Modelos estocásticos e redes neurais : estudo comparativo para previsão de séries temporais

Abstract

O estudo de séries temporais é extremamente útil para a análise empírica de um fenômeno e seu comportamento dinâmico. Com o desenvolvimento de novas metodologias, como ferramentas de machine learning, a sua aplicação cresce cada vez mais em diversas áreas de estudo. O presente trabalho procurou comparar o desempenho de modelos estocásticos, ferramentas consagradas no estudo e previsão de séries temporais, com o de modelos obtidos utilizando-se redes neurais recorrentes LSTM (long short term memory - memória de curto e longo prazo) para dois casos distintos: fornecimento de Gasolina A no estado do Rio Grande do Sul e degradação de uma coluna de adsorção TSA (Temperature Swing Adsorption) em uma unidade de desidratação de gás natural. Para o primeiro caso, constatou-se que redes neurais LSTM superam modelos estocásticos, dos quais se sobressai o modelo SARIMA. Essa superioridade se constata em análises ao longo da última década tanto quanto para dados atuais, com os modelos de redes neurais fornecendo valores de REQM (raiz do erro quadrado médio) inferiores à 75% dos valores referentes ao modelo SARIMA para ambos os casos. No tocante do estudo da degradação da coluna de adsorção, o trabalho abordou aplicação de redes neurais LSTM em séries distintas: a diferença de pressão na coluna em função do tempo e a resistência ao escoamento (degradação) em função do número de ciclos, o qual é representado por três séries, uma a cada etapa do ciclo de adsorção – 30%, 50% e 75%. Modelos estocásticos foram estudados na literatura para ambos os casos por Favarini (2018) e De Marco (2019), respectivamente. Para a diferença de pressão, as previsões obtidas por redes neurais LSTM foram satisfatórias, porém tanto quanto o modelo SARIMA. Já para a série da degradação, a mesma possui alta aplicabilidade em relação aos modelos estocásticos, apresentando valores de REQM inferiores aos relativos ao modelo SARIMA.