Navegando por Palavras-chave "Time Series"
Agora exibindo 1 - 5 de 5
Resultados por página
Opções de Ordenação
- ItemAcesso aberto (Open Access)Uma Aplicação De Meta-Aprendizagem Nas Cotações Euro/Dólar(Universidade Federal de São Paulo (UNIFESP), 2018-12-07) Duarte, Felipe De Almeida [UNIFESP]; Sato, Renato Cesar [UNIFESP]; Universidade Federal de São Paulo (UNIFESP)For the investor, knowing when to buy or sell a asset is a decision of extreme importance to make profits in financial markets. However, the same decision-making process, the investor should choose the ideal model for the study and analysis of the data series worked. Due to the large number of models available, choosing an ideal model often makes the task difficult, especially for inexperienced investors. To assist in such a decision, meta-learning can be an ideal tool, by making suggestions of models through applications in similar past data. This tool has already been used for the problem of algorithm selection and presents good results in the selection of study models of time series. In this work, we seek to use the method of analysis and analysis of time series (concrete euro/dollar quotations), through a ranking algorithm that suggests the best models. The results were satisfactory, presenting good predictions for the suggested models.
- ItemAcesso aberto (Open Access)Data quality monitoring at scale with automated anomaly detection: a profiling-based framework(Universidade Federal de São Paulo, 2023-02-27) Pereira, Rafael Leinio [UNIFESP]; Berton, Lilian [UNIFESP]; http://lattes.cnpq.br/9064767888093340; http://lattes.cnpq.br/6805465873224981Embora a cultura orientada por dados e abordagens de Inteligência Artificial sejam empregadas em várias organizações, é sabido que ainda existem muitos desafios na criação de uma operação de dados eficiente. Uma das principais barreiras é obter dados de alta qualidade. Embora mais dados tragam mais oportunidades no contexto de produtos analíticos e de aprendizado de máquina, cobrir essa gama crescente de ativos com verificações de qualidade torna-se um problema real de escalabilidade. Então a grande questão é: como criar um serviço de qualidade de dados eficiente que cubra o maior número possível de conjuntos de dados, não exija muito ajuste manual, possa lidar com escalabilidade e com resultados fáceis de interpretar? Esta dissertação explora como construir uma operação de monitoramento de qualidade de dados baseada em perfis com computação de métricas, otimização de modelos, detecção de anomalias e geração de relatórios com alta explicabilidade. Ao empregar as ferramentas mais recentes para processamento de dados e AutoML alinhadas com padrões modernos de plataforma de dados, foi possível desenvolver um framework fácil de usar para capacitar desenvolvedores e usuários de dados a construir essa solução. Os testes foram realizados considerando dois conjuntos de dados reais de e-commerce comparando os resultados com outro framework comum na literatura. Os resultados mostram que nossa proposta foi capaz de alcançar uma precisão muito melhor, mantendo uma pontuação de recall alta, o que é importante para minimizar falsos alertas de anomalia.
- ItemSomente MetadadadosPrevisão De Preços De Commodities Agrícolas Utilizando Redes Neurais Artificiais Com Transferência De Aprendizado(Universidade Federal de São Paulo (UNIFESP), 2017-08-16) Goncalves, Cassio Doria [UNIFESP]; Melo, Vinicius Veloso De [UNIFESP]; Universidade Federal de São Paulo (UNIFESP)Transfer Learning Is A Strategy To Solve A Target Problem By Reusing The Learning Of A Source Problem That Has Already Been Solved. In This Work, We Propose To Use Transfer Learning On A Multilayer Perceptron Artificial Neural Network To Forecast Agricultural Commodities Prices. The Transfer Learning Approach Was Applied On Five Different Time Series. We Analyzed The Influence Of Similarity Between Source And Target Series In Order To Choose The Best Source. For Evaluating The Similarity, We Used The Dynamic Time Warping Distance Measure. The Transfer Learning Approach Provided A Significant Reduction Of The Computational Training Cost In Ninety-Five Percent Of A Total Of Five Hundred Test Cases. In Addition, The Transfer Learning Approach Improved The Forecast Quality In More Than Half Of The Cases. We Conclude, Therefore, That The Transfer Learning Approach Was Applied Successfully In Time Series Forecast.
- ItemAcesso aberto (Open Access)Proposal for a new approach to forecast spare parts demand(Universidade Federal de São Paulo, 2021-08-03) Acayaba, Gabriel Medrado Assis [UNIFESP]; Oliveira, Tiago de [UNIFESP]; Sato, Renato Cesar [UNIFESP]; http://lattes.cnpq.br/6095929487408447; http://lattes.cnpq.br/8390665307472965; http://lattes.cnpq.br/1873663378106030A previsão de peças de reposição para apoiar as operações de manutenção é essencial para garantir a disponibilidade dos mais diversos serviços. Este documento tem como objetivo investigar quais técnicas têm sido propostas para prever a demanda por peças de reposição, bem como em que medida essas técnicas foram validadas em ambientes industriais. O documento também visa desenvolver uma nova metodologia de previsão de peças de reposição por meio da seleção ou combinação de técnicas de previsão. Primeiramente, conduzimos uma Revisão Sistemática da Literatura sobre o tema de Previsão de Demanda de Peças de Reposição. As principais conclusões da revisão são de que falta um estudo comparativo quanto ao desempenho entre as técnicas analisadas e que muitos estudos ainda lutam com a necessidade de grandes volumes de dados e grandes conjuntos de variáveis. O presente estudo baseia-se nessas lacunas e implementa um algoritmo de meta-aprendizagem. Uma base de dados real de demanda de peças de reposição do setor aeroespacial é usada como entrada para um Classificador Random Forest para selecionar entre os modelos Random Walk, Theta, ARIMA, Exponential Smoothing e Neural Network para prever a demanda e calcular as combinações de previsão. Os novos métodos são então comparados com métodos convencionais e com um software de uso comprovado pela indústria. A metodologia de previsão de meta-aprendizado proposta mostra-se uma opção válida e competitiva para prever a demanda de peças de reposição e apresenta bons resultados quando comparada aos métodos convencionais de previsão e também quando comparada a uma solução comprovada usada pela indústria que possui seu próprio algoritmo de seleção de métodos de previsão. As previsões de combinação linear ponderada mostraram bons resultados gerais e conseguiram melhorar a precisão média das previsões. Finalmente, uma aplicação web simples foi desenvolvida como uma prova de conceito para uso industrial.
- ItemSomente MetadadadosSiRCub, A Novel Approach to Recognize Agricultural Crops Using Supervised Classification(Igi Global, 2017) Tomas, Jordi Creus; Faria, Fabio Augusto [UNIFESP]; Dalla Mora Esquerdo, Julio Cesar; Coutinho, Alexandre Camargo; Medeiros, Claudia BauzerThis paper presents a new approach to deal with agricultural crop recognition using SVM (Support Vector Machine), applied to time series of NDVI images. The presented method can be divided into two steps. First, the Timesat software package is used to extract a set of crop features from the NDVI time series. These features serve as descriptors that characterize each NDVI vegetation curve, i.e., the period comprised between sowing and harvesting dates. Then, it is used an SVM to learn the patterns that define each type of crop, and create a crop model that allows classifying new series. The authors present a set of experiments that show the effectiveness of this technique. They evaluated their algorithm with a collection of more than 3000 time series from the Brazilian State of Mato Grosso spanning 4 years (2009-2013). Such time series were annotated in the field by specialists from Embrapa (Brazilian Agricultural Research Corporation). This methodology is generic, and can be adapted to distinct regions and crop profiles.