Programa de Pós-graduação em Engenharia de Produção

Séries temporais –
Modelos de suavização exponencial

A maioria dos métodos de previsão se baseiam na
idéia de que observações passadas contêm
informações sobre o padrão de comportamento da
série temporal.

O propósito dos métodos é distinguir o padrão de
qualquer ruído que possa estar contido nas
Análise de séries de tempo: observações.

Os modelos de suavização assumem que os
modelos de suavização exponencial
valores extremos da série representam a
aleatoriedade e,
Profa. Dra. Liane Werner
através da suavização desses extremos pode-se
identificar o padrão básico, para então usá-lo e
prever valores futuros da série.
2

Séries temporais – Séries de temporais –

Modelos de suavização exponencial Modelos de suavização exponencial
Para realizar a modelagem utilizando os modelos Suavaização exponencial simples Holt-Winter aditivo
de suavização exponencial é indicado proceder
da seguinte forma:

Coletar os dados e separar a série em duas
Série sem tendência Série com tendência e sazonalidade aditiva
partes, uma para modelagem outra para
testagem. Linear de Holt Holt-Winter multiplicativo

Escolha o método de suavização apropriado,

verifique se existe tendência, sazonalidade e a
forma da sazonalidade.

Construa um gráfico para facilitar. Série com tendência Série com tendência e sazonalidade multiplicatica

3 4
Séries temporais – Séries temporais –
Modelos de suavização exponencial Modelos sem tendência

Estime os parâmetros para o modelo
Para séries sem tendência, os dados são
escolhido. representados pela média da série:
Yt = µ + εt t = 1,2,...,T

Para o modelo estimado utilize os dados de
onde: µ é um nível médio constante.
testagem para obter as medidas de

É necessário estimar os parâmetros do modelo, neste
adequação MSE, MAPE e outras...
caso µ.

Obtem-se as previsões se o modelo for
Pode-se estimar µ utilizando médias móveis (MM)
adequado.
1 t
MM t ( k ) = ∑ Yt
k i =t − k +1
onde: MMt(k) é a média móvel para o período t com k observações.
5 6

Séries temporais – Séries temporais –

Modelos sem tendência Modelos sem tendência

O termo média móvel é usado para descrever o Conjunto de dados para o consumo de energia e médias móveis
procedimento que para cada nova observação para k=3 e k=6
disponível, Mês t consumo mm(3) mm(6)
jan 0 13251

uma nova média pode ser calculada trocando a
fev 1 11671
observação mais antiga e incluindo a mais mar 2 13643 12855,0
recente. abr 3 15109 13474,3

Esta média será a previsão do próximo período. mai 4 13402 14051,3
jun 5 12295 13602,0 13228,5

A previsão de todos os valores futuros é dada
jul 6 13056 12917,7 13196,0
pela última média móvel calculada: ago 7 12376 12575,7 13313,5
set 8 14146 13192,7 13397,3
µˆ = Ŷt ( h ) = MM t ( k ) ∀h > 0 out 9 12993 13171,7 13044,7
nov 10 14206 13781,7 13178,7
onde: Ŷt ( h ) é a previsão no tempo t, para h passos a frente. dez 11 13703 13634,0 13413,3
7 8
Séries temporais – Séries temporais –
Modelos sem tendência Modelos sem tendência
16000
Uma extensão óbvia para o método de Médias Móveis
é a previsão utilizando uma ponderação no seu
15000
cálculo,
14000
isto é atribuindo pesos para cada valor observado na
consumo

série.
13000

Contudo, para previsão, a observação mais recente
12000 tende a prover uma melhor informação para o futuro,
11000

assim se torna desejável que, quanto mais antigo for o
valor, menor seja seu peso.
10000

Mas isto deve ser de forma gradativa, quanto mais no
jan fev mar abr mai jun jul ago set out nov dez
passado o valor estiver menor será sua contribuição.
mês

Por isto pode-se estimar µ através da Suavização
consumo mm(3) mm(6) Exponencial Simples
9 10

Séries temporais – Séries temporais –

Modelos sem tendência Modelos sem tendência

Assim o método de Suavização Exponencial Simples Consumo de energia elétrica e os valores de suavização para α = 0,9; 0,5 e 0,1.
(SES) as observações mais recentes na série
Mês t consumo α = 0,9 α = 0,5 α = 0,1
temporal recebem maior importância para a jan 0 13251
estruturação do modelo. fev 1 11671 13251 13251 13251
µˆ = Ŷ ( )
Yt = Yˆt −1 + α Yt −1 − Yˆt −1 = αYt −1 + (1 − α )Yˆt −1 mar
abr
2
3
13643
15109
11829
13462
12461
13052
13093
13148
Yˆ pode ser estimado :
1
mai
jun 5
4 13402
12295
14944
13556
14081
13741
13344
13350
jul 6 13056 12421 13018 13244

usando a observação mais recente ago 7 12376 12993 13037 13226

avaliando subjetivamente set 8 14146 12438 12707 13141
out 9 12993 13975 13426 13241
nov 10 14206 13091 13210 13216
dez 11 13703 14095 13708 13315

11 Ŷ11 = αY10 + (1 - α )Ŷ10 = (0,9)(14206) + (0,1)(13091) = 14905 12

 Séries temporais – Séries temporais –
Modelos sem tendência Modelos sem tendência
16000

A escolha de α tem
O valor de α é arbitrário.
um impacto
15000
considerável sobre
A determinação do melhor valor de α pode ser feita
a previsão, iterativamente, utilizando alguma forma de
14000

quanto menor for o comparação,
13000 valor de α mais
a mais usada é a média dos quadrados dos erros
estável serão as (MSE – mean square error).
12000 previsões,

uma vez que a
O procedimentos consiste em:
11000 utilização de valores
Seleciona-se aleatoriamente um valor inicial de α, a
baixos de α partir do qual previsões são geradas.
10000

implica que pesos
Compara-se os valores previstos com os observados, e
maiores serão
v

v
l

l
n

n
ar

ar
t

t
ju

ju
ai

ai
se

se
no

no
ja

ja
m

dados às
calcula-se a média dos quadrados das diferenças entre

consumo SES = 0,9 SES = 0,5 SES = 0,1
observações os mesmos (observado e previsto),
passadas.
o valor de α que minimiza essa média é utilizado no
modelo.
13 14

Séries temporais – Séries de temporais –

Modelos não sazonais com tendência

Este tipo de modelo pode ser expresso por:
Yt = µ + Tt + εt
onde: µ é um nível médio constante;
Tt é a componente de Tendência no período t.

Este modelo pode ser estimado por
regressão linear simples ou então pelo
método de suavização dupla, o modelo de
Holt:
Ŷt = αŶt + βŶt −1 + ε t
Modelos não sazonais com tendência

Em 1957, Holt estendeu o método SES visando obter
t = 1,2,...,T previsões para dados com Tendência, surgindo o
modelo de suavização linear de Holt.

Isto por que quando se aplica o método de SES a
uma série que apresenta tendência linear positiva ou
negativa,

esta fornece previsões que super ou subestimam
continuamente os valores reais da série.

15 16
Séries de temporais – Séries de temporais –
Modelos não sazonais com tendência Modelos não sazonais com tendência

O nível médio e a inclinação da série são

O modelo de alisamento linear de Holt é uma estimados, respectivamente por Lt e Tt conforme
extensão do SES, as equações:

a diferença é que além utilizar uma constante (α) Lt = α Yt + (1 - α) (Lt-1+Tt-1) 0<α<1
para suavizar o nível médio,
Tt = β (Lt - Lt-1) + (1 - β) Tt-1 0<β<1

ele utiliza uma outra constante (β) de suavização

e as previsões são dadas por:
para modelar a tendência da série.

As constantes utilizadas são, respectivamente, α ˆ ( h ) = L + h.T
Y ∀h > 0
t t t
e β.

17 18

Séries de temporais – Séries de temporais –

Modelos não sazonais com tendência Modelos não sazonais com tendência

A fim de iniciar o processo de suavização Vendas e a suavização exponencial pelo modelo linear de Holt
tempo vendas Lt Tt previsão (h=1)
exponencial linear de Holt é necessário obter uma 1
2
54
63
54
63,00
9
9,00
-
63,00
estimativa para o primeiro valor suavizado L1 e 3 73 72,50 9,04 72,00

também para a tendência T1. 4 49 65,27 7,90 81,54 Nesta tabela também
5 47 60,08 6,98 73,16

Um procedimento simples é igualar L1 a Y1 e para T1 é 6 86 76,53 7,64 67,06 encontra-se a aplicação do

7 53 68,59 6,55 84,17
igualar a diferença entre Y2 e Y1. 8 52 63,57 5,74 75,14 método usando como

Outra forma de cálculo é obter a regressão linear
9
10
74
93
71,66
85,28
5,91
6,45
69,31
77,56
constantes de suavização
simples dos dados da série temporal, onde a 11 76 83,86 5,90 91,73 α = 0,5 e β = 0,07.
12 83 86,38 5,66 89,76
inclinação é uma estimativa para o valor de T1 e o 13 120 106,02 6,64 92,04 Para os valores de L1
14 106 109,33 6,41 112,66
intercepto é uma estimativa para L1. 15 121 118,37 6,59 115,73 e T1 utilizou-se a primeira

Além disto é necessário verificar qual os valores de α
16
17
132
144
128,48
139,66
6,84
7,14
124,96
135,31
alternativa de onde:
e β iniciais. O procedimento é similar a SES, buscar 18 140 143,40 6,90 146,80 L1=54 e T1=(63-54)=9.
19 118 134,15 5,77 150,30
pela menor média de quadrado dos erros, variando 20
21
142
138
140,96
142,40
5,84
5,54
139,92
146,81
os dois parâmetros (α,β). 22 158 152,97 5,89 147,94
19 23 154 156,43 5,72 158,86 20
24 183 172,57 6,45 162,15
Séries temporais – Séries de temporais –
Modelos não sazonais com tendência Modelos não sazonais com tendência

Os cálculos para o período t = 2 e t = 3 são 250
As previsões apresentadas se
apresentados a seguir: referem as previsões obtidas
200 a um passo a frente (h=1) no
L2 = 0,5Y2+(1–0,5)(L1+T1) = 0,5(63)+0,5(54+9) = 63 período em que o modelo foi
150
T2 = 0,07(L2 - L1)+(1-0,07)T1 = 0,07(63 -54)+(0,93)9 = 9 estabelecido (de t =1 até
100 t = 24).
Ŷ2 (1) = L2 + h.T2 = 63 + 1.9 = 72 Contudo o interesse é buscar
50
L3 = 0,5Y3+(1 – 0,5)(L2 + T2) = 0,5(73)+0,5(63 + 9) = 72,5 previsões para o futuro, as
0 previsões para o período de
T3 = 0,07(L3 – L2)+(1 - 0,07)T2= 0,07(72,5 - 63)+(0,93)9= 9,04 1 2 3 4 5 6 7 8 9 101112131415161718192021222324252627282930
t = 25 até t = 30, por
vendas previsão (h=1)
exemplo, e precisam ser
Ŷ3 (1) = L3 + h.T3 = 72,5 + 1.9,04 = 81,54
calculadas com base no
período t = 24, isto é:
Yˆ24 (h) = L24 + h .T24
21 22

Séries temporais – Séries de temporais –

Modelos não sazonais com tendência Modelos sazonais com tendência

Com os dados do número de intervenções
Este tipo de modelo pode ser expresso por:
que certo processo passa durante a semana, Yt = µ + Tt + St+ εt t = 1,2,...,T
quando a componente sazonal tem comportamento aditivo

encontre o modelo de suavização Yt = (µ + Tt ).St+ εt t = 1,2,...,T
exponencial linear de Holt. quando a componente sazonal tem comportamento multiplicativo

Os dados de 32 semanas encontram-se no
Quando a série apresenta Sazonalidade o modelo
de Holt foi estendido por Winters em 1960 para
arquivo TEQ7_intervencoes.xls capturar este efeito.

Use o NCSS ou o SPSS
O modelo de Holt-Winters é baseado em três
equações de suavização – uma para o nível, uma
para a tendência, e uma para a sazonalidade,

contudo a modelagem da sazonalidade pode ser
aditiva ou multiplicativa.
23 24
Séries de temporais – Séries temporais –
Modelos sazonais com tendência Modelos sazonais com tendência

No modelo sazonal aditivo o nível médio, a inclinação
e a sazonalidade da série são estimados,
respectivamente por Lt, Tt e St, conforme o modelo
expresso pelas seguintes equações:
Lt = α ( Yt − S t − s ) + (1 − α )(Lt −1 + Tt −1 ) 0<α<1

Tt = β ( Lt - Lt-1) + (1 - β) Tt-1 0<β<1

St = γ (Yt − Lt ) + (1 − γ )S t − s 0 < γ <1
e as previsões são dadas por:
Ŷt (h) = L t + h .Tt + St -s + h h = 1,2, ..., s
onde: γ é o coeficiente de suavização da componente sazonal e s é
uma estação completa de sazonalidade, por exemplo, ao
trabalhar-se com dados mensais tem-se s = 12, se os dados são
25 26
trimestrais tem-se s = 4.

Séries temporais – Séries temporais –

Modelos sazonais com tendência Modelos sazonais com tendência

Uma empresa produtora de automóveis Vendas de carros e as previsões
pelo modelo Holt-Winters aditivo
precisa prever o número de unidades a ser

vendas, em mil unidades

30
fabricadas. 25
20

O banco de dados da empresa tem registro 15
do número de unidades produzidas desde 10
5
agosto de 2003. 0
1 8 15 22 29 36 43 50 57 64 71 78 85 92 99

Modele os dados e preveja a quantidade a
período
ser produzida para out/11 a dez/11. Vendas Previsão

Os dados encontram-se no arquivo
Um algoritmo gerou os valores de α = 0,17 e β = γ = 0,01
TEQ7_venda_carros.xls que minimizam o valor do mse, critério utilizado para
27
escolher os valores das constantes de suavização. 28
 Séries temporais – Séries temporais –
Modelos sazonais com tendência Modelos sazonais com tendência
Da mesma foram que para o modelo sazonal aditivo,
Quando a sazonalidade é multiplicativa,
no modelo sazonal multiplicativo o nível médio, a Yt a amplitude do padrão sazonal aumenta
inclinação e a sazonalidade da série são estimados, com o aumento da série.
respectivamente por Lt, Tt e St conforme o modelo
expresso pelas seguintes equações:
Y
Lt = α t + (1 − α )(Lt −1 + Tt −1 ) 0<α<1
S t−s

Tt = β ( Lt - Lt-1) + (1 - β) Tt-1 0<β<1

Yt
St = γ + (1 − γ )S t − s 0 < γ <1
Lt 1 estação
e as previsões são dadas por:
ˆ ( h ) = ( L + h .T ) S
Y h = 1,2, ..., s
t t t t -s + h
t
onde: γ é o coeficiente de suavização da componente sazonal e s
é uma estação completa de sazonalidade. 29 30

Séries temporais – Séries temporais –

Modelos sazonais com tendência Modelos de suavização exponencial

É importante ressaltar que na aplicação dos

Os dados de exportação foram registrados e
modelos de suavização exponencial
encontram-se no arquivo

reserva-se uma parte final dos dados para
TEQ7_exportacoes.xls
fazer a verificação do modelo encontrado.

Modele os dados e preveja o valor das
A verificação consiste em averiguar se o
exportações para 6 passos a frente. modelo produz boas previsões,

esta averiguação se dá comparando as
previsões obtidas pelo modelo para os dados
da parte final com os valores reais
observados.
31 32
 Análise de séries de tempo:
modelos de suavização exponencial

Profa. Dra. Liane Werner