Dissertação

{en_GB=An Overview of Deep Learning Strategies for Time Series Prediction} {} EVALUATED

{pt=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”., en=Deep learning is getting a lot of attention in the last few years, mainly due to the state-of-the-art results obtained in different areas like object detection, natural language processing, sequential modeling, among many others. Time series problems are a special case of sequential data, where deep learning models can be applied. The standard option to this type of problems are Recurrent Neural Networks (RNNs), but recent results are supporting the idea that Convolutional Neural Networks (CNNs) can also be applied to time series with good results. This raises the following question - Which are the best attributes and architectures to apply in time series prediction problems? It was assessed which is the current state on deep learning applied to time-series and studied which are the most promising topologies and characteristics on sequential tasks that are worth it to be explored. The study focused on two different time series problems, wind power forecasting and predictive maintenance. Both experiments were conducted under the same conditions across different models to guarantee a fair comparison basis. The study showed that different models and architectures can be applied on distinct time series problems with some level of success, thus showing the value and versatility of deep learning models in distinct areas. The results also showed that CNNs, together with recurrent architectures, are a viable option to apply in time series problems.}
{pt="Deep Learning", Séries Temporais, Redes Neurais Convolucionais, Redes Neurais Recursivas, en=Deep Learning, Time Series, Recurrent Neural Networks, Convolutional Neural Networks}

Junho 8, 2018, 14:0

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