https://repositorio.ufjf.br/jspui/handle/ufjf/13488
Fichero | Descripción | Tamaño | Formato | |
---|---|---|---|---|
kaikesatelesrochaalves.pdf | PDF/A | 396.03 kB | Adobe PDF | ![]() Visualizar/Abrir |
Campo DC | Valor | Lengua/Idioma |
---|---|---|
dc.contributor.advisor1 | Aguiar, Eduardo Pestana de | - |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/9530065975903052 | pt_BR |
dc.contributor.referee1 | Lemos, André Paim | - |
dc.contributor.referee1Lattes | http://lattes.cnpq.br/2426104312592166 | pt_BR |
dc.contributor.referee2 | Pekaslan, Direnc | - |
dc.contributor.referee2Lattes | https://lattes.cnpq.br/ | pt_BR |
dc.contributor.referee3 | Fonseca, Leonardo Goliatt da | - |
dc.contributor.referee3Lattes | http://lattes.cnpq.br/9030707448549156 | pt_BR |
dc.creator | Alves, Kaike Sa Teles Rocha | - |
dc.creator.Lattes | http://lattes.cnpq.br/7807664442719582 | pt_BR |
dc.date.accessioned | 2021-10-05T12:27:03Z | - |
dc.date.available | 2021-10-05 | - |
dc.date.available | 2021-10-05T12:27:03Z | - |
dc.date.issued | 2021-09-28 | - |
dc.identifier.doi | https://doi.org/10.34019/ufjf/di/2021/00232 | - |
dc.identifier.uri | https://repositorio.ufjf.br/jspui/handle/ufjf/13488 | - |
dc.description.abstract | Big Data advancements motivate researchers to develop and improve intelligent models to deal efficiently and effectively with data. In this scenario, time series forecasting obtains even more attention. The literature demonstrated the better performance of such models in this subject. Forecasting is widely used in strategic planning to support decision-making, providing competitive differential to organizations. In this work, a novel rule-based evolving Fuzzy System is proposed for time series forecasting. This is a robust model able to develop and update its structure in unknown environments, capture dynamics and changes of streams, and produce accurate results even when dealing with complex data. The introduced model implements the distance correlation to improve the rules’ quality by reducing their standard deviation. The model is evaluated using two synthetic datasets: the Mackey-Glass time-series and the nonlinear dynamic system identification. And finally, the introduced system is implemented to predict the hot spot temperature using three datasets from a real power transformer. Hot spot monitoring is necessary to maximize the load capacity and the lifespan of power transformers. The proposed method is evaluated in terms of root-mean-square error, non-dimensional index error, mean absolute error, runtime, and the number of final rules. The results are compared with traditional forecasting models and with some related state-of-the-art rule-based evolving Fuzzy Systems. The new evolving Fuzzy System outperformed the compared models for the Mackey-Glass time-series and the power transformers datasets concerning the errors. A statistical test comprised the superior performance of the introduced model. The algorithm also obtained a competitive execution time and number of final rules. The results demonstrate the high level of autonomy and adaptation of the model to predict accurately complex and non-stationary data. Seeing the importance of accurate models to deal with data to support decision-making, the results suggest the model’s implementation as a forecasting tool in strategic planning. | pt_BR |
dc.description.resumo | Os avanços em Big Data motivaram pesquisadores a desenvolver e aprimorar modelos inteligentes para lidar de forma eficiente e eficaz com os dados. Nesse cenário, a previsão de séries temporais vem ganhando ainda mais atenção. A literatura científica demonstra o melhor desempenho de tais modelos nesse assunto. A previsão de séries temporais é amplamente utilizada no planejamento estratégico para apoiar a tomada de decisões, proporcionando diferencial competitivo às organizações. Neste trabalho, um novo sistema nebuloso evolutivos baseado em regras é proposto para a previsão de séries temporais. Este é um modelo robusto capaz de desenvolver e atualizar sua estrutura em ambientes desconhecidos, capturar dinâmicas e mudanças de fluxo em dados e produzir resultados precisos mesmo quando se trata de dados complexos. O modelo introduzido implementa a correlação para melhorar a qualidade dos clusters, reduzindo seu desvio padrão. O modelo é avaliado usando dois conjuntos de dados sintéticos: a série temporal Mackey-Glass e a identificação do sistema dinâmico não linear. E, finalmente, o sistema introduzido é implementado para prever a temperatura do ponto quente, usando três conjuntos de dados de um transformador de potência real. O monitoramento de pontos quentes é necessário para maximizar a capacidade de carga e a vida útil dos transformadores. O método proposto é avaliado em termos de erro quadrático médio, erro de índice adimensional, erro absoluto médio, tempo de execução e número de regras finais. Os resultados são comparados com modelos de previsão tradicionais e com alguns sistemas nebuloso evolutivo baseados em regras. O novo sistema nebuloso evolutivos superou os modelos comparados para a série temporal Mackey-Glass e os conjuntos de dados de transformadores de potência, considerando as métricas de erro. Um teste estatístico comprovou o desempenho superior do modelo introduzido. O algoritmo também obteve um tempo de execução e número de regras finais competitivo. Os resultados demonstram o alto nível de autonomia e adaptação do modelo para prever dados complexos e não estacionários com precisão. Vendo a importância de modelos precisos para lidar com dados no apoio à tomada de decisão, os resultados sugerem a implementação do modelo como ferramenta de previsão favorecendo planejamento estratégico. | pt_BR |
dc.language | eng | pt_BR |
dc.publisher | Universidade Federal de Juiz de Fora (UFJF) | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.department | Faculdade de Engenharia | pt_BR |
dc.publisher.program | Programa de Pós-graduação em Modelagem Computacional | pt_BR |
dc.publisher.initials | UFJF | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.rights | Attribution 3.0 Brazil | * |
dc.rights.uri | http://creativecommons.org/licenses/by/3.0/br/ | * |
dc.subject | Previsão de séries temporais | pt_BR |
dc.subject | Sistemas nebulosos evolutivos | pt_BR |
dc.subject | Inteligência artificial | pt_BR |
dc.subject | Time series forecasting | pt_BR |
dc.subject | Evolving fuzzy systems | pt_BR |
dc.subject | Artificial intelligence | pt_BR |
dc.subject.cnpq | CNPQ::CIENCIAS EXATAS E DA TERRA | pt_BR |
dc.title | A novel rule-based evolving fuzzy system applied to the thermal modeling of power transformers | pt_BR |
dc.type | Dissertação | pt_BR |
Aparece en las colecciones: | Mestrado em Modelagem Computacional (Dissertações) |
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons