Previsão De Preços De Commodities Agrícolas Utilizando Redes Neurais Artificiais Com Transferência De Aprendizado

Página do item simplificado
dc.contributor.advisorMelo, Vinicius Veloso De [UNIFESP]
dc.contributor.authorGoncalves, Cassio Doria [UNIFESP]
dc.contributor.institutionUniversidade Federal de São Paulo (UNIFESP)pt
dc.date.accessioned2019-06-19T14:58:31Z
dc.date.available2019-06-19T14:58:31Z
dc.date.issued2017-08-16
dc.description.abstractTransfer 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.en
dc.description.abstractTransferência 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.pt
dc.description.sourceDados abertos - Sucupira - Teses e dissertações (2017)
dc.format.extent153p.
dc.identifierhttps://sucupira.capes.gov.br/sucupira/public/consultas/coleta/trabalhoConclusao/viewTrabalhoConclusao.jsf?popup=true&id_trabalho=5054489pt
dc.identifier.file2017-1028.pdf
dc.identifier.urihttp://repositorio.unifesp.br/handle/11600/50876
dc.language.isopor
dc.publisherUniversidade Federal de São Paulo (UNIFESP)
dc.rightsinfo:eu-repo/semantics/restrictedAccess
dc.subjectPrice Forecasten
dc.subjectTransfer Learningen
dc.subjectTime Seriesen
dc.subjectArtificial Neural Networksen
dc.subjectMlpen
dc.subjectDtwen
dc.subjectPrevisão De Preçopt
dc.subjectTransferência De Aprendizadopt
dc.subjectSérie Temporalpt
dc.subjectRedes Neurais Artificiaispt
dc.subjectMlppt
dc.subjectDtwpt
dc.titlePrevisão De Preços De Commodities Agrícolas Utilizando Redes Neurais Artificiais Com Transferência De Aprendizadopt
dc.typeinfo:eu-repo/semantics/masterThesis
unifesp.campusSão José dos Campos, Instituto de Ciência e Tecnologiapt
unifesp.graduateProgramCiência da computaçãopt
unifesp.knowledgeAreaCiência Da Computaçãopt
unifesp.researchAreaSistemas Inteligentespt
Arquivos
Coleções
PPG - Ciência da Computação