FenixEdu™

Dissertação

Time-series Forecasting using Markov Models EVALUATED

Detalhes: A modelação e previsão de séries temporais é um tópico que se tem tornado bastante popular nas últimas décadas, uma vez que pode ser aplicado a vários domínios práticos para resolver problemas complexos. Nesta dissertação, usamos modelos de Markov (HMMs e HSMMs) com observações geradas por processos de Poisson, e comparamo-los com LSTMs, na tarefa de modelar e prever séries temporais. A primeira contribuição é a formulação de um novo modelo HSMM que permite a introdução de características externas através de regressão logística. Realizamos várias experiências sintéticas onde testamos a robustez dos modelos de Markov face a erros de modelação. Testamos ainda com dados reais provenientes de redes sociais (Twitter), sobre bitcoin, onde avaliamos a precisão da previsão dos diferentes modelos. Os resultados indicam que os modelos Markov têm uma performance superior às redes neuronais no regime em que a quantidade de treino é menor. Outra vantagem deste tipo de modelos é que são mais fáceis de treinar e têm mais fácil interpretabilidade em comparação com redes neuronais. A segunda contribuição diz respeito à selecção do número óptimo de estados e duração máxima num HSMM. Uma das principais contribuições é uma demonstração formal de equivalência entre modelos que nos permitem focar apenas na selecção do número de estados. Além disso, o número óptimo de estados é encontrado através de uma estratégia de poda (prunning) sequencial aplicada ao critério de descrição mínima de misturas (MMDL). Demonstramos a eficácia da abordagem na selecção do modelo usando experiências sintéticas e reais.
Keywords: Previsão de séries temporais, Modelos Markov, Regressão logística, Redes neuronais, Selecção da ordem do modelo

Discussão: outubro 23, 2020, 10:0