Utilização de redes neurais na análise e previsão de séries temporais

Abstract

Este trabalho a um estudo a respeito da aplicação de Redes Neurais Artificiais (RNAs), mais especificamente do modelo perceptron multi-camadas com aprendizado por retro-propagação de erros, a previsão de valores futuros de Series Temporais. 0 estudo foi realizado através da realização de previsões a partir de uma determinada arquitetura de rede neural, a qual é construída com base na analise estatística da serie, para três series reais. A primeira representa o Índice mensal de passageiros das linhas aéreas americanas entre janeiro de 1960 e dezembro de 1971, a segunda corresponde ao índice pluviométrico anual da cidade de Fortaleza no estado do Ceara entre 1849 e 1984, e a terceira trata do índice mensal de produção industrial do estado do Rio Grande do Sul entre janeiro de 1981 e julho de 1993. As duas primeiras series são exemplos clássicos utilizados no estudo dos modelos estatísticos aplicados a previsão de Series Temporais. Os resultados obtidos com as RNAs foram comparados aos progn6sticos realizados pelo método economêtrico que apresenta os melhores resultados para o problema da previsão de Series Temporais: o método da decomposição da serie em suas componentes básicas não-observáveis (tendência, sazonalidade, ciclo e irregular). Tais resultados mostraram que as RNAs podem apresentar excelentes níveis de precisão em seus prognósticos, indicando sua adaptação ao problema da previsão de valores futuros de Séries Temporais.

This work presents a study of the prediction power of Artificial Neural Networks (ANN) in comparison with prediction capability of traditional Time Series models, more specifically the Unobservable Components Models (UCM). The data used to perform the study was the monthly american airlines passengers, the annual rainfall in Fortaleza, Brazil and the monthly gross industrial output for the state of Rio Grande do Sul, Brazil. The results show that Artificial Neural Networks can outperform the forecasts of Unobservable Components Models.