Please use this identifier to cite or link to this item:
http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/18949
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.creator.ID | XAVIER, T. S. | pt_BR |
dc.creator.Lattes | http://lattes.cnpq.br/9254871666069883 | pt_BR |
dc.contributor.advisor1 | LIRA, George Rossany Soares de. | |
dc.contributor.advisor1ID | LIRA, G. R. S. | pt_BR |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/7283717300126094 | pt_BR |
dc.contributor.referee1 | COSTA, Edson Guedes da. | |
dc.description.resumo | Este trabalho apresenta os principais conceitos que envolvem a análise de séries temporais, como também os principais modelos utilizados na previsão de séries temporais. Ao final do trabalho, é realizado um estudo de caso, no qual foi feita a previsão de carga da região Nordeste utilizando um modelo clássico de previsão, especificamente, o modelo ARIMA sazonal, e uma rede neural artificial (RNA). A metodologia utilizada para identificar o modelo ARIMA é baseada na análise das funções de autocorrelação e autocorrelação parcial da série temporal. A RNA foi implementada no software Matlab®, por meio da toolbox Neural Network Time Series Tool. A qualidade do ajuste dos modelos e das previsões foram medidas por meio de índices de desempenho. Chegou-se à conclusão de que ambos os métodos de previsão são satisfatórios, por apresentarem bons índices de desempenho. Porém, as redes neurais artificiais apresentam algumas vantagens sobre o modelo ARIMA, como a possibilidade de incorporar variáveis de regressão ao modelo. Este trabalho tem como principal contribuição a de dar início a uma linha de pesquisa no Laboratório de Alta Tensão da UFCG, servindo como um guia para os alunos de graduação que irão trabalhar com o tema daqui por diante. | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.department | Centro de Engenharia Elétrica e Informática - CEEI | pt_BR |
dc.publisher.initials | UFCG | pt_BR |
dc.subject.cnpq | Engenharia Elétrica. | pt_BR |
dc.title | Previsão de séries temporais utilizando modelos clássicos e redes neurais artificiais. | pt_BR |
dc.date.issued | 2018-08 | |
dc.description.abstract | This work presents the main concepts that involve the analysis of time series, as well as the main models used in the time series forecasting. At the end of the work, a case study was carried out, in which the load Northeast region was predicted using a classical forecasting model, specifically the seasonal ARIMA model, and an artificial neural network (ANN). The methodology used to identify the ARIMA model is based on the analysis of autocorrelation and partial autocorrelation functions of the time series. The ANN was implemented in the Matlab® software through the Neural Network Time Series Tool toolbox. The quality of adjustment of models and forecasts was measured by performance indexes. It was concluded that both forecasting methods are satisfactory, since they have good performance indices. However, artificial neural networks have some advantages over the ARIMA model, such as the possibility of incorporating regression variables into the model. This work has as main contribution to initiate a research line in the High Voltage Laboratory of the UFCG, serving as a guide for the graduating students who will work on the subject from now on. | pt_BR |
dc.identifier.uri | http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/18949 | |
dc.date.accessioned | 2021-05-20T20:50:25Z | |
dc.date.available | 2021-05-20 | |
dc.date.available | 2021-05-20T20:50:25Z | |
dc.type | Trabalho de Conclusão de Curso | pt_BR |
dc.subject | Previsão de séries temporais | pt_BR |
dc.subject | Séries temporais | pt_BR |
dc.subject | Redes neurais artificiais | pt_BR |
dc.subject | Processos estocásticos | pt_BR |
dc.subject | Estacionariedade | pt_BR |
dc.subject | Funções de autocovariância | pt_BR |
dc.subject | Funções de autocorrelação | pt_BR |
dc.subject | Previsão de carga | pt_BR |
dc.subject | Matlab | pt_BR |
dc.subject | Modelo ARIMA | pt_BR |
dc.subject | Modelos para previsão de séries temporais | pt_BR |
dc.subject | Arquiteturas de redes neurais artificiais | pt_BR |
dc.subject | Time series forecast | pt_BR |
dc.subject | Time series | pt_BR |
dc.subject | Artificial neural networks | pt_BR |
dc.subject | Stochastic processes | pt_BR |
dc.subject | Stationary | pt_BR |
dc.subject | Auto-variance functions | pt_BR |
dc.subject | Autocorrelation functions | pt_BR |
dc.subject | Load forecast | pt_BR |
dc.subject | Model ARIMA | pt_BR |
dc.subject | Models for forecasting time series | pt_BR |
dc.subject | Artificial neural network architectures | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.creator | XAVIER, Thainá Santos. | |
dc.publisher | Universidade Federal de Campina Grande | pt_BR |
dc.language | por | pt_BR |
dc.title.alternative | Forecasting time series using classical models and artificial neural networks. | pt_BR |
dc.identifier.citation | XAVIER, Thainá Santos. Previsão de séries temporais utilizando modelos clássicos e redes neurais artificiais. 2018. 56f. (Trabalho de Conclusão de Curso - Monografia), Curso de Bacharelado em Engenharia Elétrica, Centro de Engenharia Elétrica e Informática , Universidade Federal de Campina Grande – Paraíba - Brasil, 2018. Disponível em: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/18949 | pt_BR |
Appears in Collections: | Curso de Bacharelado em Engenharia Elétrica - CEEI - Monografias |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
THAINÁ SANTOS XAVIER - TCC ENG. ELÉTRICA 2018.pdf | Thainá Santos Xavier - TCC Eng. Elétrica 2018. | 2.04 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.