Página 1 dos resultados de 28382 itens digitais encontrados em 0.056 segundos

Mineração e visualização de coleções de séries temporais; Mining and visualization of time series collections

Alencar, Aretha Barbosa
Fonte: Biblioteca Digitais de Teses e Dissertações da USP Publicador: Biblioteca Digitais de Teses e Dissertações da USP
Tipo: Dissertação de Mestrado Formato: application/pdf
Publicado em 10/12/2007 PT
Relevância na Pesquisa
65.95%
A análise de séries temporais gera muitos desafios para profisionais em um grande número de domínios. Várias soluções de visualização integrada com algoritmos de mineração já foram propostas para tarefas exploratórias em coleções de séries temporais. À medida que o conjunto de dados cresce, estas soluções falham em promover uma boa associação entre séries temporais similares. Neste trabalho, é apresentada uma ferramenta para a análise exploratória e mineração de conjuntos de séries temporais que adota uma representação visual baseada em medidas de dissimilaridade entre séries. Esta representação é criada usando técnicas rápidas de projeção, de forma que as séries temporais possam ser visualizadas em espaços bidimensionais. Vários tipos de atributos visuais e conexões no grafo resultante podem ser utilizados para suportar a exploração dessa representação. Também é possível aplicar algumas tarefas de mineração de dados, como a classificação, para apoiar a busca por padrões. As visualizações resultantes têm se mostrado muito úteis na identificação de grupos de séries com comportamentos similares, que são mapeadas para a mesma vizinhança no espaço bidimensional. Grupos visuais de elementos...

Aplicação de redes neurais artificiais na análise de séries temporais econômico-financeiras; Artificial neural networks application in financial-economic time series analysis

Oliveira, Mauri Aparecido de
Fonte: Biblioteca Digitais de Teses e Dissertações da USP Publicador: Biblioteca Digitais de Teses e Dissertações da USP
Tipo: Tese de Doutorado Formato: application/pdf
Publicado em 07/12/2007 PT
Relevância na Pesquisa
65.93%
Diversas metodologias são empregadas para realizar a análise de séries temporais, dentre as quais destaca-se o uso das redes neurais artificiais (RNA). Neste trabalho são utilizados quatro métodos para realizar previsão de séries temporais univariadas: os modelos ARIMAGARCH, RNA feedforward, RNA treinada com filtro de Kalman estendido (EKF) e RNA treinada com o filtro de Kalman unscented (UKF). Sendo que o uso de RNA-UKF é um avanço recente na área de sistemas de inteligência computacional. O uso de redes neurais treinadas com filtro de Kalman é uma metodologia que tem trazido bons resultados em uma ampla variedade de aplicações nas áreas comercial, militar e científica. Em 2002 aproximadamente 250 bilhões de dólares eram gerenciados em fundos de investimentos por modelos quantitativos (tais como lógica fuzzy, redes neurais, algoritmos genéticos, fractais e modelos de Markov). Desde 2006 estima-se que três em cada dez destes fundos utilizem estes modelos quantitativos. A capacidade das RNA em lidar com não linearidades é uma vantagem normalmente destacada quando são realizadas previsões de séries temporais. São apresentadas simulações de Monte Carlo que mostram a influência dos parâmetros dos modelos ARIMA-GARCH na predição de redes neurais artificiais do tipo feedforward...

Algoritmo kNN para previsão de dados temporais: funções de previsão e critérios de seleção de vizinhos próximos aplicados a variáveis ambientais em limnologia; Time series prediction using a KNN-based algorithm prediction functions and nearest neighbor selection criteria applied to limnological data

Ferrero, Carlos Andres
Fonte: Biblioteca Digitais de Teses e Dissertações da USP Publicador: Biblioteca Digitais de Teses e Dissertações da USP
Tipo: Dissertação de Mestrado Formato: application/pdf
Publicado em 04/03/2009 PT
Relevância na Pesquisa
65.98%
A análise de dados contendo informações sequenciais é um problema de crescente interesse devido à grande quantidade de informação que é gerada, entre outros, em processos de monitoramento. As séries temporais são um dos tipos mais comuns de dados sequenciais e consistem em observações ao longo do tempo. O algoritmo k-Nearest Neighbor - Time Series Prediction kNN-TSP é um método de previsão de dados temporais. A principal vantagem do algoritmo é a sua simplicidade, e a sua aplicabilidade na análise de séries temporais não-lineares e na previsão de comportamentos sazonais. Entretanto, ainda que ele frequentemente encontre as melhores previsões para séries temporais parcialmente periódicas, várias questões relacionadas com a determinação de seus parâmetros continuam em aberto. Este trabalho, foca-se em dois desses parâmetros, relacionados com a seleção de vizinhos mais próximos e a função de previsão. Para isso, é proposta uma abordagem simples para selecionar vizinhos mais próximos que considera a similaridade e a distância temporal de modo a selecionar os padrões mais similares e mais recentes. Também é proposta uma função de previsão que tem a propriedade de manter bom desempenho na presença de padrões em níveis diferentes da série temporal. Esses parâmetros foram avaliados empiricamente utilizando várias séries temporais...

Improving time series modeling by decomposing and analysing stochastic and deterministic influences; Modelagem de séries temporais por meio da decomposição e análise de influências estocásticas e determinísticas

Rios, Ricardo Araújo
Fonte: Biblioteca Digitais de Teses e Dissertações da USP Publicador: Biblioteca Digitais de Teses e Dissertações da USP
Tipo: Tese de Doutorado Formato: application/pdf
Publicado em 22/10/2013 EN
Relevância na Pesquisa
65.97%
This thesis presents a study on time series analysis, which was conducted based on the following hypothesis: time series influenced by additive noise can be decomposed into stochastic and deterministic components in which individual models permit obtaining a hybrid one that improves accuracy. This hypothesis was confirmed in two steps. In the first one, we developed a formal analysis using the Nyquist-Shannon sampling theorem, proving Intrinsic Mode Functions (IMFs) extracted from the Empirical Mode Decomposition (EMD) method can be combined, according to their frequency intensities, to form stochastic and deterministic components. Considering this proof, we designed two approaches to decompose time series, which were evaluated in synthetic and real-world scenarios. Experimental results confirmed the importance of decomposing time series and individually modeling the deterministic and stochastic components, proving the second part of our hypothesis. Furthermore, we noticed the individual analysis of both components plays an important role in detecting patterns and extracting implicit information from time series. In addition to these approaches, this thesis also presents two new measurements. The first one is used to evaluate the accuracy of time series modeling in forecasting observations. This measurement was motivated by the fact that existing measurements only consider the perfect match between expected and predicted values. This new measurement overcomes this issue by also analyzing the global time series behavior. The second measurement presented important results to assess the influence of the deterministic and stochastic components on time series observations...

Agrupamento de séries temporais em fluxos contínuos de dados; Time series clustering for data streams

Pereira, Cássio Martini Martins
Fonte: Biblioteca Digitais de Teses e Dissertações da USP Publicador: Biblioteca Digitais de Teses e Dissertações da USP
Tipo: Tese de Doutorado Formato: application/pdf
Publicado em 29/10/2013 PT
Relevância na Pesquisa
65.97%
Recentemente, a área de mineração de fluxos contínuos de dados ganhou importância, a qual visa extrair informação útil a partir de conjuntos massivos e contínuos de dados que evoluem com o tempo. Uma das técnicas que mais se destaca nessa área e a de agrupamento de dados, a qual busca estruturar grandes volumes de dados em hierarquias ou partições, tais que objetos mais similares estejam em um mesmo grupo. Diversos algoritmos foram propostos nesse contexto, porém a maioria concentrou-se no agrupamento de fluxos compostos por pontos em um espaço multidimensional. Poucos trabalhos voltaram-se para o agrupamento de séries temporais, as quais se caracterizam por serem coleções de observações coletadas sequencialmente no tempo. Técnicas atuais para agrupamento de séries temporais em fluxos contínuos apresentam uma limitação na escolha da medida de similaridade, a qual na maioria dos casos e baseada em uma simples correlação, como a de Pearson. Este trabalho mostra que até para modelos clássicos de séries temporais, como os de Box e Jenkins, a correlação de Pearson não é capaz de detectar similaridade, apesar das séries serem provenientes de um mesmo modelo matemático e com mesma parametrização. Essa limitação nas técnicas atuais motivou este trabalho a considerar os modelos geradores de séries temporais...

Mineração de padrões frequentes em séries temporais para apoio à tomada de decisão em agrometereologia; Mining frequent patterns in time series to support decision-making in agrometeorology

Chino, Daniel Yoshinobu Takada
Fonte: Biblioteca Digitais de Teses e Dissertações da USP Publicador: Biblioteca Digitais de Teses e Dissertações da USP
Tipo: Dissertação de Mestrado Formato: application/pdf
Publicado em 18/03/2014 PT
Relevância na Pesquisa
65.93%
O crescente aumento no volume de dados complexos tem se tornado um desafio para pesquisadores. Séries temporais são um tipo de dados complexos que tem tido um crescimento em sua relevância, devido a sua importância para o monitoramento e acompanhamento de safras agrícolas. Assim, a mineração de informação a partir de grandes volumes de séries temporais para o apoio a tomada de decisões tem se tornado uma atividade valiosa. Uma das atividades importantes na mineração em séries temporais é a descoberta de padrões frequentes. Entretanto, a complexidade dessa atividade requer métodos rápidos e eficientes. Nesse contexto, esta dissertação de mestrado apresenta propostas para novos algoritmos e métodos para minerar e indexar séries temporais. Uma das propostas dessa dissertação é o índice Telesto, que utiliza uma estrutura baseada em árvores de sufixo generalizada para recuperar séries temporais em uma base de dados de séries temporais de modo rápido e eficiente. Outra proposta dessa dissertação é o algoritmo TrieMotif, que se baseia em uma trie para eliminar comparações desnecessárias entre subsequências, agilizando o processo de mineração de padrões frequentes em séries temporais. Os algoritmos propostos foram utilizados para a análise de dados climáticos e agrometeorológicos. Os resultados apresentados nessa dissertação de mestrado mostram que os algoritmos são escaláveis...

Ajuste de modelos e comparação de séries temporais para dados de vazão específica em microbacias pareadas; Fitting of models and comparison of time series for specific flow data in paired catchments

Amaral, Marcus Vinicius Silva Gurgel do
Fonte: Biblioteca Digitais de Teses e Dissertações da USP Publicador: Biblioteca Digitais de Teses e Dissertações da USP
Tipo: Dissertação de Mestrado Formato: application/pdf
Publicado em 15/07/2014 PT
Relevância na Pesquisa
65.97%
A crescente preocupação com o meio ambiente pressiona a sociedade como um todo para a uma mudança rumo a hábitos mais sustentáveis. No setor produtivo, o impulso se dá pelo desenvolvimento de técnicas mais eficientes de produção, embasados em pesquisas e experimentos de campo. No setor florestal, além da preocupação com a técnicas de manejo e com o solo, o principal recurso a ser preservado é a água. Por meio do monitoramento de rios em bacias hidrográficas, séries históricas são coletadas, possibilitando o uso da teoria de séries temporais para ajuste de modelos pela metodologia Box e Jenkins. Em casos de monitoramentos de microbacias pareadas, existe a possibilidade de se comparar séries temporais, como descrito no presente trabalho. Em duas microbacias pareadas localizadas na região centro-leste do estado do Paraná, em uma fazenda no município de Telêmaco Borba, dados correspondendo a duas séries temporais distintas de vazão específica foram coletados. Devido a presença de falhas nos conjuntos de dados, uma metodologia para imputação foi utilizada de duas maneiras diferentes, possibilitando a posterior comparação das duas séries temporais pela metodologia de séries temporais. De acordo com os resultados...

Programação genética para predição de séries temporais aplicados a mercados financeiros; Genetic programming for time series forecasting applied to financial markets

Prochnow, Fabio Alberto
Fonte: Universidade Federal do Rio Grande do Sul Publicador: Universidade Federal do Rio Grande do Sul
Tipo: Trabalho de Conclusão de Curso Formato: application/pdf
POR
Relevância na Pesquisa
65.94%
As Séries Temporais podem ser percebidas em diversas formas na natureza e até mesmo nos processos industriais. Nos Mercados Financeiros, por exemplo, pode-se ver nitidamente a formação destas séries. Tanto para os investidores do Mercado Forex quando para os do Mercado de Ações, o desafio é prever as variações destas séries e obter o maior lucro possível destes comportamentos. Para isso, foi criada a Análise Técnica, que consiste de fundamentos e ferramentas de análise gráfica para auxiliar os investidores na hora de tomar uma decisão. Ao encontro disso, surgem os métodos clássicos de predição de Séries Temporais como o Naïve, o ARIMA e, nos últimos tempos, as próprias Redes Neurais. Por outro lado, a Programação Genética vem se destacando em inúmeras aplicações práticas e, dentre as possibilidades de uso desta, está a Regressão Simbólica. Por esse motivo, realizaram-se experimentos comparativos entre os métodos mais utilizados para a previsão destas séries e a própria predição por Regressão Simbólica. Para isso, foram coletadas séries referentes aos artigos mais movimentados nos Mercados de Ações e Forex como as ações PETR4 e VALE5 e os pares EURUSD e GBPUSD. Por fim, percebe-se que a Regressão Simbólica pode ser mais um aliado dos investidores na busca pelo lucro e...

Modelos de redes neurais recorrentes para previsão de series temporais de memorias curta e longa; Recurrent neural networks for prediction of short and long memory time series

Daniel Takata Gomes
Fonte: Biblioteca Digital da Unicamp Publicador: Biblioteca Digital da Unicamp
Tipo: Dissertação de Mestrado Formato: application/pdf
Publicado em 18/11/2005 PT
Relevância na Pesquisa
65.95%
É de grande interesse o estudo de previsão de séries temporais, ou seja, conseguir identificar características do processo num ponto futuro. Para isso, é necessário estimar com precisão, ou pelo menos com uma boa aproximação, o processo gerador dos dados. Nos últimos anos, modelos de redes neurais artificiais vêm desempenhando um papel crescente na abordagem e solução de problemas estatísticos importantes. A estrutura mais básica de rede neural, as redes progressivas ou feedforward, sem retroalimentação, têm se mostrado uma alternativa vantajosa, em alguns casos, em relação aos modelos lineares tradicionais. No entanto, algumas séries apresentam características que permitem introduzir algum tipo de realimentação na rede. Tal rede chamada de rede neural recorrente, ferramenta ainda pouco explorada pela comunidade estatística. São dois os principais objetivos da dissertação. Primeiro, o estudo de redes neurais recorrentes para predição de séries temporais, o que compreende sua fundamentação teórica, principais arquiteturas e algoritmos de aprendizagem e sua implementação computacional. Segundo, estudo comparativo da performance preditiva dessas redes para séries temporais, tanto no caso de séries temporais de memória curta quanto de memória longa...

Mineração de series temporais de dados de sensores; Mining sensor time series

Leonardo Elias Mariote
Fonte: Biblioteca Digital da Unicamp Publicador: Biblioteca Digital da Unicamp
Tipo: Dissertação de Mestrado Formato: application/pdf
Publicado em 25/04/2008 PT
Relevância na Pesquisa
65.96%
Redes de sensores têm aumentado a quantidade e variedade de dados temporais disponíveis. Com isto, surgiram novos desafios na definição de novas técnicas de mineração, capazes de descrever características distintas em séries temporais. A literatura correlata endereça problemas diversos, como indexação, classificação, definição de vetores de características e funções de distâncias mais eficazes. No entanto, a maioria dos trabalhos atuais tem como objetivo descrever e analisar os valores de uma série temporal, e não sua evolução. Além disto, vários fenômenos requerem uma análise mais elaborada, capaz de relacionar várias grandezas. Tal tipo de análise não pode ser realizada pela maioria das técnicas existentes hoje. Esta dissertação apresenta uma técnica que descreve séries temporais sob uma premissa diferente - a de caracterizar a oscilação das séries e não seus valores propriamente ditos. O novo descritor apresentado - TID ES (TIme series oscillation D EScriptor) - utiliza os coeficientes angulares de uma segmentação linear da curva que representa a evolução das . séries analisadas, em múltiplas escalas. Com isso, permite a comparação e a mineração de séries utilizando várias granularidades...

Modelos lineares generalizadas para series temporais com memoria longa; Generalized linear models for long memory time series

Cristiano Amancio Vieira Borges
Fonte: Biblioteca Digital da Unicamp Publicador: Biblioteca Digital da Unicamp
Tipo: Dissertação de Mestrado Formato: application/pdf
Publicado em 29/01/2010 PT
Relevância na Pesquisa
65.96%
A modelagem de séries temporais não gaussianas é um tema de alta relevância na análise de séries temporais. Utilizando-se de estimação por verossimilhança parcial, Kedem e Fokianos (2002) estenderam sistematicamente a metodologia dos Modelos Lineares Generalizados (MLG) para séries temporais em que tanto a série de interesse quanto as covariáveis são estocasticamente dependentes. Entretanto, a análise estatística de séries com memória longa (ML), seja na resposta ou nas covariáveis, não é discutida em detalhes. O primeiro objetivo desta dissertação é investigar, através de simulações, as propriedades dos estimadores de máxima verossimilhança parcial dos coeficientes do MLG quando utilizado para séries temporais com ML. O segundo objetivo consiste em um estudo sobre a qualidade das previsões obtidas para vários modelos ajustados a dados de séries com ML, utilizando a metodologia proposta por Kedem e Fokianos (2002). Os modelos considerados nesta dissertação são modelos para séries de contagens, séries binárias e séries categóricas ordinais. Finalmente, as metodologias são ilustradas através de aplicações em conjuntos de dados reais de finanças e de poluição do ar; Non-gaussian time series modeling is a high relevance issue of time series analysis. Kedem and Fokianos (2002) have used partial likelihood estimation to extend the Generalized Linear Models (GLM) methodology systematically to time series where the response and covariate data are both stochastically dependent. However...

O uso de quase U-estatísticas para séries temporais uni e multivaridas; The use of quasi U-statistics for univariate and multivariate time series

Marcio Valk
Fonte: Biblioteca Digital da Unicamp Publicador: Biblioteca Digital da Unicamp
Tipo: Tese de Doutorado Formato: application/pdf
Publicado em 22/02/2011 PT
Relevância na Pesquisa
65.97%
Classificação e agrupamento de séries temporais são problemas bastante explorados na literatura atual. Muitas técnicas são apresentadas para resolver estes problemas. No entanto, as restrições necessárias, em geral, tornam os procedimentos específicos e aplicáveis somente a uma determinada classe de séries temporais. Além disso, muitas dessas abordagens são empíricas. Neste trabalho, propomos métodos para classificação e agrupamento de séries temporais baseados em quase U-estatísticas(Pinheiro et al. (2009) e Pinheiro et al. (2010)). Como núcleos das U-estatísticas são utilizadas métricas baseadas em ferramentas bem conhecidas na literatura de séries temporais, entre as quais o periodograma e a autocorrelação amostral. Três situações principais são consideradas: séries univariadas; séries multivariadas; e séries com valores aberrantes. _E demonstrada a normalidade assintética dos testes propostos para uma ampla classe de métricas e modelos. Os métodos são estudados também por simulação e ilustrados por aplicação em dados reais.; Classifcation and clustering of time series are problems widely explored in the current literature. Many techniques are presented to solve these problems. However...

Serial Annotator : managing annotations of time series = Serial Annotator: gerenciando anotações em séries temporais; Serial Annotator : gerenciando anotações em séries temporais

Felipe Henriques da Silva
Fonte: Biblioteca Digital da Unicamp Publicador: Biblioteca Digital da Unicamp
Tipo: Dissertação de Mestrado Formato: application/pdf
Publicado em 10/06/2013 PT
Relevância na Pesquisa
65.96%
Séries temporais são sequências de valores medidos em sucessivos instantes de tempo. Elas são usadas em diversos domínios, tais como agricultura, medicina e economia. A análise dessas séries é de extrema importância, fornecendo a especialistas a capacidade de identificar tendências e prever possíveis cenários. A fim de facilitar sua análise, especialistas frequentemente associam anotações com séries temporais. Tais anotações também podem ser usadas para correlacionar séries distintas, ou para procurar por séries específicas num banco de dados. Existem muitos desafios envolvidos no gerenciamento destas anotações - desde encontrar estruturas adequadas para associá-las com as séries, até organizar e recuperar séries através das anotações associadas a estas. Este trabalho contribui para o trabalho em gerenciamento de séries temporais. Suas principais contribuições são o projeto e desenvolvimento de um arcabouço para o gerenciamento de múltiplas anotações associadas com uma ou mais séries em um banco de dados. Este arcabouço também fornece meios para o controle de versão das anotações, de modo que os estados anteriores de uma anotação nunca sejam perdidos. Serial Annotator é uma aplicação desenvolvida para a plataforma Android. Ela foi usada para validar o arcabouço proposto e foi testada com dados reais envolvendo problemas do domínio agrícola.; Time series are sequences of values measured at successive time instants. They are used in several domains such as agriculture...

Integrating time series mining and fractals to discover patterns and extreme events in climate and remote sensing databases.

ROMANI, L. A. S.
Fonte: 2010. Publicador: 2010.
Tipo: Teses/dissertações (ALICE) Formato: 179 p.
EN
Relevância na Pesquisa
65.94%
This thesis presents new methods based on fractal theory and data mining techniques to support agricultural monitoring in regional scale, specifically regions with sugar cane fields. This commodity greatly contributes to the Brazilian economy since it is a viable alternative to replace fossil fuels. Since climate influences the national agricultural production, researchers use climate data associated to agrometeorological indexes, and recently they also employed data from satellites to support decision making processes. In this context, we proposed a method that uses the fractal dimension to identify trend changes in climate series jointly with a statistical analysis module to define which attributes are responsible for the behavior alteration in the series. Moreover, we also proposed two methods of similarity measure to allow comparisons among different agricultural regions represented by multiples variables from meteorological data and remote sensing images. Given the importance of studying the extreme weather events, which could increase in intensity, duration and frequency according to different scenarios indicated by climate forecasting models, we proposed the CLIPSMiner algorithm to identify relevant patterns and extremes in climate series. CLIPSMiner also detects correlations among multiple time series considering time lag and finds patterns according to parameters...

Conventional and advanced time series estimation: application to the Australian and New Zealand Intensive Care Society (ANZICS) adult patient database, 1993-2006

Moran, J.; Solomon, P.
Fonte: Blackwell Science Ltd Publicador: Blackwell Science Ltd
Tipo: Artigo de Revista Científica
Publicado em //2011 EN
Relevância na Pesquisa
65.95%
RATIONALE: Time series analysis has seen limited application in the biomedical Literature. The utility of conventional and advanced time series estimators was explored for intensive care unit (ICU) outcome series. METHODS: Monthly mean time series, 1993-2006, for hospital mortality, severity-of-illness score (APACHE III), ventilation fraction and patient type (medical and surgical), were generated from the Australia and New Zealand Intensive Care Society adult patient database. Analyses encompassed geographical seasonal mortality patterns, series structural time changes, mortality series volatility using autoregressive moving average and Generalized Autoregressive Conditional Heteroscedasticity models in which predicted variances are updated adaptively, and bivariate and multivariate (vector error correction models) cointegrating relationships between series. RESULTS: The mortality series exhibited marked seasonality, declining mortality trend and substantial autocorrelation beyond 24 lags. Mortality increased in winter months (July-August); the medical series featured annual cycling, whereas the surgical demonstrated long and short (3-4 months) cycling. Series structural breaks were apparent in January 1995 and December 2002. The covariance stationary first-differenced mortality series was consistent with a seasonal autoregressive moving average process; the observed conditional-variance volatility (1993-1995) and residual Autoregressive Conditional Heteroscedasticity effects entailed a Generalized Autoregressive Conditional Heteroscedasticity model...

A proposed mildly explosive/self-exciting threshold autoregressive model applied to climatic time series

Whyte, J.; Metcalfe, A.
Fonte: The Modelling and Simulation Society of Australia and NZ; Australia Publicador: The Modelling and Simulation Society of Australia and NZ; Australia
Tipo: Conference paper
Publicado em //2011 EN
Relevância na Pesquisa
65.95%
When selecting a time series model for a particular application it is appropriate to consider properties of the series under consideration. For example, it is not appropriate to apply standard autoregressive models to time series showing irreversibility, a feature observed in environmental series showing feedbacks. Models considered more suitable for modelling irreversible time series include Self-Exciting Threshold AutoRegressive (SETAR) models; a class of model composed of two or more regimes where the prediction equation used at a particular time is determined by some combination of previous time series values. In certain applications SETAR models are not able to reproduce rapid changes observed in series, as observed in the Burgundy Spring-Summer temperature anomaly series reconstructed from grape harvest dates [Chuine et al., Nature 432 (2004)]. To address this limitation, SETAR modified to have a regime capable of unstable behaviour flanked by two stable regimes are considered. One potentially suitable model class for the unstable middle regime is a mildly explosive model (MEM), an AR(1) model with a parameter greater than one which decays monotonically over time permitting unstable behaviour. MEM have found use in modelling financial exuberance and informed “collapsing bubble models” used to model rapid changes in the NASDAQ index. The SETAR class modified to have a MEM middle regime is termed here a MEMTAR. As an aid to evaluating the properties of a series...

Classification techniques for time series and functional data

Casado de Lucas, David
Fonte: Universidade Carlos III de Madrid Publicador: Universidade Carlos III de Madrid
Tipo: info:eu-repo/semantics/doctoralThesis; info:eu-repo/semantics/doctoralThesis Formato: application/octet-stream; application/octet-stream; application/pdf
ENG
Relevância na Pesquisa
65.95%
The main subject of this doctoral thesis is to develop classification techniques for dependent and functional data. Methods for classifying time series and functional data are proposed. Although this work involves several type of data, the functional data play a central role. An important point of both classification methodologies is that the original problems are not directly dealt with: the time series problem is rewritten as a functional data problem while the functional data problem is solved using a multivariate technique. It is worthwhile noticing, however, the different role of the functional data in the two forthcoming proposals: in the time series problem functional estimators are constructed, while in the functional data problem curves are the primary data. For the classification of time series, their integrated periodograms are considered instead. After this, a new element is assigned to the group minimizing the distance from its integrated periodogram to the group mean of integrated periodograms. Although the periodogram is defined only for stationary time series, the application of the methodology to nonstationary series is still possible by computing these periodograms locally. Finally, functional data depth is applied to make the classification robust. On the one hand...

Deterministics, initial conditions and breaks in long memory time series

Rachinger, Heiko
Fonte: Universidade Carlos III de Madrid Publicador: Universidade Carlos III de Madrid
Tipo: Tese de Doutorado Formato: application/pdf
ENG
Relevância na Pesquisa
65.98%
En mi tesis doctoral, se modelizan series temporales con memoria larga y con un componente determinista que potencialmente sufre rupturas. Se consideran contrastes para rupturas y la estimación de los parámetros. Finalmente, se analiza la estimación e ciente de tendencias lineales y su impacto proveniente de la presencia y la longitud de de la pre-muestra. En el primer capítulo, Multiple Breaks in Long Memory Time Series , se propone un enfoque uni cado para la modelización de rupturas en la memoria y la media de una serie temporal. Las series temporales macroeconómicas y financieras a menudo muestran características de memoria larga, como funciones de auto-correlación que decaen hiperbólicamente. Ha habido una larga discusión sobre si tales series temporales se pueden describir por modelos fraccionalmente integrados o si la memoria larga es espuria debido a rupturas en su media. Si bien el número de rupturas es conocido, la fracción de ruptura y los parámetros en los diferentes regímenes se estiman conjuntamente por el método de mínimos cuadrados ordinarios no lineales. El estimador de la fracción de ruptura resulta ser súper-consistente, con una tasa T tanto para rupturas en la memoria como en la media. Por otra parte...

Modelo integrado de mineração de dados para análise de séries temporais de preços de indicadores agroeconômicos.; Data mining model for analysis of prices indices Agroeconomic time series.

Corrêa, Fernando Elias
Fonte: Biblioteca Digitais de Teses e Dissertações da USP Publicador: Biblioteca Digitais de Teses e Dissertações da USP
Tipo: Tese de Doutorado Formato: application/pdf
Publicado em 27/11/2014 PT
Relevância na Pesquisa
65.95%
Um dos principais setores da economia brasileira, o agronegócio envolve uma série de negociações dentro de toda a cadeia produtiva. Instituições de pesquisa como o CEPEA (Centro de Estudos Avançados em Economia Aplicada), da ESALQ/USP, coletam diariamente dados sobre diversos produtos agropecuários, gerando informações para agentes de diferentes categorias interessados no acompanhamento desses mercados, entre eles pesquisadores, produtores e formuladores de políticas públicas. O uso desses dados para realização de análises históricas integradas com análises atuais de mercado, porém, ainda é um desafio, dada a falta de uma padronização e a necessidade de identificação de técnicas computacionais adequadas. O objetivo desta tese é organizar as informações agroeconômicas consolidadas por meio de modelos de Data Mining e estatísticos para gerar análises integradas de relações entre as séries temporais, compreendendo produtos, mercados e o tempo, baseando-se nos dados obtidos pelo CEPEA em 7 anos de coleta diária de preços. As técnicas propostas para o modelo de análise integrada compreendem séries temporais para a projeção de trajetórias temporais e reconhecimento de padrões temporais. Especificamente para as trajetórias temporais...

Forecasting and Non-Stationarity of Surgical Demand Time Series

Moore, Ian
Fonte: Quens University Publicador: Quens University
Tipo: Tese de Doutorado
EN; EN
Relevância na Pesquisa
65.94%
Surgical scheduling is complicated by naturally occurring, and human-induced variability in the demand for surgical services. We used time series methods to detect, model and forecast these behaviors in surgical demand time series to help improve the scheduling of scarce surgical resources. With institutional approval, we studied 47,752 surgeries undertaken at a large academic medical center over a six-year time frame. Each daily sample in this time series represented the aggregate total hours of surgeries worked on a given day. Linear terms such as periodic cycles, trends, and serial correlations explained approximately 80 percent of the variance in the raw data. We used a moving variance filter to help explain away a large share of the heteroscedastic behavior mainly attributable to surgical activities on specific US holidays, which we defined as holiday variance. In the course of this research, we made a thoughtful attempt to understand the time series structure within our surgical demand data. We also laid a foundation, for further development, of two time series techniques, the multiwindow variance filter and cyclostatogram that can be applied not only to surgical demand time series, but also to other time series problems from other disciplines. We believe that understanding the non-stationarity...