Navegando por Palavras-chave "LSTM"

Agora exibindo 1 - 3 de 3
  • Imagem de Miniatura
    Item
    Acesso aberto (Open Access)
    Predição de índices financeiros utilizando modelo ARIMA e LSTM: um estudo comparativo
    (Universidade Federal de São Paulo, 2024-09-10) Alves, Guilherme Salgado [UNIFESP]; Sato, Renato Cesar [UNIFESP]; http://lattes.cnpq.br/6095929487408447; http://lattes.cnpq.br/4416670321061872
    O mercado de capitais tem como principal objetivo a maximização de retornos financeiros através do ganho de capital. Neste contexto, a aquisição de ativos com valor de mercado inferior ao seu potencial intrínseco, com a subsequente realização de lucros por meio da valorização desses ativos, constitui o objetivo inerente a todos os participantes deste setor da economia. Diversos métodos são utilizados para mensurar e prever os valores de ativos financeiros, e a antecipação dos movimentos de preços no mercado torna-se uma atividade de interesse crítico para investidores e instituições. Ao longo de toda a história do mercado, diversos modelos de previsão foram desenvolvidos com o propósito de melhorar a acurácia dessas antecipações, e com o recente advento da computação, a maioria dos processos consiste em meios e ferramentas computacionais para desenvolver essas atividades. Com isso, é natural surgirem os questionamentos referentes à acurácia, custo e a comparação entre os modelos mais canônicos e os mais atuais. Desta forma, este trabalho visa comparar dois modelos distintos de previsão de preços de ativos: um modelo matemático de séries temporais amplamente conhecido e consolidado no mercado (ARIMA), com um modelo computacional baseado em redes neurais recorrentes, mais recente complexo (LSTM). O projeto busca comparar os desempenhos na previsão de preços de índices financeiros, como as diferenças de complexidade entre os modelos afeta os resultados obtidos. Além disso, será analisada a influência do horizonte de previsão na acurácia dos modelos, os erros apresentados, custo computacional e qual a sua relação com a precisão adicionada.
  • Imagem de Miniatura
    Item
    Acesso aberto (Open Access)
    Predição do estado de carga de baterias via redes neurais LSTM
    (Universidade Federal de São Paulo, 2024-09-10) Pedro, Paulo Roberto Costa [UNIFESP]; Quiles, Marcos Gonçalves [UNIFESP]; http://lattes.cnpq.br/8867164774240536; http://lattes.cnpq.br/0704195158882345
    Com o avanço da importância da energia elétrica globalmente, torna-se crucial desenvolver modelos eficazes para avaliar os indicadores e parâmetros de funcionamento das baterias ao longo do tempo, uma vez que essas baterias são responsáveis por alimentar sistemas que dependem dessa forma de energia e pode trazer prejuízos a eles caso não funcione adequadamente. Neste trabalho, uma arquitetura de rede neural LSTM foi construída para realizar a tarefa de predição da capacidade de uma bateria em função da série temporal de seus parâmetros coletados. Esse modelo foi aplicado a um conjunto de dados públicos de simulação de ciclos de carga e descarga da bateria e, posteriormente, duas análises foram feitas a respeito do modelo: a otimização dos hiperparâmetros das camadas LSTM e a aferição da influência da introdução ou não de camadas CNN ao modelo. Os resultados mostraram que para a rede neural LSTM construída neste trabalho realiza as predições com erro RMSE de 0,07 nos conjuntos de treino, validação e teste e a introdução de camadas CNN ao modelo prejudicou seu desempenho, não sendo, portanto, adequada no domínio deste trabalho.
  • Imagem de Miniatura
    Item
    Acesso aberto (Open Access)
    Uso de redes neurais recorrentes para previsão na Bovespa
    (Universidade Federal de São Paulo, 2021-03-09) Passos, Luiz Otavio; Quiles, Marcos Gonçalves; http://lattes.cnpq.br/8867164774240536; http://lattes.cnpq.br/5315595133650801
    O presente trabalho tem como objetivo a previsão do preço de uma ação na bolsa de valores de São Paulo por meio de Inteligência Artificial. Esse trabalho utiliza Redes Neurais Recorrentes, que é um modelo de Rede Neural com loop, o que permite a persistência de informações. Isso não é possível em redes neurais simples ou em outros modelos de aprendizado de máquina. Nesse trabalho será utilizada uma variação daquela rede, as LSTMs ou também Long Short-Term Memory, que se utiliza de memorização, para a previsão/regressão de séries temporais com intervalos de tempo de duração desconhecida. Quanto aos atributos utilizados da base de dados para a previsão estarão preço de abertura da ação, preço de fechamento e preço de alta e de baixa. Nesse trabalho de conclusão de curso pretende-se criar um modelo que estime o preço de uma ação com um erro absoluto de poucos centavos em relação ao preço verdadeiro, dessa forma auxiliando operadores e investidores quanto a venda e compra de ações na bolsa.