Você está na página 1de 50

Decomposição de séries temporais

Análise de dados em Geociências


Decomposição de séries temporais

Susana Barbosa

Mestrado em Ciências Geofísicas 2014-2015


Decomposição de séries temporais

Resumo

I Motivação

I Métodos de decomposição de séries temporais


I Decomposição clássica
I Decomposição STL
I Decomposição wavelet

I Decomposição & previsão


Decomposição de séries temporais
Motivação

Exemplo
Decomposição de séries temporais
Motivação

Exemplo
Decomposição de séries temporais
Motivação

Padrões de séries temporais

I Tendência - variações períodos longos


(não necessáriamente linear!

I Sazonalidade - oscilações de período fixo


(associado ao calendário)

I Ciclicidade - oscilações de período variável


(em geral > periodo sazonal)
Decomposição de séries temporais
Motivação

Decomposição de séries temporais

Yt = f (St + Tt + εt )

Aditiva:
Yt = St + Tt + εt

Multiplicativa:
Yt = St Tt εt ⇒ logYt = logSt + logTt + logεt
Decomposição de séries temporais
Motivação

Exemplo
Decomposição de séries temporais
Motivação

Exemplo
Decomposição de séries temporais
Métodos de decomposição

Métodos de decomposição de séries temporais

I Decomposição clássica (1920’s)


I Decomposição STL (1983)
I Decomposição wavelet (2000’s)
I ...
Decomposição de séries temporais
Decomposição clássica

Decomposição clássica (aditiva)

1- Calcular a tendência: Tt
(média móvel, regressão polinomial)

2- Retirar a tendência: Yt − Tt

3- Calcular a componente sazonal: St


(índices sazonais, médias móveis, regressão local)

4- Calcular a série residual: εt


εt = Yt − Tt − St
Decomposição de séries temporais
Decomposição clássica

Decomposição clássica (aditiva)

1- Calcular a tendência: Tt
(média móvel, regressão polinomial)

2- Retirar a tendência: Yt − Tt

3- Calcular a componente sazonal: St


(índices sazonais, médias móveis, regressão local)

4- Calcular a série residual: εt


εt = Yt − Tt − St
Decomposição de séries temporais
Decomposição clássica

Decomposição clássica (aditiva)

1- Calcular a tendência: Tt
(média móvel, regressão polinomial)

2- Retirar a tendência: Yt − Tt

3- Calcular a componente sazonal: St


(índices sazonais, médias móveis, regressão local)

4- Calcular a série residual: εt


εt = Yt − Tt − St
Decomposição de séries temporais
Decomposição clássica

Decomposição clássica (aditiva)

1- Calcular a tendência: Tt
(média móvel, regressão polinomial)

2- Retirar a tendência: Yt − Tt

3- Calcular a componente sazonal: St


(índices sazonais, médias móveis, regressão local)

4- Calcular a série residual: εt


εt = Yt − Tt − St
Decomposição de séries temporais
Decomposição clássica

Exemplo I
Decomposição de séries temporais
Decomposição clássica

Exemplo II
Decomposição de séries temporais
Decomposição clássica

Problemas da decomposição clássica

I Assume a componente sazonal igual de ano para ano

I Pouco robusta a valores pouco usuais (ex: greve, ...)


Decomposição de séries temporais
STL

STL
STL (Seasonal-Trend decomposition by Lowess / loess)
Loess / Lowess (Cleveland, 1979): regressão local robusta
Decomposição de séries temporais
STL

STL

I Decomposição baseada em regressão local robusta

I Parâmetros:
I t (parâmetro de alisamento para a tendência)
I s (parâmetro de alisamento para a componente sazonal)

I Mais robusta e flexível do que a decomposição clássica

I Estimação simultânea das componentes

I Estimativa da tendência instável nos extremos da séries


Decomposição de séries temporais
STL

STL

I Decomposição baseada em regressão local robusta

I Parâmetros:
I t (parâmetro de alisamento para a tendência)
I s (parâmetro de alisamento para a componente sazonal)

I Mais robusta e flexível do que a decomposição clássica

I Estimação simultânea das componentes

I Estimativa da tendência instável nos extremos da séries


Decomposição de séries temporais
STL

STL

I Decomposição baseada em regressão local robusta

I Parâmetros:
I t (parâmetro de alisamento para a tendência)
I s (parâmetro de alisamento para a componente sazonal)

I Mais robusta e flexível do que a decomposição clássica

I Estimação simultânea das componentes

I Estimativa da tendência instável nos extremos da séries


Decomposição de séries temporais
STL

STL

I Decomposição baseada em regressão local robusta

I Parâmetros:
I t (parâmetro de alisamento para a tendência)
I s (parâmetro de alisamento para a componente sazonal)

I Mais robusta e flexível do que a decomposição clássica

I Estimação simultânea das componentes

I Estimativa da tendência instável nos extremos da séries


Decomposição de séries temporais
STL

STL

I Decomposição baseada em regressão local robusta

I Parâmetros:
I t (parâmetro de alisamento para a tendência)
I s (parâmetro de alisamento para a componente sazonal)

I Mais robusta e flexível do que a decomposição clássica

I Estimação simultânea das componentes

I Estimativa da tendência instável nos extremos da séries


Decomposição de séries temporais
STL

Exemplo I (s.window=”periodic”)
Decomposição de séries temporais
STL

Exemplo I (s.window=”periodic”)
Decomposição de séries temporais
STL

Exemplo I (s.window=11)
Decomposição de séries temporais
STL

Exemplo I (s.window=11)
Decomposição de séries temporais
STL

Exemplo II (s.window=”periodic”)
Decomposição de séries temporais
STL

Exemplo II (s.window=”periodic”)
Decomposição de séries temporais
STL

Exemplo II (s.window=11)
Decomposição de séries temporais
STL

Exemplo II (s.window=11
Decomposição de séries temporais
STL

Problemas da decomposição STL

I apenas multiplicação aditiva

I apenas para séries sem valores em falta

I apenas para séries regulares (sem business days)


Decomposição de séries temporais
Decomposição wavelet

Domínios temporal, espectral e wavelet


Decomposição de séries temporais
Decomposição wavelet

Domínios temporal, espectral e wavelet


Decomposição de séries temporais
Decomposição wavelet

Domínios temporal, espectral e wavelet


Decomposição de séries temporais
Decomposição wavelet

Domínios temporal, espectral e wavelet


Decomposição de séries temporais
Decomposição wavelet

Funções base
Fourier Wavelet
Decomposição de séries temporais
Decomposição wavelet

Transformada wavelet contínua & discreta

Continuous Wavelet transform Discrete Wavelet Transform


(CWT) (DWT)

R P

↓ ↓

imagem série temporal


Decomposição de séries temporais
Decomposição wavelet

CWT - exemplo i
Decomposição de séries temporais
Decomposição wavelet

CWT - exemplo ii
Decomposição de séries temporais
Decomposição wavelet

DWT - exemplo i
Decomposição de séries temporais
Decomposição wavelet

DWT - exemplo ii
Decomposição de séries temporais
Decomposição & Previsão

Processo de previsão

1. Dividir a série temporal em duas partes


- conjunto de inicialização
- conjunto de teste

2. Escolher um método de previsão

3. Inicializar o método de previsão

4. Obter previsões para o conjunto de teste


- calcular erros quadráticos médios
- optimizar valores dos parâmetros

5. Efectuar previsões para observações futuras


Decomposição de séries temporais
Decomposição & Previsão

Previsão paramétrica

I Decompôr a série temporal


I Prever a componente sazonal (ex: repetição do último ano,
ciclo sazonal médio,...)
I Prever (método paramétrico) a série ajustada
sazonalmente (série - sazonalidade)
I Combinar as previsões sazonal e não sazonal
Decomposição de séries temporais
Decomposição & Previsão

Métodos não-paramétricos de previsão

I Método de alisamento exponencial simples


(séries estacionárias)

I Método linear de Holt


(séries com tendência)

I Método de Holt-Winters
(séries com tendência e sazonalidade)
Decomposição de séries temporais
Decomposição & Previsão

Método de alisamento exponencial simples

Média móvel pesada com pesos de decrescem exponencialmente

Yt+1 = αYt + α(1 − α)Yt−1 + α(1 − α)2 Yt−2 + ....

Inicialização: Yt+1 = Y1
Parâmetro: 0 < α < 1 determinado por minimização do erro
Decomposição de séries temporais
Decomposição & Previsão

Método linear de Holt

Lt (nível):
Lt = αYt + (1 − α)(Lt−1 + bt−1 )
bt (tendência):
bt = β(Lt − Lt−1 ) + (1 − β)bt−1

Ft+m = Lt + bt m

Inicialização: L1 = Y1 , b1 = Y2 − Y1
Parâmetros: α, β
Decomposição de séries temporais
Decomposição & Previsão

Método de Holt-Winters
Lt (nível):

Lt = αYt + (1 − α)(Lt−1 + bt−1 )

bt (tendência):

bt = β(Lt − Lt−1 ) + (1 − β)bt−1

St (sazonalidade, período s)

St = γ(Yt − Lt ) + (1 − γ)St−s
Decomposição de séries temporais
Decomposição & Previsão

Método de Holt-Winters (cont)

Ft+m = Lt + bt m + St−s+m

Inicialização:
Ls = (Y1 + ... + Ys )/s
bs = 1s ( Ys+as−Y1 + ... + Ys+s −Ys
s )
S1 = Y1 − Ls ,..., Ss = Ys − Ls

Parâmetros: α, β, γ
Decomposição de séries temporais
Decomposição & Previsão

Exemplo
Decomposição de séries temporais
Decomposição & Previsão

Exemplo

Você também pode gostar