Métodos de Machine Learning para Reconciliação Ótima de Séries Temporais Hierárquicas e Agrupadas
Nome: ALBERSON DA SILVA MIRANDA
Data de publicação: 29/02/2024
Banca:
Nome |
Papel |
|---|---|
| GUILHERME ARMANDO DE ALMEIDA PEREIRA | Orientador |
Resumo: Na última década, a previsão de séries temporais hierárquicas experimentou um crescimento substancial, caracterizado por avanços que melhoraram significativamente a precisão dos modelos de previsão. Recentemente, os métodos de machine learning foram integrados à literatura de previsão hierárquica como uma nova abordagem para a reconciliação de previsões. Este trabalho se baseia nesses avanços, explorando ainda mais o potencial dos métodos de machine learning para otimizar a reconciliação de séries temporais hierárquicas e agrupadas. Além disso, investigou-se o impacto de várias estratégias de aquisição de conjuntos de treinamento, como previsões obtidas por rolling forecasting, valores ajustados de modelos reestimados e valores ajustados
dos modelos de previsão base, como também estratégias alternativas de validação cruzada. Para avaliar a metodologia proposta, dois estudos de caso foram realizados. O primeiro estudo se concentra no setor financeiro brasileiro, especificamente na previsão de saldos de empréstimos e financiamentos para o Banco do Estado do Espírito Santo. O segundo estudo usa conjuntos
de dados de turismo doméstico australiano, que são frequentemente referenciados na literatura de séries temporais hierárquicas. Comparou-se a metodologia proposta com métodos analíticos para reconciliação de previsões, como o bottom-up, top-down e traço mínimo. Os resultados mostram que não há um método ou estratégia única que supere consistentemente todos os outros.
No entanto, a combinação apropriada de método ML e estratégia pode levar a uma melhoria de até 93% na precisão em comparação com o melhor método de reconciliação analítica.
