TÉCNICA DE IDENTIFICAÇÃO DE MODELOS DE SÉRIES TEMPORAIS

Ivette Luna∗, Secundino Soares∗, Rosangela Ballini†

∗
DENSIS–FEEC–UNICAMP
Campinas, São Paulo, Brasil
†
DTE–IE–UNICAMP
Campinas, São Paulo, Brasil

Emails: iluna@cose.fee.uicamp.br, dino@cose.fee.unicamp.br, ballini@eco.unicamp.br

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.

1 Introdução pouca importância. Outra forma de determinar as

A área de identificação de sistemas é tratada,
muitas vezes, como um problema de otimização
que envolve algumas medidas para adequação de
modelos matemáticos candidatos a representar um
processo real, sendo que a seleção de modelos e o
ajuste dos parâmetros são influenciados por diver-
sos fatores, tais como: (i) conhecimento a priori
do sistema (linearidade, grau de não-linearidade,
atrasos); (ii) propriedades do modelo (complexi-
dade); (iii) seleção da medida de erro a ser mini-
mizada; (iv) presença de ruı́dos (Johansson, 1993),
(Coelho e dos Santos Coelho, 2004).
Este trabalho se concentra na determinação
da estrutura do modelo matemático para previsão
de séries temporais. Com este propósito, o pro-
cesso de identificação das variáveis que definem
um sistema é uma das etapas mais importantes na
construção de um modelo, pois este deve represen-
tar de maneira eficiente a dinâmica do sistema e,
no caso especı́fico de previsão de séries temporais,
encontrar um eficiente modelo de previsão, con-
siderando sempre os objetivos da análise da série.
As variáveis de entrada de um modelo são es-
colhidas através de informação conhecida a priori
ou de forma empı́rica, via tentativa e erro, acar-
retando na escolha de variáveis redundantes ou de
variáveis de entrada é através de critérios de in-
formação tais como de informação Bayesiana, de
Akaike ou Minimum Description Lenght, os quais
combinam a variância residual e a ordem do mod-
elo, para estabelecer a necessidade de adequação
do modelo com princı́pio da parcimônia (Haber e
Unbehauen, 1990) (Ljung, 1999).
No caso de modelos paramétricos não-
lineares, como redes neurais artificiais, a escolha
do número de entradas define parcialmente a es-
trutura da rede, conduzindo a modelos mais com-
plexos à medida que o número de entradas au-
menta (Narendra e Parthasarathy, 1990). Além
disso, quanto maior o número de entradas, maior
será o número de parâmetros a serem ajusta-
dos, aumentando a complexidade computacional,
o perı́odo de treinamento, e diminuindo o de-
sempenho do modelo, devido a inclusão de en-
tradas pouco relevantes e ao aumento do número
de mı́nimos locais na superfı́cie de erro (Zheng e
Billings, 1995).
Quando se trata de problemas lineares, a
análise do sistema através de medidas de relações
lineares, como critérios de informação ou coe-
ficiente de correlação serão suficientes (Sharma,
2000). Se o sistema envolve relações não-lineares,
como acontece na maioria dos problemas reais,
uma aproximação linear pode fornecer como re-
sultado modelos pouco eficientes. Assim, se faz
necessário utilizar medidas que considerem es-
tas caracterı́sticas na escolha das variáveis, para
definir os estados associados, ou pelo menos, a
maior parte destes.
Este trabalho apresenta uma combinação de
duas abordagens da literatura, para a seleção de
entradas para os modelos de previsão de séries
temporais. O algoritmo dos Falsos Vizinhos mais
Próximos (False Nearest Neighbors - FNN), inspi-
rado no Teorema de Takens (Takens, 1981), de-
termina o número mı́nimo de atrasos necessários
para representar cada um dos dados da série. Já o
critério de Informação Mútua Parcial (Partial Mu-
tual Information - PMI) determina os atrasos rel-
evantes e não necessariamente consecutivos, que
forneçam a maior quantidade de informação do
sistema, para reconstruir a série, a partir de um
número mı́nimo de entradas. A quantidade de in-
formação que cada entrada armazena é represen-
tada pelo valor da informação mútua parcial asso-
ciada. Ambos algoritmos são combinados, visando
obter o menor número de entradas possı́veis, sem
comprometer o desempenho do modelo de pre-
visão.
O algoritmo proposto é aplicado na con-
strução de um modelo neural de previsão de
vazões semanais. A previsão de vazões aflu-
entes, tanto semanais como mensais para os reser-
vatórios de diferentes regiões do Brasil, é uma
tarefa necessária para efetuar a programação men-
sal da operação energética do Setor Elétrico, a
qual vem sendo realizada pelo ONS. É por este
motivo que é interessante aprimorar modelos de
previsão baseados em redes neurais, através da
seleção das entradas, a modo de obter modelos
eficientes e compactos, sem comprometer o desem-
penho dos mesmos.
A seguir é apresentado o Algoritmo (FNN).
Na seção 3 o critério de Informação Mútua Parcial
(PMI) é descrito. A combinação das duas abor-
dagens é resumida na seção 4. Os resultados de
simulação são descritos na seção 5, onde a pro-
posta é aplicada na construção de um modelo neu-
ral de previsão de vazões semanais. Além disso,
nesta seção é feita a comparação do desempenho
do modelo neural com o modelo PREVIVAZ, us-
ado pelo setor elétrico brasileiro para previsão de
vazões semanais. As conclusões são apresentadas
na seção 6.
2 Falsos Vizinhos mais Próximos (FNN)
O algoritmo FNN foi inicialmente proposto com
o objetivo de determinar a dimensão de imer-
são mı́nima para reconstruir o espaço de esta-
dos d-dimensional, a partir de dados observados
(Abarbanel e Kennel, 1993), para tipos de sis-
temas representados por:
y(t) = G[y(t − τ ), y(t − 2τ ), . . . , y(t − pτ )] (1)
sendo G uma função desconhecida que descreve o
sistema, τ os atrasos e p o número de entradas.
Contudo, nada garante que entre estas p entradas
não exista redundância ou entradas pouco impor-
tantes para a construção de um modelo para G,
pois conta-se unicamente com um conjunto ou
série de dados.
Este algoritmo foi desenvolvido como alterna-
tiva para determinar o menor número de atrasos
possı́veis p a serem utilizados, com a finalidade de
determinar a saı́da y(t) diretamente de um con-
junto de dados que representa a trajetória do sis-
tema.
A reconstrução do espaço de estado é inspi-
rada no Teorema de Imersão de Takens (Takens,
1981), que permite reconstruir um espaço de es-
tado p-dimensional similar ao espaço de estado
original d-dimensional, a partir de uma única var-
iável de estado, ou seja, a variável medida.
Para uma dada dimensão p muito pequena,
tem-se que, pontos próximos no espaço p-
dimensional podem parecer próximos devido à
projeção e não pela dinâmica do sistema. As-
sim, embora estes pontos estejam próximos, as
suas saı́das podem ser bastante diferentes. Estes
pontos que aparentam ser próximos são denomina-
dos de “falsos vizinhos” (Rhodes e Morari, 1997).
Se p é suficientemente grande para representar a
dinâmica do sistema, então os pontos próximos
sempre terão saı́das próximas. Neste caso, avalia-
se se um vizinho é “verdadeiro” ou “falso” apenas
em virtude da projeção do sistema em uma deter-
minada dimensão.
2.1 Algoritmo FNN
Matemáticamente, o algoritmo FNN pode ser de-
scrito como segue:
1. Dada uma dimensão p, para cada ponto
z(k) = [y(k − τ ), . . . , y(k − pτ )], com k =
1, . . . , N , determinar o ponto mais próximo
z(j), denominado de vizinho.
2. Determinar se a seguinte expressão é ver-
dadeira:
|y(k) − y(j)|
≤R (2)
kzp (k) − zp (j)k2
sendo k·k2 a distância euclidiana e R um lim-
iar previamente definido. (Rhodes e Morari,
1997) mostram que, para valores de R no in-
tervalo [10, 30], o número de falsos vizinhos se
mantém quase constante. Nesse mesmo tra-
balho, critérios teóricos de seleção deste lim-
iar podem ser encontrados. Se a Eq. (2) é
verdadeira, então, zp (j) é um verdadeiro vi-
zinho. Caso contrário, zp (j) é um falso vizi-
nho.
 3. Após determinar os vizinhos para cada ponto, estimar de forma precisa x0 e y 0 (Sharma, 2000),
calcular o percentual de pontos com falsos (Bowden et al., 2005).
vizinhos. Em (Sharma, 2000) foi assumida uma dis-
tribuição normal dos dados para aproximar as
4. Continuar o algoritmo, com p = p + 1 para probabilidades. Já em (Bowden, 2003) foi pro-
cada iteração, até que o percentual de fal- posto a utilização de uma rede neural de re-
sos vizinhos seja zero ou um valor pequeno gressão (Specht, 1991) para estimar os valores
aceitável. condicionais esperados.
Para eliminar as variáveis menos relevantes do Neste trabalho é utilizada a função de kernel
conjunto inicial gerado pelo algoritmo FNN, este do tipo city-block ou distância absoluta para esti-
trabalho propõe a aplicação do Critério de Infor- mar as funções de probabilidades marginais e con-
mação Mútua Parcial, descrito a seguir. juntas, assim como na aproximação dos valores es-
perados condicionais, através de estimadores não
paramétricos de Nadaraya-Watson (Scott, 1992),
3 Informação Mútua Parcial (PMI)
(Luna et al., 2006).
A informação mútua é uma medida bastante us- Utilizando a função distância absoluta nas
ada para análise de dependência estocástica de aproximações, não é necessário assumir nenhum
variáveis aleatórias discretas (Cover e Thomas, tipo de distribuição dos dados, como considerado
1991), (Soofi, 2000). Este critério fornece uma me- em (Akaho, 2002) ou em (Sharma, 2000). Além
dida do grau de dependência entre variáveis, sendo disso, elimina-se a necessidade de calcular as re-
um indicador importante na análise de séries tem- spectivas matrizes de covariança e as suas inversas.
porais. Assim, se duas variáveis são indepen- Seja r(x) = E(Y |X = x). Uma aproximação
dentes, o critério de informação mútua será zero, de r(x) é definida por (Scott, 1992):
se duas variáveis são fortemente dependentes, a
N
informação mútua terá um valor alto. X
A informação mútua pode também ser consid- r̂(x) = wλx (x, xi )yi (5)
i=1
erada como uma medida da quantidade de infor-
mação armazenada em uma variável com relação sendo,
a outra, sendo por este motivo, interessante na es-
colha de entradas para modelos de sistemas não- Kλ (x − xi )
wλx (x, xi ) = PN x (6)
lineares, principalmente de redes neurais, onde j=1 Kλx (x − xj )
o processo de aprendizado pode ser considerado
como um mecanismo de extração de conhecimento e Kλx (x − xi ) a função de kernel para x. Diversos
(Zheng e Billings, 1995). tipos de funções de kernel podem ser encontrados
O critério de informação mútua parcial (PMI) em (Silverman, 1986).
proposto por (Sharma, 2000), é uma medida da re- Sejam N amostras [x(k), y(k)], k = 1, . . . , N ,
dução da incerteza em y devido ao conhecimento com x(k) sendo uma variável de entrada e y(k)
de x, ou seja, o PMI mede a informação mútua a correspondente saı́da que, sem perda de gen-
entre a variável independente x e a variável de- eralidade, neste caso é um escalar. O estimador
pendente y, a partir de um conjunto de entradas não-paramétrico de densidade de probabilidade é
z previamente selecionado. Dado que z existe, é dado por:
necessário extrair a influência de z dos dados, para
N N
calcular a real contribuição de x.
µ ¶
1 X x − xi 1 X
Assim, a formulação discreta do PMI é dada fˆ(x) = K = Kλ (x − xi )
N λ i=1 λ N i=1
por: (7)
N no qual Kλ (t) é a função de kernel, e λ é o
f (x0i , yi0 )
· ¸
1 X
PMI = loge (3) parâmetro de dispersão.
N i=1 fx (x0i )fy (yi0 ) Como discutido em (Bowden et al., 2005), uti-
lizando a função distância absoluta como função
na qual:
de kernel, a Eq. (7) pode ser re-escrita como:
x0i = xi − E(xi |z) yi0 = yi − E(yi |z) (4) N Y p
1
fˆx (x) =
X
sendo x0i e yi0 os valores residuais correspondentes exp−|xj −xij |/λ (8)
N (2λ)p i=1 j=1
ao i−ésimo par de dados e E(·) o valor esperado
associado. As definições dadas na Eq. (4) garan- ou seja,
tem que as variáveis x0 e y 0 representem a infor-  
mação restante, uma vez que o efeito das entradas N p
1 1
fˆx (x) =
X X
escolhidas presentes em z foi considerado. exp − |xj − xij |
N (2λ)p i=1 λ j=1
Para o cálculo do PMI, é necessário ter uma
boa estimativa do valor esperado E(·), para assim, (9)
sendo p a dimensão de cada xi , i = 1, . . . , N . O
parâmetro de dispersão λ é calculado por:
µ ¶1/(p+4)
4
λ= N −1/(p+4) (10)
p+2
Embora Eq. (10) seja uma estimação de λ con-
siderando uma distribuição normal, esta é ampla-
mente utilizada na literatura, devido à sua eficiên-
cia e simplicidade (Bowden et al., 2005).
Finalmente, a aproximação da probabilidade
conjunta de x e y é dado por (Akaho, 2002):
N
1 X x − xj y − yj
fˆxy (x, y) = Kλ ( )Kλy ( ) (11)
N i=1 λ λy
sendo λy o parâmetro de dispersão associado à
função de kernel para y.
Uma vez que as funções de probabilidades e
valores esperados são definidos, é necessário es-
tabelecer um critério de parada. Como uma al-
ternativa à construção de um limiar de confiança,
pode-se estabelecer um mı́nimo de PMI (limiar),
para aceitar a entrada avaliada. Caso o valor do
PMI seja menor a este valor mı́nimo estabelecido,
a entrada é rejeitada. Neste caso, uma visualiza-
ção gráfica facilita a análise.
3.1 Algoritmo PMI
O algoritmo para selecionar as entradas para mod-
elar um sistema, utilizando o algoritmo PMI, é
resumido nos passos seguintes:
1. Construir um conjunto de possı́veis entradas
ao sistema, denominado z∗ . Definir o con-
junto de entradas selecionadas como z = 0;
2. Calcular o PMI entre cada uma das variáveis
em z∗ e y, dado que existe um conjunto de en-
tradas já selecionadas z, utilizando a Eq. (3);
3. Identificar a entrada com o maior PMI;
4. Estimar o limiar de confiança para a entrada
selecionada;
5. Se o PMI da entrada for superior ao limiar
pré-definido para o PMI, incluir a entrada em
z e retirá-la de z∗ . Caso contrário, fim do
algoritmo.
6. Repetir os passos 2-5 tantas vezes quanto
necessário.
4 Algoritmo FNN-PMI
A metodologia proposta neste trabalho para a se-
leção das entradas a serem utilizadas pelos mode-
los de previsão é como segue:
1. Aplicar o algoritmo FNN sobre a série de da-
dos, para assim, obter um conjunto inicial de
entradas z.
2. Aplicar o algoritmo PMI, tendo como con-
junto inicial de possı́veis entradas, o conjunto
obtido no passo anterior.
5 Aplicação do Algoritmo FNN-PMI
Nesta seção, o algoritmo FNN-PMI é aplicado a
uma série temporal para a seleção das entradas
de um modelo de rede neural. Posteriormente,
os parâmetros do modelo identificado serão ajus-
tados, com o intuito de se realizar previsão um
passo a frente.
O algoritmo proposto é usado na análise
de dados de vazões afluentes semanais da usina
de Furnas, localizada na bacia do Rio Grande,
região sudeste do Brasil, os quais compõem uma
série histórica que abrange o perı́odo a partir da
primeira semana de Janeiro de 1931 à última se-
mana de Dezembro de 2000.
Como o objetivo desta seção consiste tanto
em identificar, estimar os parâmetros e realizar a
previsão, o conjunto de dados foi dividido em dois
subconjuntos: um conjunto de treinamento, us-
ado para a identificação e estimação do modelo; e
um conjunto de teste, usado para a previsão. O
conjunto de teste corresponde ao perı́odo a partir
da semana 45 (primeira de Novembro) do ano de
1999 até a semana 17 (última de Abril) do ano
2000. Para tal, o conjunto de treinamento corre-
sponde ao histórico de dados até a semana anterior
à previsão (Janeiro/1931 a Outubro/1999).
5.1 Identificação e Estimação do Modelo Neural
O algoritmo FNN-PMI foi aplicado para a con-
strução de um modelo neural multicamadas
(MLP), sendo os parâmetros do modelo ajusta-
dos via o algoritmo de retropropagação do erro.
Neste caso, a análise da série foi feita assumindo a
construção de um único modelo de previsão para
a série de vazões semanais.
Inicialmente o algoritmo FNN é aplicado a
série de dados para a determinação do conjunto
inicial de entradas para o critério PMI. A Figura
1 ilustra o logaritmo do número de falsos vizinhos
obtidos a medida que o número de atrasos é incre-
mentado ao conjunto inicial de possı́veis entradas.
Observa-se que, para um número de atrasos igual
a 7, o número de falsos vizinhos é zero ou próx-
imo a zero, sendo portanto, o conjunto inicial para
o algoritmo PMI, composto pelos sete primeiros
atrasos da série. Nesta figura foi considerado o
logaritmo para que fosse possı́vel a visualização do
resultado da aplicação do algoritmo FNN, já que
o número de dados para identificação corresponde
a 3580 semanas.
Após a obtenção do conjunto inicial z, utiliza-
se o algoritmo PMI para a determinação das atra-
sos relevantes para a identificação do modelo. A
Figura 2 ilustra os valores de PMI obtidos para
cada atraso do conjunto inicial de entradas. O
 9
taxa de aprendizado foi igual a 0,25 e o número
8
máximo de iterações igual a 1000.
7
É interessante observar que a utilização do
6
critério PMI para podar o conjunto de entradas
selecionado inicialmente pelo algoritmo FNN con-
Log(Num. Falsos Vizinhos)

duz a construção de modelos neurais de previsão

4

com menor número de parâmetros a serem ajusta-

dos e, portanto, menor número de mı́nimos locais
3

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.

Figura 1: Logaritmo do número de falsos vizinhos

5.2 Previsão e Análise do Desempenho
para cada atraso.
Após o ajuste do modelo neural, segue a fase
de previsão no perı́odo da primeira semana de
limiar para decidir se uma entrada é relevante ou Novembro de 1999 até a última semana de Abril
não para a modelagem da série temporal foi esta- de 2000 (total de 45 semanas). Este perı́odo cor-
belecido como sendo igual a 0,05, e é representado responde ao perı́odo de cheia, onde os dados ap-
pela linha tracejada. A Tabela 5.1 apresenta os resentam maior variabilidade.
valores de PMI ilustrados na Figura 2. Os resultados obtidos são comparados aos
do modelo PREVIVAZ (modelo estocástico de
previsão de vazões semanais), utilizado pelo se-
tor elétrico brasileiro e desenvolvido pelo Cen-
0.25

tro de Pesquisas em Energia Elétrica - CEPEL

0.2
(CEPEL, 1997).
O sistema PREVIVAZ consiste no ajuste de
94 modelos com diferentes combinações de séries
PMI

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

A análise do desempenho dos modelos de

Figura 2: PMI para o conjunto de atrasos sele-
previsão foi avaliada através da raı́z do erro
cionados via FNN.
quadrático médio (REQM), erro absoluto médio
(EAM), erro relativo percentual médio (ERM(%))
Tabela 1: Valores de PMI para o conjunto de pos- e erro relativo percentual máximo (ERmax(%)).
sı́vies entradas determinado via o algoritmo FNN. A Tabela 2 mostra os erros obtidos para os
Entrada PMI modelos MLP e PREVIVAZ. Analisando a tabela,
1 0,2849 pode-se observar que o modelo MLP, com entradas
7 0,1539 ou regressores selecionados via o algoritmo FNN-
4 0,1219 PMI, apresentou um desempenho eficiente quando
2 0,0873 comparado ao modelo de previsão PREVIVAZ.
5 0,0554 Ainda deve ser observado que foi ajustado um
6 0,0431 único modelo neural MLP para a previsão da série
3 0,0353 de vazões semanais, enquanto que o modelo PRE-
VIVAZ seleciona, dentre os 94 modelos ajustados
para cada semana, o que apresenta melhor desem-
Observa-se que, os atrasos de maior relevância penho no conjunto de validação.
para a construção de um modelo de previsão para
Tabela 2: Erros Globais de Previsão.
a série em estudo são os atrasos 1, 7, 4, 2, e 5. Já Modelo REQM EAM ERM ERmax
a contribuição dos atrasos 6 e 3 não é significativa, (m3 /s) (%) (%)
ou seja, os valores do PMI para esses atrasos são MLP 620,48 370,51 31,65 137,05
inferiores ao limiar de PMI previamente estabele- PREVIVAZ 747,66 471,50 40,90 156,70
cido.
O próximo passo consiste na estimação dos 6 Conclusões
parâmetros da rede neural. A rede neural ajus-
tada tem uma camada intermediária com 10 Neste trabalho foi proposto o algoritmo FNN-PMI
neurônios e função de ativação sigmóide. Na ca- para determinar as entradas de um modelo de pre-
mada de saı́da a função de ativação é linear. A visão de séries temporais. A proposta surge da
combinação de duas abordagens: os algoritmos
FNN e PMI. Primeiro, um conjunto inicial de en-
tradas é definido pelo algoritmo FNN. Logo, este
conjunto é analisado utilizando o critério PMI.
No final do processo, as entradas com maior grau
de relevância são escolhidas e utilizadas na con-
strução dos modelos de previsão.
Além disso, o algoritmo FNN-PMI foi apli-
cado na modelagem de um modelo neural MLP,
para a previsão de vazões semanais da usina de
Furnas. O desempenho do modelo de previsão
foi comparado com o modelo estocástico PRE-
VIVAZ, usado pelo setor elétrico brasileiro. O
desempenho da rede neural foi superior ao de-
sempenho do modelo PREVIVAZ, com erro rel-
ativo percentual médio 22% menor que o modelo
estocástico.
Agradecimentos
Os autores agradecem à Fundação de Ampara à
Pesquisa do Estado de São Paulo (FAPESP), ao
Conselho Nacional de Desenvolvimento Cientı́fico
e Tecnológico (CNPq) e à Financiadora de Estu-
dos e Projetos (FINEP), pelo auxı́lio.
Referências
Abarbanel, H. D. I. e Kennel, M. B. (1993). Lo-
cal false nearest neighbors and dynamical di-
mensions from observed chaotic data, Physi-
cal Review E 47: 3057–3068.
Akaho, S. (2002). Conditionally independent com-
ponent analysis for supervised feature extrac-
tion, Neurocomputing 49: 139–150.
Ballini, R., Soares, S., Guilhon, L. G. F. e Gomide,
F. (2005). Previsão de Vazões Semanais Uti-
lizando Redes Neurais Nebulosas. Congresso
Brasileiro de Redes Neurais - CBRN’05.
Bowden, G. J. (2003). Forecasting Water Re-
sources Variables Using Artificial Neural
Networks, Phd Thesis, University of Ade-
laide, Australia.
Bowden, G. J., Maier, H. R. e Dandy, G. C.
(2005). Input determination for neural net-
work models in water resources applications.
Part 1–background and methodology, Jour-
nal of Hydrology (301): 75–92.
CEPEL (1997). Modelo de Previsão de Vazões
Semanais Aplicado ao Sistema Hidroelétrico
Brasileiro - PREVIVAZ. Relatório Técnico,
número 125/97.
Coelho, A. A. R. e dos Santos Coelho, L. (2004).
Identificação de Sistemas Dinâmicos Lin-
eares, Editora da UFSC.
Cover, T. e Thomas, J. (1991). Elements of In-
formation Theory, John Wiley & Sons.
Haber, R. e Unbehauen, H. (1990). Structure
identification of nonlinear dynamic systems
– a survey on input/output approaches, Au-
tomatica 26: 651–677.
Johansson, R. (1993). System Modeling and Iden-
tification, Prentice-Hall, Upper Saddle River,
NY.
Ljung, L. (1999). System Identification: The-
ory for the User, Prentice-Hall, Upper Saddle
River, NJ.
Luna, I., Soares, S. e Ballini, R. (2006). Partial
Mutual Information Criterion For Modelling
Time Series Via Neural Networks. The 11th
Information Processing and Management of
Uncertainty in Knowledge-Based Systems -
IPMU’06.
Narendra, K. e Parthasarathy, K. (1990). Iden-
tification and Control of Dynamical Systems
using Neural Networks, IEEE Transactions
on Neural Networks 1(1): 4–27.
Rhodes, C. e Morari, M. (1997). False-nearest-
neighbors algorithm and noise-corrupted
time series, Physical Review E 55(5): 6162–
6170.
Scott, D. W. (1992). Multivariate Density Esti-
mation: Theory, Practice an Visualization,
John Wiley & Sons Inc.
Sharma, A. (2000). Seasonal to internannual rain-
fall probabilistic forecasts for improved wa-
ter supply management: Part 1 – A strategy
for system predictor identification, Journal of
Hydrology (239): 232–239.
Silverman, B. W. (1986). Density Estimation for
Statistics and Data Analysis, Chapman and
Hall.
Soofi, E. S. (2000). Principal information theoretic
approaches, Journal of the American Statis-
tical Association pp. 1349–1353.
Specht, D. F. (1991). A General Regression Neu-
ral Network, IEEE Transactions on Neural
Networks 2(6): 568–576.
Takens, F. (1981). Detecting strange attrac-
tors in turbulence, Proceedings of Dynamical
Systems and Turbulence - Lecture Notes in
Mathematics 898: 366–381.
Zheng, G. L. e Billings, S. A. (1995). Radial
Basis Function Network Configuration Us-
ing Mutual Information and the Orthogonal
Least Squares Algorithm, Neural Networks
9(9): 1619–1637.