Dissertação

An Overview of Deep Learning Strategies for Time Series Prediction EVALUATED

Nos últimos anos, a área de "deep learning" tem recebido muita atenção, principalmente devido aos resultados estado-de-arte obtidos em diferentes áreas como, detecção objectos, processamento de linguagem natural, processamento sequencial, entre outros. Séries temporais são um caso particular de problemas sequenciais, onde é possível aplicar modelos de “deep learning”. Dentro da área de “deep learning” é de conhecimento geral que a opção padrão a utilizar neste tipo de problemas são redes neurais recursivas. Contrariando esta tendência, resultados obtidos recentemente indicam que redes neurais convolucionais também podem ser aplicadas a problemas envolvendo séries temporais, com resultados bastante promissores. Isto levanta a seguinte questão - Quais são os melhores atributos e arquitecturas a aplicar em problemas de previsão em séries temporais? Com esta pergunta em mente, um estudo foi feito com o principal objetivo de perceber quais as arquitecturas e características mais promissoras para aplicar a problemas envolvendo séries temporais. De forma a validar este estudo, uma comparação foi feita entre as arquitecturas mais promissoras. Esta comparação foi realizada em dois problemas diferentes: previsão de energia eólica gerada e manutenção preventiva de motores turbofan. Para garantir uma comparação justa, as experiências foram conduzidas sobre as mesmas condições, onde foi possível mostrar que é possível aplicar redes neurais convolucionais, juntamente com redes neurais recursivas, a este tipo de problemas. Foi também possível mostrar que é possível aplicar vários modelos e arquitecturas a diferentes problemas, mostrando também a versatilidade presente nos diferentes modelos de “deep learning”.
"Deep Learning", Séries Temporais, Redes Neurais Convolucionais, Redes Neurais Recursivas

Junho 8, 2018, 14:0

Publicação

Obra sujeita a Direitos de Autor

Orientação

ORIENTADOR

Sílvio Miguel Fragoso Rodrigues

Jungle.ai

Doutor

ORIENTADOR

Rui Manuel Gameiro de Castro

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar