Previsão De Preços De Commodities Agrícolas Utilizando Redes Neurais Artificiais Com Transferência De Aprendizado
Data
2017-08-16
Autores
Goncalves, Cassio Doria 
Orientadores
Melo, Vinicius Veloso De
Tipo
Dissertação de mestrado
Título da Revista
ISSN da Revista
Título de Volume
Resumo
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.
Transferência de Aprendizado é uma estratégia para solucionar um problema alvo reutilizando o aprendizado de um problema de origem que já foi resolvido. Neste trabalho, propõe-se a utilização de transferência de aprendizado para a previsão de preços de séries temporais de commodities agrícolas utilizando uma rede neural artificial do tipo perceptron multicamadas. A transferência de aprendizado foi aplicada em cinco séries temporais diferentes. Foi feita uma análise da influência da similaridade entre as séries de origem e alvo utilizando a medida de distância Dynamic Time Warping (DTW), com o intuito de escolher a melhor série de origem. A transferência de aprendizado gerou uma redução significativa no custo computacional de treinamento em noventa e cinco por cento de um total de quinhentos casos. Além disso, em mais da metade dos casos, foi possível melhorar a qualidade da previsão. Conclui-se, portanto, que a abordagem de transferência de aprendizado foi aplicada com sucesso na constru- ção de modelos para a previsão de séries temporais por meio de uma rede neural artificial do tipo perceptron multicamadas.
Transferência de Aprendizado é uma estratégia para solucionar um problema alvo reutilizando o aprendizado de um problema de origem que já foi resolvido. Neste trabalho, propõe-se a utilização de transferência de aprendizado para a previsão de preços de séries temporais de commodities agrícolas utilizando uma rede neural artificial do tipo perceptron multicamadas. A transferência de aprendizado foi aplicada em cinco séries temporais diferentes. Foi feita uma análise da influência da similaridade entre as séries de origem e alvo utilizando a medida de distância Dynamic Time Warping (DTW), com o intuito de escolher a melhor série de origem. A transferência de aprendizado gerou uma redução significativa no custo computacional de treinamento em noventa e cinco por cento de um total de quinhentos casos. Além disso, em mais da metade dos casos, foi possível melhorar a qualidade da previsão. Conclui-se, portanto, que a abordagem de transferência de aprendizado foi aplicada com sucesso na constru- ção de modelos para a previsão de séries temporais por meio de uma rede neural artificial do tipo perceptron multicamadas.