the use of fuzzification instead of discretization: Fuzzy Bayes Predictor, Fuzzy Markov Predictor, Fuzzy Hidden Markov Predictor e Fuzzy Multi-Hidden Markov Predictor. We also developed some methods to make the partitioning of the space of continuous data in order to be used by our systems that make fuzzification. Our systems were applied to the tasks of single-step and multi-step forecasting of monthly electric load series. The employed time series present a sudden significant changing behavior at their last years, as it occurs in an energy rationing. We have obtained competitive results when compared with several known statistics techniques.

Arquivo
2006.pdf
Topo