Escolar Documentos
Profissional Documentos
Cultura Documentos
Cba02 08 2006
Cba02 08 2006
Abstract— In this paper, a strategy for modelling temporal time series is proposed. The proposed technique
is based on two other approaches, the False Nearest Neighborhood algorithm (FNN), and the Partial Mutual
Information Criterion (PMI). First, an initial set z, of possible inputs is determined via the FNN algorithm.
Then, the PMI criterion is evaluated for each component in z, in order to eliminate redundant information, and
only the most relevant inputs are considered for building an adequate time series model. The methodology is
applied to identify a non-linear model based on artificial neural networks. This model is used for modelling
Brazilian weekly streamflow series, which is an important task for planning and operation activities of water
resources and energy systems. Moreover, the performance of the model proposed is compared with time series
models. Simulation results show the usefulness of the method.
Key Words— False Nearest Neighborhood, Partial mutual information, input selection, time series forecast-
ing, neural networks.
Resumo— Este trabalho apresenta uma técnica de modelagem de séries temporais. A abordagem é baseada no
algoritmo dos Falsos Vizinhos mais Próximos (FNN) e no Critério de Informação Mútua Parcial (PMI). Primeiro,
um conjunto inicial z de possı́veis entradas é determinado através do algoritmo FNN. Logo, o critério PMI é
avaliado para cada componente de z, com o objetivo de eliminar informações redundantes e apenas utilizar as
variáveis de maior relevância para o modelo de série temporal. A proposta é aplicada na identificação de um
modelo não-linear baseado em redes neurais artificiais. O modelo obtido é utilizado na previsão de uma série
de vazões semanais do Brasil, a qual é uma tarefa importante e necessária para as atividades de planejamento e
operação dos recursos hı́dricos e energéticos do paı́s. Além disso, o desempenho do modelo é comparado com um
modelo estocástico para previsão. Os resultados ilustram a eficiência do método proposto.
Key Words— Falsos Vizinhos mais Próximos, Informação Mútua Parcial, seleção de entradas, previsão de
séries temporais, redes neurais.
2
na superfı́cie de erro. Além disso, o algoritmo PMI
1
fornece as entradas, de acordo com a relevância
0
0 2 4 6
atrasos
8 10 12 destas na identificação da dinâmica da série.
0.15
0.1
temporais, estrutura estacionária ou periódica,
métodos de estimação de parâmetros e diferentes
0.05 transformações, selecionando o melhor modelo
dentre os 94 para realizar a previsão de vazões
semanais (Ballini et al., 2005).
0
0 1 2 3 4 5 6 7 8
atrasos