@MASTERSTHESIS{ 2020:855153976,
 	title = {Estudo do desempenho da combinação de preditores baseados em cópulas e máquinas de vetor de suporte para séries temporais úteis ao desenvolvimento sustentável},
 	year = {2020},
 	url = "http://www.tede2.ufrpe.br:8080/tede2/handle/tede2/8767",
 	abstract = "O século XXI é marcado por discussões acerca da promoção do desenvolvimento sustentável e sua importância no contexto mundial. Para tal, mostra-se indispensável o uso de indicadores de controle, que permitem monitorar, entender, diagnosticar e prever variáveis de interesse. Dessa forma, a modelagem e previsão de séries temporais são uma importante ferramenta de tomada de decisão para o planejamento e adequada execução de ações nos três eixos elementares do desenvolvimento sustentável: ambiental, econômico e social. A modelagem estatístico-computacional tem se tornado cada dia mais eficiente com o desenvolvimento de novas técnicas para analisar o comportamento de fenômenos e suas mudanças ao longo do tempo, bem como prever seus valores futuros com base em observações passadas. E, entre essas técnicas de previsão, destaca-se as combinações de preditores, que têm se mostrado estatisticamente mais acuradas e eficientes que modelos individuais, por exemplo. Abordagens como a combinação de preditores via cópulas e SVR (sigla para regressão de vetor de suporte, do inglês support vector regression) são promissoras nessa área. Há ainda as abordagens mais clássicas, como a combinação por média simples, mediana simples ou mínima variância. Este trabalho tem como objetivo realizar um estudo do desempenho destes combinadores na previsão de séries temporais úteis ao desenvolvimento sustentável. Ao todo, doze séries temporais são estudadas, a partir de quatro formalismos de modelagem individual e quatro de combinação. Em todos os casos, modelos otimizados são desenvolvidos, a partir de algoritmos de otimização. O percurso metodológico consiste basicamente em: i) construir modelos individuais para cada série baseado sem formalismos como redes neurais artificiais, modelos auto regressivos e de médias móveis, de alisamento exponencial e regressão de vetores de suporte; ii) construir os combinadores e iii) avaliar o desempenho dos modelos, a partir de um conjunto de medidas de qualidade consagradas na literatura, bem como outras sugeridas neste trabalho. Os resultados mostram que os combinadores via cópula são mais promissores para séries úteis ao desenvolvimento sustentável quando comparados aos combinadores por SVR. Ainda, mesmo diante de modelos combinados os modelos mais simples apresentaram bons resultados. A parcimônia e o super ajuste ao treinamento podem ter comprometido o desempenho dos modelos de aprendizado de máquina individuais, comoSVReANN, afetando assim o desempenho dos combinadores.",
 	publisher = {Universidade Federal Rural de Pernambuco},
 	scholl = {Programa de Pós-Graduação em Biometria e Estatística Aplicada},
 	note = {Departamento de Estatística e Informática}
}